自行車、汽車和飛機(jī)，哪個(gè)容易學(xué)？

袁越

騎自行車、駕駛汽車和開飛機(jī)，哪個(gè)更容易？這個(gè)問題對(duì)于人類和機(jī)器人來說答案是很不相同的，弄明白這一點(diǎn)可以幫助我們?cè)诓槐亟栌酶鞣N計(jì)算機(jī)術(shù)語的情況下理解人工智能的本質(zhì)，以及這項(xiàng)技術(shù)的未來。

你到大街上隨便攔住一個(gè)路人，問他騎自行車、駕駛汽車和開飛機(jī)這三種技能哪種更容易學(xué)？得到的回答肯定是自行車最容易，開飛機(jī)最難。但是，當(dāng)牛津大學(xué)計(jì)算機(jī)系主任麥克·伍爾德里奇（Michael Wooldridge）教授在全球人工智能與機(jī)器人峰會(huì)（CCF-GAIR）上提出這個(gè)問題時(shí)，他給出的答案卻正好相反。

這個(gè)由中國計(jì)算機(jī)學(xué)會(huì)（CCF）主辦、雷鋒網(wǎng)全程承辦的峰會(huì)于今年8月12日在深圳召開，主題是探討人工智能、機(jī)器人、無人機(jī)和自動(dòng)駕駛這四大領(lǐng)域的產(chǎn)業(yè)化前景。作為圍棋軟件阿爾法圍棋（AlphaGo）背后的團(tuán)隊(duì)DeepMind成員之一，伍爾德里奇教授應(yīng)邀出席了首日的全體大會(huì)，并發(fā)表了題為《通往人工智能的諸條路徑》的演講。

伍爾德里奇教授指出，上述這四大領(lǐng)域的核心技術(shù)就是人工智能，具備人工智能的機(jī)器人最容易學(xué)的恰好就是開飛機(jī)這類看上去很難的事情。事實(shí)上，如今大部分民航飛機(jī)上都安裝了自動(dòng)駕駛系統(tǒng)，飛行員幾乎成了擺設(shè)。相比之下，真正意義上的汽車自動(dòng)駕駛則要困難得多，好在經(jīng)過人類多年的努力，目前已經(jīng)有很多家企業(yè)非常接近于解決這個(gè)難題了，有望在不遠(yuǎn)的將來向市場(chǎng)推出民用自動(dòng)駕駛汽車。而大家普遍認(rèn)為最容易學(xué)的騎自行車反而是機(jī)器人最大的軟肋之一，科學(xué)家們至今尚未制造出會(huì)騎自行車的機(jī)器人。

機(jī)器人不是很厲害嗎？為什么會(huì)和人類正好相反呢？答案就在于我們?nèi)祟愑幸恍C(jī)器人很難模仿的本領(lǐng)。

開飛機(jī)為什么比開車更容易？

先來對(duì)比一下開飛機(jī)和開汽車的區(qū)別。

當(dāng)然了，這里所說的開汽車絕不是把車開起來就完了，而是在真實(shí)道路上駕駛一輛普通汽車，準(zhǔn)確地完成啟動(dòng)、加速、勻速前行、轉(zhuǎn)彎、變道、躲避其他車輛和行人等動(dòng)作，快速而又安全地到達(dá)指定目的地，就像一名富有經(jīng)驗(yàn)的老司機(jī)經(jīng)常做的那樣。

所有這些動(dòng)作當(dāng)中，啟動(dòng)和加速都很容易做到，勻速前行也已經(jīng)成為絕大多數(shù)汽車的標(biāo)配，但轉(zhuǎn)彎就要困難很多，駕駛員必須能夠識(shí)別出道路的邊界和轉(zhuǎn)彎燈的信息，并判斷出對(duì)面是否有來車。變道就更難了，不但要事先感知鄰道有沒有車，還要知道對(duì)方的車速，計(jì)算出變道后是否影響對(duì)方的正常行駛。所有這些動(dòng)作都要求駕駛員必須能準(zhǔn)確地感知周邊環(huán)境，知道哪個(gè)是車，哪個(gè)是障礙物，還要準(zhǔn)確識(shí)別交通燈和其他車的車燈給出的信息。所有這些信息都是極為復(fù)雜而多變的，很難用一套計(jì)算機(jī)程序萬無一失地描述出來，更不用說所有的決定都必須在瞬間完成，根本沒有多少時(shí)間進(jìn)行復(fù)雜的計(jì)算。

2016年1月7日，深圳大疆創(chuàng)新科技公司發(fā)布的新款無人機(jī)在美國拉斯維加斯消費(fèi)電子展上亮相

如果再把行人的因素考慮進(jìn)來的話，難度又將增加好幾個(gè)數(shù)量級(jí)。一個(gè)合格的自動(dòng)駕駛機(jī)器人首先必須分辨出對(duì)面哪個(gè)物體是行人，這可不是一件容易的事情，因?yàn)槊總€(gè)人的身高體重都不一樣，穿的衣服也不同，很難用一組公式定義出來。其次，這個(gè)自動(dòng)駕駛機(jī)器人必須能夠準(zhǔn)確判斷出對(duì)方的意圖，這就更困難了。經(jīng)常在中國城市里開車的人都知道，如果每次看到前方有人就減速，那你就寸步難行了。一個(gè)有經(jīng)驗(yàn)的司機(jī)往往會(huì)根據(jù)對(duì)方的身體語言，比如手勢(shì)和眼神，判斷出對(duì)方是否看到了自己的車，到底是打算搶在你前頭加速橫穿馬路，還是停下來等你先過。

