作為機器學習領(lǐng)域的泰斗級學者，加州大學伯克利分校教授 Michael I. Jordan（他的學生包括邢波、吳恩達等人）一直對于當前人工智能的發(fā)展持謹慎態(tài)度。昨天，他發(fā)表的前瞻性文章再次引起了人們的熱議。在文中，Jordan 指出了 AI 作為一門新興學科所面臨的挑戰(zhàn)，同時也呼吁人們要以務(wù)實的態(tài)度對待近期的技術(shù)發(fā)展。

人工智能（AI）是這個時代的「咒語」。這個詞組被大量技術(shù)人員、學者、記者和風險投資家等掛在嘴邊。和很多從技術(shù)領(lǐng)域、學界擴散到公眾認知的詞組一樣，對「人工智能」這一詞組的使用也伴隨著大量誤解。但是這不是大眾不理解科學家的典型案例，因為科學家也和大眾一樣糊涂?！肝覀兊臅r代正在親歷堪比人類的硅谷智能的崛起，這太令人振奮了?！苟沁@個觀點吸引我們，也讓我們害怕。并且，不幸的是，它分散了我們的注意力。

每個人在談?wù)摤F(xiàn)在這個時代時都會有不同的敘事方式。想想這個故事，涉及人類、計算機、數(shù)據(jù)和生死攸關(guān)的決策，但是聚焦點不是硅谷智能神話。我妻子 14 年前懷孕時，我們做了一次超聲波檢查。房間里有遺傳學家，她指著胚胎心臟周圍的白點，「它們是唐氏綜合征的標志，這個胎兒的風險現(xiàn)在上升到了 1/20?！谷缓笏嬖V我們應該通過羊膜穿刺術(shù)檢查胚胎是否有唐氏綜合征引起的基因變化。但是羊膜穿刺術(shù)風險較大，手術(shù)過程中胚胎死亡的概率大約是 1/300。作為一名統(tǒng)計學家，我決定找出這些數(shù)字的來源。簡單來說，我發(fā)現(xiàn)十年前在英國有一次統(tǒng)計分析，這些白點（反映出鈣沉積）確實是唐氏綜合征的標志。但是我還注意到我們測試時所使用的成像機器每平方英寸的像素比英國研究中使用機器多出數(shù)百個像素。我告訴遺傳學家我認為這些白點有可能是「假正類」，也就是「白色噪聲」。她說：「啊，這就解釋了為什么幾年前唐氏綜合征診斷率開始上升，我們從那時候開始使用新機器?！?/p>

我們沒有做羊膜穿刺術(shù)，幾個月后一個健康的女嬰降臨人世。但是這個小插曲讓我感到困擾，尤其是粗略計算后我意識到同一天全世界有數(shù)千人得到了唐氏綜合征的診斷結(jié)果，很多人可能做了羊膜穿刺術(shù)，一些胎兒可能因此死亡。這樣的事每天都在發(fā)生，直到問題被修復。關(guān)鍵是這個小插曲揭示的并不是我個人的醫(yī)療狀況，而是利用不同地方和時間的變量和結(jié)果作為度量標準的醫(yī)療系統(tǒng)在其他地方和時間實施統(tǒng)計分析，并應用其結(jié)果。問題不只是數(shù)據(jù)分析，而是數(shù)據(jù)庫研究者稱作「provenance」（數(shù)據(jù)溯源）的東西，寬泛來講，即數(shù)據(jù)來源、從數(shù)據(jù)中得到了怎樣的推斷，以及這些推斷與現(xiàn)在的狀況有多大關(guān)聯(lián)。盡管訓練有素的人可以基于個案分析解決這些問題，但是關(guān)鍵在于設(shè)計全球范圍醫(yī)療系統(tǒng)的人能夠在沒有詳細人類洞察的前提下做到這些。

我同時也是一名計算機科學家，這件事讓我想到了在我的教育經(jīng)歷中沒有構(gòu)建此類全球范圍的推斷和決策系統(tǒng)所需要的原則——綜合計算機科學和統(tǒng)計學，以及人類實用。我還想到此類原則的開發(fā)，不僅需要醫(yī)療領(lǐng)域的努力，還需要商業(yè)、運輸業(yè)和教育行業(yè)的共同努力，其重要性至少與構(gòu)建具備打游戲或具備運動技巧的酷炫 AI 系統(tǒng)持平。

