摘要：同時，也會催生出超人類。年，深藍戰勝人類國際象棋冠軍，標記著人工智能往前邁開了重要一大步。年大勝柯潔，人工智能即將碾軋人類的話題遍進入大眾視野，迅即引起普遍的狂熱和焦慮。

內容來源：本文為《暗知識：機器認知如何顛覆商業和社會》讀書筆記；作者簡介：王維嘉，中國科技大學學士和碩士，美國斯坦福大學博士。

為什么人工智能的學習速度特別快？

人工智能將會顛覆哪些行業？

《未來簡史》一書的作者尤瓦爾·赫拉利（YuvalHarari）曾預測，若干年后，人類社會最大的問題是人工智能帶來一大批“無用的人類”。

同時，也會催生出“超人類”（Superhuman）。他認為，一小部分超人類將可以借助科學技術不斷地“更新”自身，操控基因，甚至實現人腦與計算機互聯，獲得一種不死的狀態。

“在以前的歷史上，貧富差距只是體現在財富和權力上，而不是生物學上，帝王和農民的身體構造是一樣的。在人可以變成超人類后，傳統的人性就不存在了，人類會分化為在體能和智能上都占據絕對優勢的超人階層和成千上萬普通的無用的人類。”

他的擔心會成為現實嗎？

早在1965年，人工智能這個術語就被正式提出。

1977年，iBM深藍戰勝人類國際象棋冠軍，標記著人工智能往前邁開了重要一大步。

2017年Alphago大勝柯潔，人工智能即將碾軋人類的話題遍進入大眾視野，迅即引起普遍的狂熱和焦慮。

人工智能做為新一輪科技革命和產業變革的重要驅動力量，無論是在自動駕駛還是醫療方面，都或多或少進行參與協助。

兼具研究者和投資者身份的的王維嘉博士在新著《暗知識：機器認知如何顛覆商業和社會》中告訴我們：機器中的深度學習，即將被顛覆的行業有哪些，以及我們應該如何應對未來。

人工智能這件事讓大家覺得這件事情特別神奇，美國谷歌公司的圍棋對弈程序Alphago戰勝圍棋天才，這件事是人工智能進入我們大眾視野的一個里程碑事件。

圍棋這樣令人類引以為豪的東西，機器一下子遠遠高于人類，而且我們不懂，不知道為什么。

谷歌一年后繼AlphaGo之后又造了一個叫AlphaGo 0，AlphaGo 0不學人類的經驗，第一個AlphaGo 是先學人類的殘局、學棋譜，最后超越人類。

AlphaGo 0就說我能不能自己和自己對弈，弄兩個雙胞胎兄弟自己打，從零學起。結果七天之后，AlphaGo 0就超過了AlphaGo的水平，40天之后，就打遍天下無敵手，到今天都沒有人能打敗它。

這件事給大家帶來了很大的震撼，人類引以為傲的積累了兩千年的圍棋經驗，對AlphaGo0來說，一錢不值。不僅一錢不值，而且是累贅，是束縛。

學了人類的棋譜以后反而受它的限制，水平不提高了。為什么會這樣，這就需要我們要把這個問題想清楚，就逼著我們想到底學習的本質、知識的本質是什么。

大家知道過去的亞里士多德，一直到后來的理性主義一直在爭人的知識從哪來的，是經驗得來的還是推理得來的。大家爭了兩千年沒有明確結果，為什么？

因為那個時代人們根本不了解大腦怎么工作的，甚至亞里士多德時代認為心是思維的器官，一直到70多年前，人們才大致搞清楚，學習的本質是大腦神經原的連接。

舉個例子，比如說我們教一個孩子認字母O，這個孩子看到了一個橢圓形，耳朵聽到了一個“歐”的發音。這時候這兩個神經原，聽覺的神經原和視覺神經原就連起來了，下次他聽到聲音就畫出圓圈，看到圓圈發出O的聲音。

說明他在這兩件事情上建立了聯系，所以說學習的本質就是這么簡單。

一旦知道了這個道理之后，人們很自然的想到，我可不可以用電子線路模仿神經原的工作。

大家看這張照片是我和我的斯坦福導師，他是神經網絡的鼻祖之一，我手里抱著一個黑盒子，就是一個神經原，是他1960年做出來的世界上第一個能夠自我學習的神經原。這一個神經原能干什么呢？它能識別一個簡單的圖形，比如你告訴它字母A，它學習了以后，就能認識這是不是A。