即使上述兩種情況都能輕松應(yīng)對(duì)，仍然不能稱之為全自動(dòng)駕駛機(jī)器人，因?yàn)檫@臺(tái)機(jī)器人還必須學(xué)會(huì)處理各種可能出現(xiàn)的緊急情況，比如前方出車禍后應(yīng)該如何應(yīng)對(duì)，后面有輛救護(hù)車的話應(yīng)該如何避讓，以及當(dāng)交通警察現(xiàn)場(chǎng)指揮交通時(shí)應(yīng)該如何處理，等等。所有這些緊急情況千差萬別，更是不可能用同一套電腦程序來涵蓋的。

相比之下，開飛機(jī)聽上去很復(fù)雜，但飛行員的所有動(dòng)作都是程序化的，什么樣的高度和風(fēng)速對(duì)應(yīng)什么樣的動(dòng)作完全可以用同一個(gè)計(jì)算機(jī)程序來描述。更重要的是，起碼絕大多數(shù)情況下，商用飛機(jī)是不用擔(dān)心周圍有飛機(jī)和自己搶道的，即使有的話，飛機(jī)之間的距離也足夠遠(yuǎn)，計(jì)算機(jī)有足夠的時(shí)間進(jìn)行計(jì)算，并做出相應(yīng)的規(guī)避動(dòng)作。

還有一個(gè)重要區(qū)別值得一提，那就是商用飛機(jī)上安裝的自動(dòng)駕駛系統(tǒng)可以不計(jì)成本，而且一定會(huì)有至少一名真人駕駛員充當(dāng)應(yīng)急保險(xiǎn)，但汽車自動(dòng)駕駛系統(tǒng)就沒有這個(gè)便利了。首先，這套系統(tǒng)肯定不能太貴，否則消費(fèi)者買不起;其次，如果始終需要真人駕駛員作為保險(xiǎn)的話，它的實(shí)用性也將大打折扣;第三，如果取消真人駕駛員的話，就必須保證每套系統(tǒng)至少要安全運(yùn)行數(shù)萬小時(shí)而不能出現(xiàn)任何一次差錯(cuò)。比如美國現(xiàn)在的事故率大約為每6萬小時(shí)一次事故，任何自動(dòng)駕駛系統(tǒng)的事故率都必須在此之下才有可能被公眾接受。任何人只要回想一下你的家用電腦的死機(jī)次數(shù)就不難理解這個(gè)標(biāo)準(zhǔn)有多難實(shí)現(xiàn)了，而要想滿足如此高的要求，軟件開發(fā)商必須經(jīng)過長時(shí)間路上測(cè)試才行，這意味著研發(fā)成本將是天文數(shù)字。事實(shí)上，如今新型商用飛機(jī)研發(fā)成本的一半來自軟件調(diào)試，汽車自動(dòng)駕駛軟件的研發(fā)費(fèi)用可想而知。

以上都是事實(shí)，那么問題來了：既然新一代電腦的運(yùn)算速度比人腦快很多，儲(chǔ)存量也比人腦大很多，為什么還是趕不上人腦，甚至連辨認(rèn)行人這么簡單的工作都完成得那么費(fèi)勁呢？答案就在于學(xué)習(xí)的時(shí)間不夠長。一名18歲的真人汽車駕駛員至少用了15年的時(shí)間去了解他周圍的世界，在此期間他幾乎每時(shí)每刻都在學(xué)習(xí)辨認(rèn)同類并理解他們的動(dòng)機(jī)，只有睡覺時(shí)除外。他每在大街上走一次，就會(huì)對(duì)城市街道的情況多一分熟悉，他每坐一次汽車，就會(huì)對(duì)馬路上的生態(tài)環(huán)境和行為準(zhǔn)則多一分了解。換句話說，真人駕駛員是經(jīng)過了多年堅(jiān)持不懈的學(xué)習(xí)才拿到駕照的，這些年來他的大腦所接收到的信息是一個(gè)天文數(shù)字，如今任何一臺(tái)計(jì)算機(jī)都不可能儲(chǔ)存這么多信息，更何況還要去分析它們了。

另一個(gè)類似的案例就是語言的學(xué)習(xí)。語言也是人工智能領(lǐng)域的研究熱點(diǎn)，大批企業(yè)投入大筆研究經(jīng)費(fèi)，試圖讓電腦學(xué)會(huì)像人類那樣講話，但迄今為止收效甚微，原因就在于人類從生下來開始每天都在接觸語言，任何一個(gè)普通人在語言方面所接受的訓(xùn)練都是現(xiàn)在的電腦無論如何無法企及的。曾經(jīng)有一位麻省理工學(xué)院（MIT）的教授試圖搞清人類嬰兒是如何學(xué)習(xí)語言的，他在自己家的所有房間里安裝了14個(gè)麥克風(fēng)和11個(gè)數(shù)碼攝像頭，每天錄12～14小時(shí)，基本上收集到了他的新生兒子3歲之前所接觸到的所有來自外界的聲光信息。他想通過分析這些信息來找出兒子學(xué)習(xí)語言的奧秘，但他很快就意識(shí)到這將是一件多么難以完成的任務(wù)，因?yàn)檫@些設(shè)備每天都會(huì)產(chǎn)生350G的信息，到底哪些信息才是真正有用的？光是回答這個(gè)問題所需要的計(jì)算能力就已經(jīng)超出目前電腦的能力范圍了。即使將來有臺(tái)功能強(qiáng)大的電腦能夠從這些數(shù)據(jù)中找出規(guī)律，它也只能達(dá)到3歲小孩的語言水平！由此可見，人工智能要想完美地模仿人類語言，還有很長的路要走。

