笔趣阁中文

第三编 数字之变（第1页）

第三编数字之变

11人工智能时代人的危机

随着算法将人类挤出就业市场，财富和权利可能会集中在拥有强大算法的极少数精英手中，造成前所未有的社会及政治不平等。——《未来简史》

翻开不同版本的世界近代史，都不难找到第一次工业革命时期工人破坏机器运动的历史记录。从蒸汽时代开始，机器的进化速度越快，人能感受到的危机就会越强烈，而人对机器的抗争也从未停止。

一、历史视角下的人工智能革命

人工智能正处于高速发展过程中，只言片语很难做到一叶知秋，但每增加一片相关研究的“叶子”，会更有利于接近发展本来的面貌。本章从简要回溯人工智能的历史出发，对目前人工智能主流技术、我国发展的情况和存在的问题进行探讨。

1965年4月19日，时任仙童公司半导体工程师的戈登·摩尔在《电子学》杂志发表了一篇题为《让集成电路填满更多组件》（gmorepoois）的论文，并预言半导体芯片上集成的晶体管和电阻数量将每年增加一倍。摩尔后来在20世纪70年代对该规律进行了修正，形成了著名的定律：当价格不变时，集成电路上可容纳的元器件的数目，约每隔18—24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18—24个月翻一倍以上。回首近半个世纪的技术发展，是一个摩尔定律不断迭代发展的过程。我国改革开放的历史进程刚好与摩尔定律契合，技术突飞猛进，回溯我国数字技术的发展历程，成绩、问题与机遇并存。立足未来，本章选取了最近几年发展比较迅猛的人工智能技术作为样本，对数字之变进行探讨。

在过去人工智能的发展历史中，先后经过几次起伏和波折，但不变的是美国占了主导性的地位。从IBM的深蓝系统击败国际象棋大师加里·卡斯帕罗夫到谷歌的AlphaGo，基本上最前沿的人工智能进展都源自美国。但是，中国的迅速崛起，使美国有了严重的危机感。下面将从人工智能发展历史及我国的相关发展情况展开论述。

让机器模仿人类的想法早在柏拉图和亚里士多德时代就已经有了，但真正开始进行人工智能制造和设计实践是从19世纪开始的。我们参考维基百科关于人工智能历史的资料整理进行概述。

（1）1952—1956，人工智能的诞生时期：1950年，艾伦·图灵提出了著名的图灵测试，定义：“如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。”[1]1955年，纽厄尔（N。Newell）、西蒙（H。Simon）和肖乌（J。C。Shaw）开发了“逻辑理论家（LogicTheorist）”，这个程序能够证明伯特兰·罗素（BertrandRussell）和怀特海（AlfredNorthWhitehead）所著《数学原理》前52个定理中的38个，其中某些证明比原著更加新颖和精巧。西蒙认为他们已经“解决了神秘的心身问题，解释了物质构成的系统如何获得心灵的性质”。1956年夏天，美国达特茅斯学院举行了历史上第一次人工智能研讨会，被认为是人工智能诞生的标志。会上，麦卡锡首次提出了“人工智能”这个概念，纽厄尔和西蒙则展示了编写的逻辑理论机器。

（2）1956—1974年，黄金时代：达特茅斯会议后，人工智能引起了广泛的关注，机器的智能化使很多人感到震惊。学者们对人工智能的前景表现得非常乐观，普遍认为具有完全智能的人工智能机器将在20年内实现。DARPA（美国国防部高等研究计划局）等政府机构对人工智能领域产生了很大的兴趣，并投入了大量的资金。这一时期在自然语言处理、机器视觉、自动控制等领域都有很多突出的贡献。

除美国外，在日本，早稻田大学于1967年启动了WABOT项目，并于1972年完成了世界上第一个全尺寸智能人形机器人WABOT-1。[2]该型号机器人基本实现了上下肢协调运动和自动方位感知，并能够用日语进行简单的交流。

