理查德·費(fèi)曼（1918—1988,1965年諾貝爾物理學(xué)獎(jiǎng)得主）是著名的物理學(xué)家，他曾講過(guò)一個(gè)故事。

(相關(guān)資料圖)

某天下午，費(fèi)曼坐在巴西的一家咖啡館中思考，這時(shí)進(jìn)來(lái)一個(gè)賣(mài)算盤(pán)的日本人，打算向咖啡館推銷(xiāo)算盤(pán)。這個(gè)日本推銷(xiāo)員說(shuō)用算盤(pán)便于記賬（當(dāng)時(shí)還沒(méi)有計(jì)算機(jī)），但是咖啡館老板表示不想買(mǎi)。

咖啡館老板說(shuō)：既然你說(shuō)這個(gè)東西計(jì)算很快，那我隨便找一個(gè)顧客（碰巧就是費(fèi)曼），你們兩個(gè)比試一下，看看機(jī)器人和人誰(shuí)的運(yùn)算更快。

比試開(kāi)始，首先是算加法，費(fèi)曼的速度完全沒(méi)辦法和算盤(pán)比，他還沒(méi)讀完數(shù)字，日本推銷(xiāo)員就已經(jīng)用算法算出得數(shù)了。后來(lái)費(fèi)曼說(shuō)要增加難度，算乘法，這時(shí)用算盤(pán)需要更多步驟，所以費(fèi)曼和算盤(pán)的速度差不多。

這下，日本推銷(xiāo)員說(shuō)，這不行，我們要找一樣更難運(yùn)算的：開(kāi)立方根。

費(fèi)曼同意了，于是咖啡館老板隨機(jī)選定了1729.03這個(gè)數(shù)字。費(fèi)曼作為一個(gè)物理學(xué)家，碰巧知道12的立方是1728（一英尺等于12英寸，求立方體體積時(shí)，這種運(yùn)算是很常見(jiàn)的），所以他只需要知道剩下的1.03怎么開(kāi)立方。

很快，在幾秒鐘內(nèi)，費(fèi)曼通過(guò)使用“泰勒公式”算出了小數(shù)點(diǎn)后5位的得數(shù)，給出了12.0025，這個(gè)數(shù)字和正確答案12.00238……的誤差是10萬(wàn)分之一。

幾分鐘后日本推銷(xiāo)員才喊出12，費(fèi)曼完勝算盤(pán)。

人與機(jī)器的角逐實(shí)際上各有優(yōu)劣，人的直覺(jué)和經(jīng)驗(yàn)是機(jī)器無(wú)法模仿與超越的，而機(jī)器在弱人工智能方面是勝過(guò)人類(lèi)的。一個(gè)簡(jiǎn)單的人造計(jì)算器沒(méi)有智能，但是可以在計(jì)算6位數(shù)乘以6位數(shù)的乘法上勝過(guò)人類(lèi)。100年前那個(gè)人造的手搖計(jì)算機(jī)在計(jì)算速度方面已經(jīng)超過(guò)人了。

機(jī)器確實(shí)有比人做得更好的地方，但是在需要直覺(jué)和經(jīng)驗(yàn)的場(chǎng)景下，機(jī)器往往無(wú)法勝過(guò)人。

人和機(jī)器在做決定時(shí)，用的是兩種不同的方法。

人是用直覺(jué)，直覺(jué)是人將各方面知識(shí)綜合在一起形成的，直覺(jué)讓人快速得到一個(gè)解決答案。

機(jī)器用的是“梯度下降”算法，這是在求解機(jī)器學(xué)習(xí)算法的模型參數(shù)時(shí)，最常采用的方法之一。

機(jī)器做決策只有一個(gè)方法，就是先讓人類(lèi)找到“損失函數(shù)”，然后讓損失函數(shù)最小化。

從這方面看，機(jī)器沒(méi)有任何智能——是人寫(xiě)出損失函數(shù)，然后讓機(jī)器執(zhí)行優(yōu)化算法。所以人們對(duì)機(jī)器的期望不能太高：機(jī)器在弱人工智能層面可以做得很好，但是用梯度下降的范式不可能產(chǎn)生強(qiáng)人工智能。

現(xiàn)在我們常說(shuō)的人工智能，與以前的人工智能最大的區(qū)別是：以前，人通過(guò)寫(xiě)計(jì)算機(jī)程序來(lái)制定規(guī)則，然后輸入一些數(shù)據(jù)，讓計(jì)算機(jī)算出結(jié)果；而現(xiàn)在，是人把數(shù)據(jù)和結(jié)果輸入進(jìn)去，通過(guò)監(jiān)督和非監(jiān)督學(xué)習(xí)的算法，讓機(jī)器來(lái)學(xué)習(xí)并得到規(guī)則。