今天，我們一顆芯片上可以放大概一億個這樣的黑盒子，因為從1960年到現在，計算機芯片的技術是上千萬倍的增長。所以說當神經原多了以后，它就可以識別更復雜的圖形，比如人臉識別。

大家看到機器學習、深度學習、神經網絡，其實說的都是一回事。當然人工智能還有很多流派，今天發揮威力的這個人工智能，就是神經網絡。

當我們理解的這些東西以后，我們就發現了另外一條線索，人類歷史上是怎么理解知識的？

過去，大家以為我的知識就是所有的文字語言能表達出來的東西。就像在各大圖書館，你能翻閱到人類歷史上積累的所有知識。

一直到70年前，有一個奧匈科學家麥克波蘭尼發現了另外一種知識，叫默會知識，我們也叫默知識，就是只可意會，不可言傳的意思。

比如說大家可能都會騎自行車，有沒有一個人是看著手冊學會的？每個人都父母把你放在車子上，你歪歪扭扭摔個跤就學會了，你也是這樣教你的孩子、教你的朋友。

人類的很多其他技能，比如拉小提琴、跳芭蕾、打乒乓球等等，全是這類的，只可意會、不可言傳的。

為什么說不出來？因為這樣一個知識在我們的大腦里頭建立了一個非常復雜的神經元的聯系，但是我們語言的表達能力又非常弱。

比如我在這兒跟大家講，每秒鐘平均說五個字，所以語言能表達出來的信息要遠遠少于我們大腦里面存儲的信息。

由于這個原因，大量的知識是以默知識的形式存在的。所以這個發現是人類歷史上的一個重要的里程碑。

研究到這里，作者就在想，在我們的認知內有既可以表達，又可以感受的知識，也有不可以感受無法表達的知識。

大家看第一個象限，既可以感受又可以表達，比如說阿基米德就是在浴缸里發現了浮力定律，他感受到了浮力定律，又把它寫出來了，這就是既可感受又可表達。

還有廣義相對論、量子力學，我們人類感受不到引力波，但它是實實在在存在的，從數學上可以推導出來，可以驗證的。所以這是不可感受的可以表達。

所以說在我們象限的右邊就是我們大家熟悉的明知識，默知識就是第二象限，只可感受不可表達。

當我把這個圖畫出來的時候，很顯然這個左下角是空白，這個時刻就是我發現暗知識的時刻，也是我明白了的時刻。

很顯然，應該有一類知識是人類既不可感受又不可表達的，那這就是暗知識，這就是AlphaGo下圍棋的知識。

為什么有些東西人類感受不到？因為我們的感觀非常有限，比如我們的眼睛看不到紅外線、我們的耳朵聽不到超聲波。

比如說我們聽到馬路上的噪音時，我們在腦子里留不下任何痕跡，因為我們聽不明白里頭是什么東西。所以它是不可感受的。

因為它比較復雜，所以我們又沒法表達，所以既不可感受又不可表達，就是暗知識。

所以暗知識的本質就是機器發現了人類發現不了的、隱藏在萬事萬物中的復雜關系。因為我們的小腦袋瓜只能處理比較簡單的關系，所以這就是暗知識。

知道了這個以后，暗知識、明知識和默知識這三者什么關系呢？我們可以看這張冰山的圖。一個冰山，它的冰山一角，水面上的東西就是我們人類上萬年來已知的所有的明知識，可以用語言文字公式表達的。

水面下面的冰山就是默知識，整個海洋就是暗知識，它們之間的關系就是這樣。

所以為什么機器能如此迅速的學習呢？因為他們能掌握了一個核心技能：群體學習。

什么叫群體學習？谷歌做了這么一個實驗，它做了一個機械手，機械手下面放了一個盤子，這個盤子里頭放了一些雜物，手電筒、鋼筆亂七八糟的東西，不同的形狀。它現在讓機器自己學，從盤子里把東西抓到外面來。

一開始機器亂抓，抓不著，偶然的機器就抓到了一個東西，這時候機器知道，我要在這個高度抓東西。然后不同的形狀它又慢慢摸索，十幾天以后，它就可以穩定地把盤子里面的物體都抓出來。