但是，就是這樣一個(gè)連車都不會(huì)開的人工智能機(jī)器人，卻打敗了圍棋職業(yè)頂尖高手李世石，這又是怎么回事呢？

阿爾法圍棋為什么能贏李世石？

棋類一直被認(rèn)為是一種衡量智力的游戲，因此也被看成是衡量人工智能發(fā)展水平的標(biāo)志之一。事實(shí)上，當(dāng)人工智能這個(gè)概念于1956年被提出來之后不久，就有人嘗試讓計(jì)算機(jī)學(xué)下棋了。最早嘗試的是諸如跳棋和五子棋這類相對(duì)簡單的游戲，它們很快就被電腦攻克了，因?yàn)殡娔X只要把每一步之后的所有可能的下法全部計(jì)算一遍，從中找出最優(yōu)解就行了。

這個(gè)方法在國際象棋面前遇到了麻煩，因?yàn)橛?jì)算量太大了，遠(yuǎn)遠(yuǎn)超出了計(jì)算機(jī)的計(jì)算能力。不過這并沒有難倒IBM的科學(xué)家，他們發(fā)明了一種算法，可以對(duì)每一種后續(xù)著法進(jìn)行評(píng)估，去掉那些明顯找死的下法，這就大大減少了計(jì)算量。IBM用這套“偷懶”的算法制造出了“深藍(lán)”，一舉擊敗了國際象棋大師卡斯帕羅夫?？上У氖?，這套算法無法應(yīng)用到圍棋身上，因?yàn)閲宓挠?jì)算量又要比國際象棋大無數(shù)倍，再怎么“偷懶”都算不過來。

人類棋手當(dāng)然不是僅僅通過這種單純的計(jì)算來下圍棋的，一名高水平棋手不但要掌握一些基本的計(jì)算技能，還要通過大量實(shí)踐，培養(yǎng)一種被稱之為“棋感”的能力。這種能力聽上去似乎很神秘，但其實(shí)就是棋手經(jīng)過多年實(shí)戰(zhàn)而得到的經(jīng)驗(yàn)總結(jié)。問題在于，這樣的經(jīng)驗(yàn)很難寫成具體的、可執(zhí)行的計(jì)算機(jī)程序，所以電腦圍棋一直很難贏職業(yè)棋手。

但是，一名職業(yè)圍棋手一輩子用于下棋的時(shí)間是有限的，一盤棋的信息量更是比日常生活中接觸到的總信息量要少得多。換句話說，圍棋雖然聽上去很難掌握，但它所包含的信息量其實(shí)遠(yuǎn)不如真實(shí)生活中含有的信息量大，所以，起碼從理論上講，讓電腦學(xué)會(huì)下圍棋反而要比讓電腦學(xué)會(huì)開車更容易些。

有了理論的指導(dǎo)，實(shí)踐起來就容易了。具體來說，阿爾法圍棋的成功得益于一種名為“機(jī)器學(xué)習(xí)”的電腦技術(shù)。顧名思義，“機(jī)器學(xué)習(xí)”就是讓機(jī)器模仿人類的學(xué)習(xí)過程，自己找到解決問題的方法。這項(xiàng)技術(shù)的哲學(xué)基礎(chǔ)就是曾經(jīng)紅極一時(shí)的仿生學(xué)，致力于人工智能研究的科學(xué)家當(dāng)中有一派人相信，只有模仿人類的大腦才能達(dá)到目的，因此他們決定用電腦元件來模仿神經(jīng)元，建造一個(gè)能夠模擬大腦學(xué)習(xí)機(jī)制的神經(jīng)網(wǎng)絡(luò)。

問題在于，神經(jīng)生物學(xué)家對(duì)人類大腦的細(xì)微結(jié)構(gòu)所知有限，只知道神經(jīng)元是通過“突觸”（Synapse）彼此相連的，上游神經(jīng)元發(fā)出的電脈沖通過這個(gè)突觸被傳遞到下游神經(jīng)元，依次類推。如果某個(gè)突觸經(jīng)常被使用，那么這個(gè)突觸的聯(lián)通效率便會(huì)提高一點(diǎn)，僅此而已?？茖W(xué)家們并不清楚究竟需要怎樣的使用頻率才會(huì)提高聯(lián)通效率，也不知道聯(lián)通效率的提高究竟以怎樣一種方式讓人腦獲得了記憶或者形成了意識(shí)，人工智能專家們就是在這樣的條件下開始研究“機(jī)器學(xué)習(xí)”技術(shù)的。