以前的人工智能叫做“專(zhuān)家系統(tǒng)”，是基于規(guī)則的；現(xiàn)在的人工智能則更多是讓系統(tǒng)根據(jù)數(shù)據(jù)去自動(dòng)優(yōu)化，學(xué)習(xí)底層邏輯。

就如所有機(jī)器一般，人工智能在某個(gè)方面可以很強(qiáng)大，但是復(fù)雜的算法常常被掩蓋在簡(jiǎn)單的界面里，使用者在不理解底層邏輯的情況下使用，可能會(huì)產(chǎn)生極壞的效果。就好比把機(jī)關(guān)槍交給一個(gè)三歲的小孩去用，結(jié)果會(huì)難以想象。

我們舉幾個(gè)例子。

有一位美國(guó)朋友給我們發(fā)來(lái)一張優(yōu)步的自動(dòng)駕駛汽車(chē)的照片，從中我們發(fā)現(xiàn)一處不對(duì)勁的地方：禁止左轉(zhuǎn)的紅燈亮的時(shí)候，車(chē)居然向左轉(zhuǎn)彎了。

后來(lái)我們討論了這個(gè)問(wèn)題，原來(lái)是因?yàn)橛?xùn)練自動(dòng)駕駛時(shí)使用的是人類(lèi)駕駛的數(shù)據(jù)記錄，有人在禁止左轉(zhuǎn)的紅燈亮的時(shí)候左轉(zhuǎn)過(guò)，導(dǎo)致機(jī)器學(xué)到了這樣一個(gè)行為。

所以，人并不是一個(gè)完美的物種，如果機(jī)器完全向人類(lèi)學(xué)習(xí)的話(huà)，也會(huì)學(xué)到人的一些壞習(xí)慣。

幾年前，幾位北航的教授做過(guò)一個(gè)研究，根據(jù)人們乘坐北京地鐵進(jìn)站和出站的情況，畫(huà)出一些曲線(xiàn)，把人分成幾種類(lèi)型。

例如，游客會(huì)去圓明園、香山；購(gòu)物者會(huì)去西單、王府井；而小偷的行為曲線(xiàn)與正常人群是非常不一樣的。

是否可以用人工智能分析所有人的行為軌跡，找出小偷呢？

可以。

但是另一種分析方法則是比較危險(xiǎn)的。

美國(guó)新澤西州的警監(jiān)說(shuō)：“我們用大數(shù)據(jù)技術(shù)能夠算出什么樣的人會(huì)比較容易犯罪，并算出他們?cè)谑裁磿r(shí)候會(huì)犯罪，這樣可以提前預(yù)警。”

這讓我們想起科幻片《少數(shù)派報(bào)告》，這里最大的問(wèn)題就是，這樣的計(jì)算依賴(lài)的是人不可改變的數(shù)據(jù)平均值。平均來(lái)講，黑人的犯罪率更高，但是并不代表每個(gè)黑人的犯罪概率都高，用平均值算出來(lái)的結(jié)論如果推廣開(kāi)來(lái)，對(duì)黑人個(gè)體就是很不公平的，而在很多場(chǎng)景下是很危險(xiǎn)的。

從算法上講，我們不能只看平均效果，還要看個(gè)體行為。

這與抓小偷的區(qū)別在于：美國(guó)新澤西州的警監(jiān)抓罪犯的方法，是根據(jù)對(duì)方的年齡和膚色這些自身無(wú)法改變的因素來(lái)判斷的，這樣會(huì)冤枉好人；而前面抓小偷的方法則是根據(jù)對(duì)方的行為，根據(jù)行為的判斷就沒(méi)有問(wèn)題。

很多人工智能算法試圖追求的都是平均效果，但如果聚焦到人的話(huà)，結(jié)論就會(huì)完全相反。

可見(jiàn)，人工智能不是萬(wàn)能的，結(jié)果要靠人去解讀，人和機(jī)器要一起合作才是最優(yōu)的。

人工智能有兩個(gè)非常深刻的課題需要解決：一是過(guò)度擬合問(wèn)題（假如給了系統(tǒng)太多的自由度，讓它學(xué)到一些不該學(xué)的東西，那么它在樣本內(nèi)的表現(xiàn)很好，但是在樣本外就很差）；二是因果關(guān)系的問(wèn)題（即便能發(fā)現(xiàn)兩個(gè)變量的強(qiáng)相關(guān)關(guān)系，也不能代表其中一個(gè)導(dǎo)致了另一個(gè)發(fā)生）。

這兩大挑戰(zhàn)，是人工智能目前急需解決的問(wèn)題。

（張曉泉為香港中文大學(xué)商學(xué)院副院長(zhǎng)、決策科學(xué)與企業(yè)經(jīng)濟(jì)學(xué)系教授）