为什么机器人比人脑更强？王维嘉-机器认知如果颠覆商业和社会高纯气体

内容来源：2019年4月12日，在北京东升科学院举办智酷沙龙第79期上，硅谷风险投资公司CEG Ventures创始人王维嘉进行了《暗知识：机器认知如果颠覆商业和社会》新书分享会的主题演讲。

精选笔记•人工智能
笔记君邀您，阅读前先思考：
人工智能的本质是怎么?
人是否能可靠地认知世界?
机器和人的区别是什么?

一、写书的初衷

市场上有很多关于人工智能的书。各种观点包括2040年奇点降临，机器人要终结人类的演化历史等等。包括马斯克、霍金这样的大咖也在发出很担心的声音。
大家为什么会对人工智能有这么多不同的理解呢?就因为它很神秘。
不像互联网来临时大家都能懂，互联网企业就是不同的商业模式，技术也比较简单。但人工智能就好像是个黑科技。
我就想写一本书，把黑科技给它祛魅。从我自己的研究看，人工智能背后的东西都是很简单的。
人工智能对我的刺激，是从AlphaGo下围棋这件事开始的。
这件事给我们人类带来两个震撼：

第一个震撼是我们完全无法理解为什么AlphaGo能这么厉害。
柯洁下完后流着眼泪说：我根本看不到希望。聂卫平说：AlphaGo是上帝派来教人类下围棋的，它的水平至少是20段。
不仅柯洁和聂卫平不懂，连谷歌的工程师都搞不明白为什么AlphaGo每一步会这么走。要知道围棋在人类世界里被认为是最高智商的游戏。但我们却被人工智能打得没有还手之力。
但最震撼的是AlphaGo要先学人类的残局、学棋谱，然后超过人类。但AlphaZero不学人类的棋谱，完全靠机器的自我对弈、自我学习，结果7天就打败了AlphaGo，40天以后就天下无敌。
这说明人类2000年积累的围棋知识，对AlphaZero不仅一钱不值，反而是累赘和包袱，反而束缚了它的水平。

这件事对我们自尊心的打击太大了。人类觉得围棋残局多么牛的东西，居然对机器来说是垃圾。人类积累了2000年的东西，对于机器来说是垃圾。
这件事对我自己也是非常大的冲击。整本书研究的起点就从这里开始。

二、无法理解人工智能

是基本概念出了问题

2018年年底，AlphaGo团队做出了阿法蝶(叠)。我把它翻译成蝶，正好是阿法狗的妹妹。
阿法蝶可以把蛋白质基因序列的蛋白质三维结构给算出来。这个研究结果被发表在《科学》杂志上。
人类的生命，都是由细胞组成的。细胞的基本单位就是蛋白质。蛋白质的三维结构非常复杂，而蛋白质的所有功能就取决于三维结构。

以制药举例。
比如找到了一种造成肝癌的蛋白质，要能发现小分子卡在这个蛋白质的三维结构里，让它动弹不了，肝癌就能治好。
所以蛋白质结构是人类理解基本的生命和生命过程最重要的东西。
过水龙头去人们观测蛋白质的三维结构要用X光衍射的方法，非常非常的难。做好几年的试验，都可能看不到一个(完整的结构)而且蛋白质特别容易脆。
这两年出了新仪器叫冷冻电镜，但需要1000万美金一台。

空调 在冷冻电镜下，比较容易看到三维结构，但冷冻电镜要做出一张蛋白质三维结构图，要照几十万张照片，再拼凑出来。但现在阿法蝶(叠)很轻松就算出来了。
借助人工智能，我们人类在基础科学上，有了巨大的突破。
于是我给出一组定义：
信息：可观察的事物表征
数据：被描述出来的信息
知识：数据之间的关系
我认为这三个定义是自洽的，简单的。用这个定义来解释人工智能是非常严谨，后面我会详细介绍。

三、人是否能可靠的认知世界?

做人工智能研究，我有一个线索是回到人类认识世界的最初。哲学上有一个分支叫认识论。
认识论讨论的是世界的本源是什么，人是否能可靠的认识世界?
理性主义认为：
人是有能力认知概念的，比如时间、空间;
知识是来自于推理;
万事皆有因果。

而经验主义的代表人物洛克认为：
人天生就是白纸一张，所有的知识都来自于经验，万事没有因果关系，因果关系只是假象，其实就是相关性。就是说经验主义更相信眼见为实。

但实际上世界上不存在所谓客观的东西。
我们之所以对世界不理解，是因为我们硬性的把世界分成客观和主观，唯物主义与唯心主义，而这种两分法，实际上是错的。

任何认识世界离不开主体。

英国数学家罗素有一个著名的火鸡悖论。
火鸡就是经验主义者，每天早上它的主人敲盆来喂食，第二天、第三天也是这样，那么火鸡就得出一个结论：以后每天早上主人都会敲盆来喂食。这个结论的有效性一直持续到圣诞节的前一晚。

理性主义和经验主义争论的焦点有两件事：一是知识的来源到底是推理还是经验?二是什么样的知识更可靠?