事實(shí)證明，早期的計(jì)算機(jī)無論是運(yùn)算速度還是儲(chǔ)存能力都和人類的大腦相距甚遠(yuǎn)，就連最簡單的學(xué)習(xí)能力都不具備，這就是為什么人工智能研究從上世紀(jì)70年代開始進(jìn)入了低潮期，并一直持續(xù)了30多年，到后來計(jì)算機(jī)專家們就連人工智能這個(gè)詞都不愿提起了，嫌丟人。

2005年，來自加拿大多倫多大學(xué)、蒙特利爾大學(xué)和美國紐約大學(xué)的科學(xué)家聯(lián)合發(fā)明了“深度學(xué)習(xí)”（Deep Learning）技術(shù)，終于讓人工智能領(lǐng)域重新熱鬧了起來。所謂“深度學(xué)習(xí)”其實(shí)就是進(jìn)一步模仿神經(jīng)系統(tǒng)，增加信息傳遞的層級(jí)。這個(gè)做法很早就有人知道了，但技術(shù)條件不成熟，一直沒能付諸實(shí)踐。近年來計(jì)算機(jī)領(lǐng)域突飛猛進(jìn)，在三個(gè)領(lǐng)域取得了重大突破，終于使得“深度學(xué)習(xí)”成為可能。

第一個(gè)突破是計(jì)算能力和儲(chǔ)存能力的大幅提升，大名鼎鼎的摩爾定律就是明證。人工神經(jīng)網(wǎng)絡(luò)的層級(jí)越多，就越容易從原始數(shù)據(jù)中提煉出抽象的概念，這是機(jī)器學(xué)習(xí)的竅門所在。但是，層級(jí)越多，所需要的計(jì)算能力就越高，而且是幾何級(jí)數(shù)的增長，沒有超強(qiáng)計(jì)算機(jī)的輔佐，人工智能是不可能實(shí)現(xiàn)的。

第二個(gè)突破是算法的進(jìn)步。前文提到，神經(jīng)科學(xué)家并不知道究竟需要怎樣的使用頻率才會(huì)提高神經(jīng)元之間的聯(lián)通效率，翻譯成計(jì)算機(jī)術(shù)語的話就是應(yīng)該如何分配每一條信號(hào)通路的權(quán)重，才能提高學(xué)習(xí)的效率，否則的話計(jì)算量將陡增，機(jī)器學(xué)習(xí)便成了一句空話。上述三所大學(xué)的科學(xué)家運(yùn)用高深的數(shù)學(xué)知識(shí)，最終解決了這個(gè)系統(tǒng)優(yōu)化的問題，終于讓機(jī)器學(xué)習(xí)成為可能。

第三個(gè)突破就是大名鼎鼎的“大數(shù)據(jù)”。我們?nèi)祟愂菑娜粘Ｉ罱?jīng)驗(yàn)中學(xué)習(xí)知識(shí)的，這就意味著我們每個(gè)人每天都要接收到大量的信息，換算成計(jì)算機(jī)語言的話就是海量的原始數(shù)據(jù)。同樣，如果你想訓(xùn)練一臺(tái)計(jì)算機(jī)，讓它像人類那樣思考，就必須喂給它大數(shù)據(jù)，希望它能從中找出規(guī)律。大數(shù)據(jù)這個(gè)概念原本并不是為了“深度學(xué)習(xí)”而出現(xiàn)的，但卻正好滿足了“深度學(xué)習(xí)”的需要，填補(bǔ)了人工智能領(lǐng)域的一項(xiàng)空白。

這方面最典型的案例就是圖像識(shí)別，這是非常適合運(yùn)用“深度學(xué)習(xí)”技術(shù)的一個(gè)領(lǐng)域，但以前的計(jì)算機(jī)專家們手頭沒有那么多圖像資料，沒法訓(xùn)練電腦。自從社交網(wǎng)絡(luò)紅起來之后，網(wǎng)民們每天都會(huì)上傳海量的圖片到網(wǎng)上，專家們所要做的就是把這些圖片和網(wǎng)民們提供的注解一同喂給電腦，讓電腦從中找出規(guī)律，學(xué)會(huì)如何識(shí)圖。微軟亞洲研究院常務(wù)副院長芮勇在本次峰會(huì)上透露，目前全球最大的圖像數(shù)據(jù)庫ImageNet上已經(jīng)有120萬個(gè)訓(xùn)練樣本了，包括10萬個(gè)高質(zhì)量的測(cè)試圖像，涵蓋1000個(gè)類別。目前微軟的人工智能圖像識(shí)別系統(tǒng)已經(jīng)把錯(cuò)誤率降到了3.5%，人類也只能做到5.1%而已，也就是說電腦已經(jīng)比人還可靠了。這套系統(tǒng)甚至可以自動(dòng)識(shí)別出全球60%的名人，準(zhǔn)確度高達(dá)99%。

阿爾法圍棋就是運(yùn)用“深度學(xué)習(xí)”技術(shù)擊敗李世石的。伍爾德里奇教授所在的DeepMind團(tuán)隊(duì)最早利用“深度學(xué)習(xí)”技術(shù)訓(xùn)練電腦玩Atari視頻游戲，科學(xué)家們事先不告訴電腦Atari游戲的規(guī)則，而是每次游戲結(jié)束后把雙方的得分告訴電腦，然后讓電腦自己找出取勝之道。經(jīng)過一段時(shí)間的訓(xùn)練，電腦不但找到了取勝的最佳法門，而且還戰(zhàn)勝了人類高手，這就給DeepMind團(tuán)隊(duì)極大的信心去挑戰(zhàn)職業(yè)圍棋高手。