這個實驗沒什么奇怪的，谷歌又做了第二個實驗，就非常有意思。它把15臺機器放在一起，用網絡連起來，讓它們同時來學同樣的動作，每個人前面有一個盤子，放同樣的東西，大家猜一猜學習時間變成多長了？變成了原來的1/15。

為什么呢？因為只要有一臺機器抓到了第一個東西，它馬上就把這個信息用網絡傳給所有機器，其他14臺機器同時就學會了，大家想想我們人類能做這樣的事嗎？做不了。

也就是說你學會騎自行車了，你的兄弟姐妹還得從頭學起，我沒法把大腦神經元的連接取出來拷貝給他。這就是機器神奇的地方。

麥肯錫的研究表明，全球范圍內多達1.4億全職知識工作者或被智能機器所取代。到2020年，全球將會有700萬個工作崗位消失。

美國斯坦福大學統計，美國將有47%的職位會被人工智能取代；而在中國，這個比例有可能達到60%以上！大量工作被取代的同時，意味著行業也逐漸被顛覆。

在人工智能這股颶風襲來之時，人工智能將能給哪些商業領域帶來翻天覆地的變化呢？

1.自動駕駛

自動駕駛汽車實際上是一個會告訴自己正在行走的機器人。汽車最重要的零部件是電子元件，目前一輛車中的芯片成本將達到5000美元。一輛電動自動駕駛車本質上就是一臺有四個轱轆的電腦。

傳統汽車的核心能力在于將發動機、傳統系統等機械子系統打磨成為精密的工藝品，但一夜之間這些核心技能不重要甚至不再被需要了。

目前的電動汽車的馬達加速已經大大超過最好的汽油發動機，而且不需要任何傳動系統。自動駕駛需要的重要技能例如計算機視覺、人工智能算法等都不是傳統汽車廠商的強項。

第一次駕駛特斯拉半自動電動車的感覺就像第一次使用iphone手機，而駕駛傳統汽車就像使用諾基亞手機。傳統汽車廠商的營銷渠道非常“線下”，依托于成本巨大的經銷商、專賣店和維修體系。

電動車的車體就三樣東西：電池、轱轆和馬達。一輛內燃發動機汽車的零件有上萬個，而一輛電動車的機械零件只有幾千個。

這意味著發生機械故障的概率和維修成本降低。由于零部件的減少，電動車和電腦、家電一樣將會變得標準化。這使電動車更易于在線銷售，這將又一次沖擊傳統汽車廠商。

2.醫療行業

醫療健康是人工智能最熱門的應用領域之一。醫療行業有太多的方面可以借助人工智能得到質的提升。醫療健康診斷和預測是一個典型的暗知識案例。

一個疾病的原因非常復雜，每個病人的身體情況和病史又都不同。人生活在一個超級復雜的環境中，環境中的所有因素都對人的健康有影響。

過去的醫療教育是把這些非常復雜的情況大大簡化，編寫成各種教科書和指南，但這些明知識根本無法覆蓋所有的情況，所以一個好的醫生主要是通過多年實踐掌握了大量的默知識。

但由于人體的復雜性，每個醫生掌握的默知識只是一點皮毛，無論是廣度和深度都遠遠不夠。

只有機器學習才能系統地通過數據挖掘出大量復雜的、醫生通過自己經驗和理解都無法觸及的暗知識。這些數據不僅包括病人的數據，也包括生物、藥理、生理、氣候、環境等數據，機器能在這些復雜的數據中找出隱蔽的相關性。