四、默知识和暗知识

回过头我们再看人类历史上所谓的知识是什么。
人类有文字以来，所有的知识，不管是现在的文字还是甲骨文，但凡可以用语言文字或公式表达的，就是我们认为的知识。
因为它可以传播，可以被别人所理解。

直到70年前，奥匈科学家迈克尔波拉尼写了《个人知识》，他认为还存在一种非常个人化的知识，是不可传播的。后来定位为默会知识(tacit knowledge)。
生活中有大量的知识或技能属于默会知识，比如骑自行车、拉提琴、打乒乓球、游泳，都是需要反复去训练，却不可表达。
默知识有个特点，不可记录，不可集中。而计划经济的前提就是要把全国的所有信息都放到一台计算机里，全算出来，再告诉每个乡村该生产多少东西。

Iphone没出来之前，没有一个人知道智能手机应该是什么样。这个事只能靠企业家和发明家的想象力。
按这个思路想下去，很自然就会想到，会不会存在着一种既不可感受，也不可表达的知识?就是暗知识。

我画了一张图，横轴是否可表达，纵轴是否可感受。

明知识是既可感受又可表达，比如浮力定律。还有一类人没法感受到，比如我们感受不到量子力学的微观世界。但它在数学上是完美的，
还有一类呢，像量子力学、广义相对论，我们人没法感受到有这个，量子力学微观世界，我们也感觉不出来，所以但是它在数学上是完美的，一定存在且实验可证明。这就是不可感知可以被证明的知识。
很显然四个象限就空了一个，就是暗知识。当我完成对暗知识的发现时，感觉又回到了30年前做博士论文。
在斯坦福做博士论文有一个要求，contribute to human knowledge，就是要对人类的知识有贡献性。

暗知识就是原来从来没有任何人提到过的。除非还能发现一个独立的轴，否则人类所有的知识全能放在图里。
这三种知识之间量的关系可以用冰山图表示：

人类有文字以来积累的所有的知识，是冰山在水平面之上的部分;默知识是海平面以下人们看不见的冰山，而暗知识就是整片海洋。
人类的基本局限，是接收的信息远远大于输出的信息。
暗知识作为一个哲学概念，与我们的生活息息相关。
比如机器学习加人脸识别技术，该不该筛选出那些长着一张坏人脸，概率上犯罪几率更高的人，比如自动驾驶面对突然跳出来的小孩，不撞自己会死，撞孩子会死，该如何选择。
这都是机器学习或暗知识摆在我们人类面前非常严峻的问题。
由于暗知识的不可理解性，会给人类造成一系列的问题。

美国国防部有一篇白皮书提到：
未来人工智能的不可解释性，是做公共政策决策上最大的障碍。
当机器告诉你要做什么，也无法跟大众沟通，这就会对多数决策和制度产生很大的冲突。

五、人工智能产业生态

我在公募做投资，每年大概会看几百上千家公司。我总结整个人工智能的产业生态，就是金字塔的形状。最上头皇冠上的钻石是算法。

大家说人工智能就是三件事：

算力、算法和数据。我觉得算力和数据都是胡扯。搭顺风车数据自动就变大了，算力就变强了，和人工智能行业没关系。实际上数据的发展是要算法上有突破。
但算法在今天很难做生意。真正做算法的非常少，主要在大公司和大学里。
算法里比较重要的核心技术就是芯片。
简单来说，所有的芯片公司里最重要的两家公司，一个是英伟达，做GPU图形芯片处理器。一个是赛恩斯，做FPGA现场可编程门阵列。这两家公司占统治地位，现在中国一大堆芯片公司还无法挑战这两家公司。

人工智能产业生态中另外一个重要的环节是frame编程框架。编程框架大致可以看成操作系统层面的东西，但它不是一个操作系统，而是程序库。
今天最大的程序库，是谷歌的TensorFlow。今天所有的人工智能公司，特别是中国的人工智能的公司，全是用的谷歌的开源软件。它已经形成了生态系统。