圍棋的訓(xùn)練當(dāng)然要比Atari難得多，但好在電腦圍棋程序已經(jīng)存在了很多年，存下了成千上萬盤棋譜。人類高手之間的棋譜也有很多被數(shù)字化了，這就給DeepMind團(tuán)隊(duì)提供了高質(zhì)量的大數(shù)據(jù)用于訓(xùn)練阿爾法圍棋。達(dá)到一定水平之后的阿爾法圍棋又可以自己跟自己下，在短時(shí)間內(nèi)迅速提高棋力，終于戰(zhàn)勝了人類頂尖高手李世石。

從這個(gè)案例可以看出，強(qiáng)大的計(jì)算能力、合理的優(yōu)化算法和高質(zhì)量的大數(shù)據(jù)就是目前基于神經(jīng)網(wǎng)絡(luò)的人工智能的三大基石，而這三大基石的核心就是最大限度地模仿人類的學(xué)習(xí)過程，縮短學(xué)習(xí)一項(xiàng)技能所需要的時(shí)間。一個(gè)人類圍棋高手至少需要經(jīng)過十幾年的專業(yè)訓(xùn)練才能成材，而有了這三大基石，一臺(tái)電腦只需很短的時(shí)間就可以達(dá)到一流高手的境界了。阿爾法圍棋在和李世石比賽前3個(gè)月還只是職業(yè)初段的水平，3個(gè)月后就已經(jīng)能打敗李世石了，可見這項(xiàng)技術(shù)的潛力之大已經(jīng)超出了一般人的想象。

但是，大數(shù)據(jù)不是那么容易獲得的。對(duì)于汽車自動(dòng)駕駛技術(shù)來說，電腦最大的短板就是缺乏高質(zhì)量的大數(shù)據(jù)。谷歌自動(dòng)駕駛汽車之所以每天都要在大街上跑，就是為了積累優(yōu)質(zhì)大數(shù)據(jù)，以此來訓(xùn)練電腦，提高自動(dòng)駕駛軟件的智能水平。

但是，這個(gè)辦法用在自行車上就不靈了。

機(jī)器人為什么學(xué)不會(huì)騎自行車？

不管你愿不愿意相信，自行車，這個(gè)普及程度最高的交通工具仍然是只屬于人類的座駕，機(jī)器人至今沒能掌握騎車這項(xiàng)技術(shù)。

這個(gè)世界上確實(shí)有不少人不會(huì)騎車，但如果他們真的愿意學(xué)，又沒有什么殘疾的話，最多學(xué)一天也就會(huì)了，而且一旦學(xué)會(huì)了就變成了本能，即使中間有好幾年不騎也忘不了。如此“簡單”的一項(xiàng)技能，機(jī)器人為什么就是學(xué)不會(huì)呢？

讓我們?cè)囍秒娔X的語言描述一下騎車這個(gè)動(dòng)作。自行車只有兩個(gè)支點(diǎn)，騎手是依靠身體的輕微搖擺來保持動(dòng)態(tài)平衡的，這就要求他每時(shí)每刻都必須監(jiān)測(cè)自身重心的位置，并立刻指揮身體相應(yīng)部位的肌肉，做出平衡的動(dòng)作，動(dòng)作太大太小都不行，必須恰到好處才能保持穩(wěn)定。騎車的時(shí)候兩腿交替使勁，身體重心左右搖擺的幅度更大，需要計(jì)算的數(shù)據(jù)量也就成倍增長。拐彎就更不用說了，車把和身體必須時(shí)刻保持同步，否則肯定摔跤。以如今機(jī)器人的技術(shù)水平，光是對(duì)自身重心位置的準(zhǔn)確判斷就是一個(gè)很難實(shí)現(xiàn)的功能，更不用說還要指揮身體完成各種微妙的平衡動(dòng)作了。

也許有人會(huì)說，機(jī)器人沒必要學(xué)騎自行車，所以沒人愿意投資研制會(huì)騎車的機(jī)器人。這個(gè)解釋確實(shí)是合理的，但我們可以把上述問題替換成一個(gè)等價(jià)的問題：機(jī)器人為什么連走路都學(xué)不會(huì)呢？

如今有好幾家公司都在研制走路機(jī)器人，一個(gè)原因是希望能開發(fā)出一種救援機(jī)器人，代替人類走進(jìn)災(zāi)難現(xiàn)場(chǎng)。另一個(gè)原因是想通過這類研究，找出人類走路的奧秘，并將原理應(yīng)用到為殘疾人制作假肢的技術(shù)上。研究人員很快發(fā)現(xiàn)，別看地球人都會(huì)走路，但讓機(jī)器人學(xué)會(huì)走路實(shí)在是太難了！