（3）1974—1980年，第一次寒冬（低谷）期：受制于计算机算力、当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。例如，例如，奎廉（J。R。Quillian）在自然语言方面的研究结果只能用一个含二十个单词的词汇表进行演示，因为内存只能容纳这么多。1976年，汉斯·莫拉维克（HansMoravec）指出，计算机离智能的要求还差上百万倍。他做了个类比：人工智能需要强大的计算能力，就像飞机需要大功率动力一样，低于一个阈值时是无法实现的；但是随着能力的提升，问题逐渐会变得简单。当时的计算力还远不能达到满足人工智能的要求。另外，AI问题计算的复杂性也是呈指数增长的。1972年，理查德·长普（RichardKarp）根据斯蒂芬·库克（StephenCook）于1971年提出的库克-莱文（）理论证明，许多问题只可能在指数时间内获解（即，计算时间与输入规模的幂成正比）。除了那些最简单的情况，这些问题的解决需要近乎无限长的时间。这就意味着AI中的许多玩具程序恐怕永远也不会发展为实用的系统。这因此使得早期乐观的预期遭受到了当头一棒，政府等资方由于看不到预期，纷纷撤资。AI研发进入了第一个寒冬（低谷）期。

（4）1980—1987年，繁荣期：进入80年代后，专家系统的崛起开始重新吸引资本的进入。专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。最早的示例由爱德华·费根鲍姆（EdwardFeigenbaum）和他的学生们开发。1965年起设计的化学专家系统（Dendral）能够根据分光计读数分辨混合物。1972年设计的诊断血液感染病专家系统（MY）能够诊断血液传染病。它们展示了这一方法的威力。

专家系统仅限于一个很小的知识领域，从而避免了常识问题；其简单的设计又使它能够较为容易地编程实现或修改。专家系统让AI开始展示其巨大的商业应用前景。专家系统的兴起，掀起了“知识革命”，专家系统的能力在于他能存储丰富的知识。因此知识库系统和知识工程成为了1980年年底AI研究的主要方向。

1982年，物理学家约翰·霍普佛德（JohnHopfield）证明一种新型的神经网络（现被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。大约在同时（早于保罗·沃佰斯[PaulWerbos]），大卫·鲁姆哈特（DavidRumelhart）推广了反向传播算法，一种神经网络训练方法。这些发现使1970年以来一直遭人遗弃的联结主义重获新生。

另外，由于对处理问题复杂度的增加，20世纪80年代也兴起了开发新一代计算机的浪潮。1981年日本启动了第五代计算机的研发工作，英、美也开始推动大投入的高性能计算相关的研发工作。

（5）1987—1993年，第二次寒冬（低谷）期：专家系统本身应用的局限性问题开始显现。如X等早期获得成功的系统逐渐暴露出系统维护费用昂贵、难以升级、容错率低等问题。同时由于专家系统应用的领域和场景有限，商业前景并不及最初的预期，新的一轮撤资潮开始出现。到了80年代晚期，战略计算促进会大幅削减对AI的资助。DARPA的新任领导认为AI并非“下一个浪潮”，拨款将倾向于那些看起来更容易出成果的项目。除专家系统外，到1991年，日本持续了十年的第五代计算机工程事实上证明是失败的，整个AI发展陷入了新的低谷。

（6）1993—2011年，第三次发展期：这一时期是计算机产业高速发展时期，特别是互联网的全球化，对人类知识融合和创新产生了革命性的影响。这一时期发生了一系列在AI历史上的革命性事件。1997年，深蓝电脑在国际象棋大赛中首次战胜人类。2005年，DARPA无人驾驶大赛，斯坦福的无人驾驶汽车夺冠，成功实现自动行驶131英里，等等。在这一段时期人工智能相关的基础科学得到了迅速发展。特别是互联网高速发展，全球海量基础数据的积累以及摩尔定律推动下高性能计算系统的不断升级，为大数据时代人工智能的飞跃奠定了基础。