在应用层面，我要强调一点，以目前发展的线性预测，还看不到很多的应用。就像汽车刚出来时大家会觉得，汽车就是比马车快的代步工具。
但汽车出现后让我们有了高速公路，时间更节省了，就可以不住在城里了，等等。就造成了一系列的变化。这些变化是在汽车刚刚被发明时想不到的。

我投资过一家做金融医疗的公司。对慢性病患病的原因可能有很多，包括饮食、基因、脏腑器官等等。可能的原因全部列出大概好几百个。
而且直接的原因背后还有间接的原因，第二层、第三层、第四层，一个病就可以画成一个非常复杂的网络。
但人类医生看病可能只有五分钟时间，因为一天要看五、六十个病人，根本没时间。所以只能抓住最最主要的两三个因素，基本上是根据经验做判断。
但机器不一样。机器学习是把所有历史数据全部输进去，这样可以建立起非常复杂的系统。
机器看500万个这样的系统，就相当于看了500万个病人。全世界没有一个医生一生中看那么多病人。这样AI就可以成为最有经验的医生。这家公司通过了美国的医生资格考试。

六、产业适合或不适合

发展人工智能的判断依据

神经网络的本质是让机器在海量的变量里头，发现人类发现不了的复杂的相关性。
这就是机器学习的本质。理解这个你就能自己判断，什么样的产业适合人工智能，什么样不适合。

哪些行业是适合机器学习的?

1. 行业里有大量的数据，复杂的相关性。
比如说金融行业，保险也好，证券也好，它就产生大量的数据。而且你从这个数据里头，可以提取出很多有用的知识来。
凡是行业在市场过程中，或生产、生活过程中，产生了大量的数据，人工智能都可以做。

2. 人看不懂，机器看得懂的。

3. 钱特别多。如果没钱，大家没有动力去推翻。
而判断什么不适合需要看它的局限在什么地方。

事物之间的关系就两种：因果和相关。而机器学习只会发现相关关系，它不懂因果。因为它不懂推理。
举个例子，比如全自动驾驶我认为就不适合用机器学习。自动驾驶的核心是要对场景有理解。
谷歌做了十年自动驾驶，累计了1300万公里的数据，就是为了看各种各样的场景。
它有点像很刻苦，但不聪明的孩子，把所有习题全部做一遍，但不理解公式的意思。
但全自动驾驶的问题是，哪怕已经懂了99.999%，那个万分之一也是人命关天的大事。
所以说神经网络不适合做全自动驾驶。

八、机器强于人脑的原因

机器可以发现很多细微的特征和面机，细微的相关性，人根本做不到。
机器比人脑强有几个原因：

1. 机器比人脑快太多。
人脑神经元1秒钟大概被激发200次，芯片则是激发1亿次，速度快了500万倍。在芯片上，信息传导是按电流传导速度计算的，基本上就是光速。但人脑的神经元一秒只能传100米，传播速度也相差了好几百万倍。

2. 机器比人脑靠谱。
人脑神经元细胞传递信息，接收成功的概率只有30%，但机器基本就不会出错的，就是电子线路。

3. 人工神经网络可以把所有的神经元的信号全部都取出来复制到其它地方去，而人脑则是无法做到的。
机器它只能理解相关性，不会理解因果，它需要大量的数据。我把神经网络总结成两句话，八个字。

智商偏科，情商为零。
智商偏科是指凡是推理，凡是理解的东西就不行。凡是发现相关性，越复杂的相关性，变量越大，人脑袋越疼，它越得心应手。
情商为零是指人工智能无符号、无感情、无意识。机器基本上不会产生自我意识。机器的智商是偏科的，它仍然是人类的工具。
人工智能会给我们带来什么样的惊奇，我们还都不知道。这一场大潮，刚刚开始。

我们唯一明白的是，过去历史中，所谓的知识就是人学的知识，人永远在知识的回路里。
这是第一次机器把我们踢出了知识获取的回路。机器可以自己在那儿学，学完了自己干。人类第一次成了吃瓜群众。

我讲的是非常简洁的概括，更多、更详细的讨论，都在书里，谢谢大家。

本文来源：公众号 @笔记侠。中国最大的新商业知识笔记共享平台，微信价值排行榜总榜前十，独家笔记支持湖畔大学、混沌大学、青腾大学、高山大学、中欧创业营、京东商学院、北大国发院等顶尖商学院课热熔胶程，BAT、TMD、小米、华为、网易等知名企业，丁磊、傅盛、李善友等知名人士，60万企业决策及管理层都在看。