機器將發現越來越多的醫療健康方面的暗知識，這不僅將從根本上改變未來的醫療診斷，也將深刻影響未來的醫學教育和醫生培養。

3.智能金融

人工智能將給金融行業帶來徹底的顛覆。金融行業的重要分支例如銀行、保險、證劵、理財將無一幸免。就拿銀行業舉例。

首先，銀行面對消費者的大量業務和服務將被AI取代。例如貸款的審核方面，人工智能可以在貸前、貸中、貸后進行客戶跟蹤管理。

根據銀行的征信數據加上社交的數據行為特征，可以精準地描述個人行為和金融風險。一筆貸款的申請和審核可以在瞬間完成，并且比人工審核的壞賬率更低。

其次，AI將取代銀行內部的大量人工運營管理工作。大型銀行必須處理大量的數據以便生成財務報告，并滿足合規要求。

這些過程都越來越規范化、程式化，但仍需要大量人員進行添加任務，比如對賬和合并報表，他們的工作是機器人過程自動化(RPA)的理想選擇。

最后，在接下來的幾年中，人工智能將被用于改變財務中最核心的功能，例如公司間對賬和季報，以及進行財務分析、合規分析等更具有戰略性的職能。

人工智能提供了速度和準確性，例如，整個報告和披露過程可以和真實時間基本保持同步，不用再等到每個季度末期。

由人工智能支撐的財務團隊能夠比現在更快地發現問題并做出調整，從而提高準確性，而非每個季度的最后階段才做努力。

就工作方面而言，托馬斯·達文波特的《人機共生》中，給我們列舉了以下3個特征，如果你的工作符合以下特征，那么，你被機器取代的可能性非常大：

1.無需動腦，只需大量的重復勞動，讓人身心俱疲的工作；

2.無需天賦，通過訓練就能掌握的技能，枯燥乏味；

3.兩耳不聞天下事，一度認為只有人類才能完成，而機器無法勝任的任務，盲目自大。

現如今的人工智能從唐詩到寫小說都有所涉及，甚至能模仿梵高的畫風繪制出相同風格的畫。

從這兩張改造的畫來看，機器的模仿可以說是惟妙惟肖，其中色彩、筆觸、線條的模仿是人類無法企及的。這種模仿是典型的默知識，從這個例子可以看出機器對默知識的掌握比人類要精細得多。

這種“創作”在本質上是非常隱蔽的一種“混搭”，和作詩一樣，普通人很難分辨真偽。

判斷詩還可以用“意境”“畫面感”，而判斷畫，特別是抽象畫幾乎沒有人類可以依賴的直覺。作畫機器人和作詩機器人不同，這里的作畫機器人掌握的不只是默知識，而且進入了暗知識的領地。

所以由對抗生成網絡這種機器“混搭”并迭代出來的畫的確可以亂“真”。這樣的機器可以在短期內大量探索不同的風格，讓藝術家選擇或給藝術家以靈感。

看完舉例，是否有些心酸，為何機器如此強大，難道人類真的沒有贏得過AI的地方嗎。撇開情感，如果只討論智力和智能，人比機器強在哪里？

但實際上，人工智能更像一個偏科生，比如像一個理工科大學招了一個體育特長生，跑步游泳可以拿全國冠軍，但是考微積分不一定能及格。所以我給它的一個評價是什么？

它叫做智商偏科、情商為零，它完全不懂感情，所以情商為零。所以我們就可以看得出來，能不能取代我們人類？凡是需要情感的工作都很難被機器取代，包括保姆都很難被機器取代。

所以我們人類大可放心，機器擅長發現復雜相關性的那些領域，但是在很多其他領域，機器是很難取代的。

簡單地說，雖然基于神經網絡的人工智能在記憶和識別這兩個基礎智能方面超過了人，但在推理、想象等高級智能方面還和人相去甚遠。未來最佳的結合就是人類和機器合作，互相取長補短。

今后10、20年是一個非常有意思的時代，我們可能會進入一個新的世界，這個時代我把它叫機器認知時代，機器認知時代有三個特點：

第一個特點，到處都有傳感器，記錄著我們周圍很多的變量。

第二個特點，機器可以把大量的記錄下來的變量從里頭發現很復雜的相關性，然后用來為我們的生活、為我們的生產服務。

第三個特點，這些知識未來你可以想象有很多機器在不知疲倦地7×24小時工作，這些暗知識不斷地積累，這個暗知識的海洋不斷擴大，它會遠遠超過我們人類的知識。

這個神經網絡也好、人工智能也好，是我們人類的一個很強有力的工具，和我們歷史上發明的很多工具不一樣的是，它延伸了我們的大腦，但是它畢竟還是我們的工具。

不管怎么樣，未來的世界是一個非常未知的世界，歡迎大家來到這樣一個未來的世界，和我們一起探討這個新奇而又興奮的未來！