首先，走路的人必須要有一套智能的視覺系統(tǒng)，能夠迅速判斷路面情況，找到下腳的位置。這在平地上還好說，如果地面不平，甚至有坑或者障礙物的話，走路者就必須立即做出判斷，保證自己踩到結(jié)實(shí)的路面，這一點(diǎn)對(duì)于機(jī)器人來說可不是一件容易的事情。其次，走路是一個(gè)身體不斷向前摔倒而又迅速恢復(fù)平衡的動(dòng)態(tài)過程，走路者必須隨時(shí)調(diào)整自己的步幅，以及腳掌和腿部的受力，甚至還要輔以雙臂的搖擺才能平穩(wěn)而又快速地向前走，這一點(diǎn)對(duì)于機(jī)器人的運(yùn)動(dòng)系統(tǒng)設(shè)計(jì)者來說更是一個(gè)巨大的考驗(yàn)。第三，走路者所有的信息接收、信息處理和信號(hào)輸出過程都必須在瞬間完成，而且又不能占用太多的計(jì)算空間，這就更難做到了。想想看，人類完全可以一邊走路一邊想事情，因?yàn)槿酥恍枰眯∧X就可以指揮身體走路了，大腦完全可以留下來干更重要的事情。

一臺(tái)走路機(jī)器人只有同時(shí)滿足上述這三個(gè)條件，而且滿足的程度還必須非常高，才能像健康人那樣輕快而又敏捷地向前走。以目前的人工智能和機(jī)器人制造技術(shù)水平來看，以上三條中的任何一條都很難滿足，這就是為什么機(jī)器人至今沒有學(xué)會(huì)走路的原因。

同樣地，我們必須再追問一句：如今的電腦已經(jīng)變得如此強(qiáng)大，人造機(jī)械設(shè)備的各種功能更是把人類甩出了好幾條街，為什么如此簡單的走路居然就學(xué)不會(huì)呢？對(duì)于這個(gè)問題，只要我們仔細(xì)觀察一下自己的身體構(gòu)造就可以找到答案了。

找面鏡子放在面前，鏡子中的你簡直就是一架天底下最完美的走路機(jī)器，世界上最好的設(shè)計(jì)師都不可能設(shè)計(jì)得更好了。想想看，我們的足弓、腳趾、膝蓋和髖關(guān)節(jié)全都長得恰到好處，兩條腿的肌肉、骨骼和肌腱也全都是為了走路而生的，每個(gè)部位都配合得天衣無縫，而且這種配合幾乎是天生的，只需要經(jīng)過簡單的學(xué)習(xí)就可以完全掌握。

為什么會(huì)這樣呢？答案很簡單：這就是進(jìn)化的力量。我們?nèi)祟惡推渌麆?dòng)植物一樣，都是億萬年進(jìn)化的產(chǎn)物。生物進(jìn)化是一個(gè)通過不斷試錯(cuò)來改進(jìn)自身的完美機(jī)制，我們的身體正是經(jīng)過了這一漫長的過程才終于適應(yīng)了陸地生活方式，而走路正是陸上生活所需要的最重要的能力之一，對(duì)于“完美性”的要求是極高的。正因?yàn)樽呗肥侨绱酥匾镞M(jìn)化干脆把它固化在了我們的基因組當(dāng)中。剛出生的人類嬰兒雖然不會(huì)走路，但走路所需要的硬件條件一應(yīng)俱全，只要家長稍加幫助，再經(jīng)過一段時(shí)間的練習(xí)，任何健康嬰兒都很容易掌握這一功能。相比之下，機(jī)器人沒有經(jīng)過進(jìn)化這一步，無論如何也比不過我們。

另一個(gè)案例就是語言的學(xué)習(xí)。語言對(duì)于人類來說幾乎和走路一樣重要，因此學(xué)習(xí)語言的能力也被固化在了大腦之中。這個(gè)能力在嬰兒出生后的頭幾年里最強(qiáng)，之后逐年退化，這就是為什么小孩子學(xué)語言要比成年人快得多的原因?？茖W(xué)家們尚不清楚這個(gè)能力到底是怎么一回事，所以至今尚未在電腦中成功地模仿出這種能力。人工智能為什么連簡單會(huì)話都很難掌握，原因就在這里。

總之，機(jī)器人學(xué)不會(huì)開汽車是因?yàn)閷W(xué)習(xí)的時(shí)間不夠，學(xué)不會(huì)走路或者騎自行車則是因?yàn)闆]有經(jīng)過進(jìn)化的洗禮。這兩件事都是人類獨(dú)有的經(jīng)歷，我們就是依靠這個(gè)打敗機(jī)器人的。

必須指出，人類雖然造不出走路機(jī)器人，但卻造出了比跑步還快的運(yùn)輸機(jī)器，比如汽車。但汽車采用的是和走路完全不同的另一套方法，沒有了進(jìn)化的幫忙，機(jī)器立刻就把人打敗了。僅憑這一點(diǎn)就可以說明大自然進(jìn)化出來的人腦具備了創(chuàng)造新事物的能力，“人定勝天”這個(gè)口號(hào)是有一定道理的。

另一個(gè)類似的案例就是飛機(jī)，最早造出飛機(jī)的人并沒有模仿鳥兒，而是設(shè)計(jì)了一種全新的升空模式。今天的飛機(jī)無論是飛行速度還是高度都遠(yuǎn)超世界上最好的鳥，人類的智慧在這一點(diǎn)上再次打敗了大自然。