（7）2011年至今，大数据驱动AI发展时期：在全球范围内，从2011年开始，大数据在谷歌搜索指数中的词频骤升（图11-1）。这得益于20世纪末和21世纪前十年全球互联网的高速发展和海量数据积累。大数据的应用与计算能力的快速发展渗透到各个领域。深度学习，例如深度卷积神经网络和递归神经网络的发展进步，在人工智能图像、视频、语音识别等领域的发展迅速，并逐渐形成了基于特定技术的技术生态。机器学习是计算机系统用于逐步改善其在特定任务上的性能的算法和统计模型的研究。通俗而言，机器学习是指在没有明确编程的情况下从数据中学习的计算系统。机器学习在类别上可分为监督学习、无监督学习等；按技术发展分，可分为传统机器学习、深度机器学习等。

图11-1大数据（BigData）谷歌趋势搜索指数

资料来源：谷歌趋势搜索，搜索时间：2018年12月15日。

二、人工智能伦理和隐私难题

对于人工智能的监管。怎样进行人工智能监管？这已经成为一个全球性难题。普京曾经指出：“人工智能是未来，但也有难以预测的威胁。无论谁成为这个领域的领导者，都将会成为这个领域的统治者。”[3]普京指出了一个残酷的现实——在人工智能领域是赢家通吃的世界，而不受约束的科技亦正亦邪，是锋利的双刃剑。

1。人工智能“一键脱衣”的危机

2019年6月27日，一款“一键脱衣”的软件DeepNude引起了全球媒体的焦虑。只要给DeepNude一张女性照片，借助神经网络技术，App可以自动“脱掉”女性身上的衣服，显示出**。

DeepNude的创建者阿尔贝托（Alberto）在接受媒体采访时表示，该软件基于加州大学伯克利分校研究者开发的开源算法pix2pix创建，并使用1万张女性裸图加以训练。这一算法与之前的人工智能换脸技术deepfake算法相似，也和无人车技术所使用的算法相似。阿尔贝托还表示，该软件目前之所以只能用于女性照片，是因为女性**图像更容易在网上找到，但他希望能创建一个男性版本的软件。反“色情复仇”组织Badass的创始人凯特琳·鲍登（KatelynBowden）感叹说：“真是让人震惊。现在每个人都有可能成为色情报复的受害者，即使没有拍过一张**照片，也可能会成为受害者。这样的技术根本不应该向公众开放。”

2。想避免风险会是发展的最大风险：以无人驾驶为例

2018年以来，随着人工智能技术带来的各种改变，例如对工作的威胁，对个人大数据信息的精准分析，引起了全球各国人们的普遍恐慌。规避风险是人的天性，但不是发展的目的。托马斯·阿奎那（SaintThomasAquinas）曾经写道：“如果船长的最高使命是保护他的船只，那么他永远只会停留在港口。”和其他所有创新类似，人工智能的最终目标是促进人类社会的发展，而安全是发展的一部分。过度担忧在一定程度上会阻碍技术的发展。下面以无人驾驶为例来说明这个问题。

当前无人驾驶技术发展全面加速。尽管2018年出现了两起无人驾驶致命车祸，但大部分无人驾驶汽车公司的发展并没有受到影响。自动驾驶的人工智能发展不能只局限于实验室，同时也需要大量的实际路况测试和数据训练。通过公路的无人驾驶实际运行，让驾驶AI学习规范、合法和安全的驾驶，不断修复存在的系统问题。当前美国有部分州政府通过了无人驾驶公路测试法案，其中加州对无人驾驶发展的支持最为积极。根据加州车辆管理局的报告，2017年无人驾驶车辆的实际公路测试中，测试车辆以完全无人干预的自动驾驶模式运行的里程数超过50万英里。其中Waymo（谷歌拆分出来的自动驾驶公司）和Cruise（通用汽车子公司）自动驾驶测试里程数最多。图11-2是加州车管局（DMV）公布的2017年1至11月各公司汽车自动驾驶平均里程数（自动行驶距离人为干预次数）。