從這個(gè)角度也可以解釋為什么開飛機(jī)對(duì)于人工智能來說要容易得多，因?yàn)轱w機(jī)是一種全新的交通工具，人類在陸地上進(jìn)化出來的各種生活經(jīng)驗(yàn)在飛機(jī)上全不適用，于是機(jī)器人便很容易地打敗了人類。相比之下，無論是自行車還是汽車都是在陸地上工作的，這是人類最熟悉的場(chǎng)景，無論是生活和學(xué)習(xí)的時(shí)間還是漫長的生物進(jìn)化都賦予了人類應(yīng)付這類場(chǎng)景的強(qiáng)大能力，目前的人工智能在這方面還遠(yuǎn)不是人類的對(duì)手。

但是，將來的人工智能會(huì)不會(huì)趕上甚至超過人類呢？

機(jī)器人最終會(huì)打敗人類嗎？

機(jī)器人本質(zhì)上就是一種工具。人類自從石器時(shí)代開始就一直在和工具打交道，哲學(xué)家們也從未停止過關(guān)于人機(jī)關(guān)系的思考。最早把這種思考擴(kuò)大到全社會(huì)范圍的是18世紀(jì)末期的英國，工業(yè)革命在那段時(shí)間首先在英國出現(xiàn)，導(dǎo)致一批人失去了工作。但這種討論很快就失去了市場(chǎng)，因?yàn)槟切┍粰C(jī)器搶走飯碗的工人不但很快就找到了新的工作，而且他們發(fā)現(xiàn)新的工作工資更高，自己的生活水平也隨著機(jī)器的普及而不斷提高，這還抱怨什么呢？

人工智能的出現(xiàn)再次引發(fā)了新一輪關(guān)于人機(jī)關(guān)系的大討論，不少學(xué)者認(rèn)為人工智能的普及將導(dǎo)致大規(guī)模失業(yè)，引發(fā)社會(huì)動(dòng)蕩。更重要的是，人工智能取代的不再是藍(lán)領(lǐng)工作，很多過去被普遍認(rèn)為是“高檔”的工種將首次面臨來自機(jī)器人的競(jìng)爭，比如醫(yī)生。伍爾德里奇教授在本次峰會(huì)上做出預(yù)測(cè)，認(rèn)為人工智能的下一個(gè)突破領(lǐng)域就是醫(yī)療，因?yàn)楦鞣N穿戴設(shè)備積累了大量數(shù)據(jù)，將有助于訓(xùn)練機(jī)器人醫(yī)生，大幅度提高它們的診斷水平。

如果未來真的有大批人因?yàn)槿斯ぶ悄艿钠占岸I(yè)，肯定不是件好事。但今年6月底出版的《經(jīng)濟(jì)學(xué)人》（The Economist）雜志通過一系列分析數(shù)據(jù)指出，這種替代在短期內(nèi)不會(huì)是大規(guī)模的，而且隨著人工智能的普及，會(huì)有很多全新的工種被創(chuàng)造出來，普通人的生活水平也會(huì)得到顯著提高。只要未來的人類進(jìn)一步提高自己的能力，學(xué)會(huì)和機(jī)器人相處，就完全不必?fù)?dān)心。

《經(jīng)濟(jì)學(xué)人》還預(yù)測(cè)，人工智能領(lǐng)域最有可能出現(xiàn)的大規(guī)模商業(yè)應(yīng)用將會(huì)首先出現(xiàn)在自動(dòng)駕駛方面，這項(xiàng)技術(shù)有可能徹底改寫人類的出行模式，解決目前大城市交通擁擠的狀況。曾經(jīng)有人做過統(tǒng)計(jì)，目前全球每年有140萬人死于交通事故，其中94%的交通事故是人為因素導(dǎo)致的，自動(dòng)駕駛技術(shù)將減少90%的碰撞事故，僅此一項(xiàng)每天就能挽救500個(gè)中國人的生命。另外，目前30%的城市交通流量是找車位造成的，如果未來的出租車和私人小汽車全部由無人駕駛汽車代替的話，大城市的道路通行效率將至少提高一倍，個(gè)人出行成本將減少三分之二，未來的城市人將不再擁有私人小汽車，而是全部由統(tǒng)一調(diào)配的無人駕駛汽車代替。

這個(gè)變化的潛力實(shí)在是太大了，全球多家著名企業(yè)紛紛宣布進(jìn)軍無人駕駛汽車市場(chǎng)，試圖分一杯羹。僅在美國的加利福尼亞州就已經(jīng)有包括大眾、奔馳、福特、特斯拉、日產(chǎn)和谷歌等15家公司拿到了無人駕駛測(cè)試牌照，百度也是其中之一。這家中國互聯(lián)網(wǎng)企業(yè)剛剛和福特聯(lián)手，向硅谷無人駕駛技術(shù)公司Velodyne投資1.5億美元，后者開發(fā)的激光傳感器被認(rèn)為是無人駕駛汽車的核心部件，有望成為該領(lǐng)域的行業(yè)標(biāo)準(zhǔn)。

與此同時(shí)，另一批反對(duì)人工智能的學(xué)者們引起了更多媒體的關(guān)注。以史蒂芬·霍金和伊隆·馬斯克為代表的這批人反對(duì)人工智能的理由是擔(dān)心這項(xiàng)技術(shù)將會(huì)失控，人類會(huì)被擁有超高智能的機(jī)器人滅絕，就像好萊塢電影里經(jīng)常描寫的那樣。

但是，持有這類想法的專家其實(shí)只占少數(shù)，只是因?yàn)槊襟w記者們喜歡這樣的觀點(diǎn)，于是它們便被放大了。絕大多數(shù)人工智能領(lǐng)域的研究者都不認(rèn)為所謂“奇點(diǎn)”會(huì)在不遠(yuǎn)的將來出現(xiàn)，比如伍爾德里奇教授就認(rèn)為，目前的人工智能還遠(yuǎn)遠(yuǎn)達(dá)不到能夠徹底取代人類的程度，原因就在于“強(qiáng)人工智能”并沒有出現(xiàn)，而且至今尚無任何跡象表明這種類型的智能會(huì)在可預(yù)見的將來問世。

在他看來，人工智能可以分成強(qiáng)和弱兩大類，兩者的區(qū)別就在于是否具備通用性。目前的基于神經(jīng)網(wǎng)絡(luò)的人工智能都是弱人工智能，因?yàn)樗羞@些具備“深度學(xué)習(xí)”能力的機(jī)器人都只能學(xué)一種東西，換個(gè)科目就完全無用了。換句話說，阿爾法圍棋無論如何是學(xué)不會(huì)開汽車的，這一點(diǎn)在阿爾法圍棋被制造出來時(shí)就已經(jīng)決定了，無法改變。相比之下，人腦是一臺(tái)通用學(xué)習(xí)機(jī)，可以學(xué)習(xí)任何東西，這是強(qiáng)人工智能的關(guān)鍵標(biāo)志。問題在于，目前的神經(jīng)生物學(xué)家根本不知道人腦到底是如何完成這一點(diǎn)的，因?yàn)槲覀兩胁恢馈爸悄堋边@件事的本質(zhì)到底是什么，沒人知道當(dāng)我們?cè)趯W(xué)習(xí)、聯(lián)想、感知、感動(dòng)、高興、思念……的時(shí)候，我們的大腦里面究竟發(fā)生了什么。

人工智能不但可以按照學(xué)習(xí)能力的不同分成強(qiáng)、弱兩大類，還可以按照路徑方式的不同分成神經(jīng)網(wǎng)絡(luò)型和符號(hào)主義型這兩大類。前文討論的都是前者，即具備深度學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)，而后者則試圖運(yùn)用人類都懂的符號(hào)（比如語言），把人腦的思考和推理過程表達(dá)出來。這類人工智能更接近人腦的思維方式，因此曾經(jīng)被更多的計(jì)算機(jī)專家所青睞。但目前這一領(lǐng)域進(jìn)展極為緩慢，就連最簡單的邏輯推理都很難用計(jì)算機(jī)語言描繪出來，更不用說教會(huì)計(jì)算機(jī)用推理邏輯去思考問題了。

事實(shí)上，電腦的這一缺陷極大地影響了人工智能技術(shù)的普及。比如，阿爾法圍棋雖然戰(zhàn)勝了李世石，但卻無法向人類解釋走出任何一步棋的原因，所以我們很難相信阿爾法圍棋真的“會(huì)”下圍棋了。同理，如果未來有一天人工智能被用于幫助專家們制定政策或者做出決定的話，那么它必須具備“解釋”的能力，否則很難說服民眾相信人工智能做出的決策。所以伍爾德里奇教授認(rèn)為未來的人工智能必定是把神經(jīng)網(wǎng)絡(luò)和符號(hào)主義結(jié)合起來的一種新型人工智能，否則的話這項(xiàng)技術(shù)將很難普及開來。

至于說自我意識(shí)，這又是人工智能的一道越不過去的坎。我們都知道人腦是一臺(tái)具有自我意識(shí)的計(jì)算機(jī)，但“自我意識(shí)”的本質(zhì)仍然是一個(gè)迷，沒人知道“自我意識(shí)”到底是什么東西，對(duì)應(yīng)著怎樣一種神經(jīng)元結(jié)構(gòu)。究其根源，自我意識(shí)是多年進(jìn)化的產(chǎn)物。大腦是受基因控制的一種人體器官，它的終極目的就是盡可能地幫助主人（基因）復(fù)制自己，自我意識(shí)就是在這樣的情況下被進(jìn)化出來的。人工智能沒有這樣的條件，也沒有這樣的動(dòng)力，因此也就沒有理由進(jìn)化出自我意識(shí)。

“人造的自我意識(shí)也許在未來的某一天會(huì)出現(xiàn)，但肯定不會(huì)是一夜之間就能有的，之前肯定會(huì)顯現(xiàn)出各種跡象，警告我們自我意識(shí)即將出現(xiàn)，到那時(shí)大家再來討論這個(gè)問題也不遲?！蔽闋柕吕锲娼淌诳偨Y(jié)道，“我相信人工智能的出現(xiàn)對(duì)于人類來說是一件好事，人工智能技術(shù)的進(jìn)步將使人類變得更健康，更有能力去從事更高效的活動(dòng)，政府和商業(yè)機(jī)構(gòu)也將變得更加高效?？傊?，我們不必杞人憂天，因?yàn)槿斯ぶ悄懿皇菫榱舜驍∪祟惗O(shè)計(jì)出來的，主動(dòng)權(quán)依然掌握在人類手中?！?