不管我們近期是否能夠理解「智能」（intelligence），我們都面臨一個重要挑戰(zhàn)，即把計算機和人類結(jié)合起來，來提升人類生活質(zhì)量。盡管很多人認為這項挑戰(zhàn)與創(chuàng)造「人工智能」相比不值一提，但是從更平淡的角度來看（并不持有過分敬畏），這也是創(chuàng)建工程的新分支。就像幾十年前的土木工程和化學工程一樣，這一新領(lǐng)域旨在控制幾個關(guān)鍵想法的力量，安全地為人類帶來新資源和新能力。土木工程和化學工程基于物理和化學，而這一新的工程領(lǐng)域?qū)⒒谏蟼€世界賦予全新內(nèi)容的理念，如「信息」、「算法」、「數(shù)據(jù)」、「不確定性」（uncertainty）、「計算」、「推斷」以及「優(yōu)化」。此外，由于這一新領(lǐng)域的主要關(guān)注點在于數(shù)據(jù)來源和人類，因此其發(fā)展需要來自社會學和人類學的觀點。

盡管其構(gòu)造塊已經(jīng)開始出現(xiàn)，但將這些構(gòu)造塊組合起來的原則尚未出現(xiàn)，因此這些構(gòu)造塊現(xiàn)在只是臨時堆砌在一起。

因此，就像在土木工程出現(xiàn)以前人類就可以建造房屋和橋梁一樣，現(xiàn)在人類也在努力構(gòu)建涉及機器、人類和環(huán)境的社會范圍推斷和決策系統(tǒng)。就像早期的建筑和橋梁有時會以無法預料的方式倒下，并且造成悲慘的結(jié)果，我們的一些早期社會范圍推斷和決策系統(tǒng)也已經(jīng)出現(xiàn)嚴重的概念缺陷。

不幸的是，我們很難預測下一個出現(xiàn)的嚴重缺陷是什么。我們所丟失的是一個具備分析和設(shè)計原則的工程領(lǐng)域。

目前大眾在提到這些問題時過分使用「AI」作為智力標配，這使得理性談?wù)撊斯ぶ悄芗夹g(shù)的范圍和結(jié)果變得困難。讓我們更仔細地考慮「AI」過去、最近和歷史上指什么。

今天大部分被稱為「AI」的事物（尤其是在公共空間中）在過去幾十年叫做「機器學習」（ML）。ML 是結(jié)合統(tǒng)計學、計算機科學和其他學習的知識，設(shè)計能夠處理數(shù)據(jù)、進行預測和幫助決策的算法的算法領(lǐng)域。從對現(xiàn)實世界的影響來看，機器學習是真材實料，而不只是最近。確實，1990s，我們可以清楚地看到機器學習會發(fā)展成為具備大量的產(chǎn)業(yè)關(guān)聯(lián)性，在世紀轉(zhuǎn)換之際，具備前瞻性的公司（如亞馬遜）已經(jīng)在業(yè)務(wù)中使用機器學習，解決詐騙檢測和物流鏈預測中重要的后端問題，構(gòu)建創(chuàng)新性的消費者服務(wù)，如推薦系統(tǒng)。之后二十年隨著數(shù)據(jù)集和計算資源的快速發(fā)展，很明顯機器學習將很快掌控亞馬遜，本質(zhì)上是所有公司，決策與大數(shù)據(jù)聯(lián)系緊密。新業(yè)務(wù)模型將出現(xiàn)?！笖?shù)據(jù)科學」開始用于指代這種現(xiàn)象，這反映出機器學習算法專家需要與數(shù)據(jù)庫和分布式系統(tǒng)專家合作來構(gòu)建可擴展、魯棒性機器學習系統(tǒng)，同時也反映出這些系統(tǒng)的更大社會和環(huán)境影響范圍。

過去幾年，這些觀點和技術(shù)趨勢被重新命名為「AI」。這值得審慎思考。

從歷史角度來看，「AI」一詞出現(xiàn)在 1950s 末，是對軟硬件中具備人類智能水平實體的輕率稱呼。我們將使用「human-imitative AI」來指代它，強調(diào)人工制作的智能實體應該看起來是在模仿人類，不是在物理層面，也是在心理層面。這主要是在學術(shù)界。而相關(guān)的學術(shù)領(lǐng)域，如運籌學、統(tǒng)計學、模式識別、信息論和控制論已經(jīng)存在，并經(jīng)常受啟發(fā)于人類智能）和動物智能），我們可以認為這些領(lǐng)域聚焦于「低水平」的信號和決策。比如，小松鼠感知森林的三維結(jié)構(gòu)并在樹枝間跳躍的能力給這些領(lǐng)域帶來啟發(fā)。這些現(xiàn)在被稱為「AI」的發(fā)展主要出現(xiàn)在與低水平模式識別和運動控制相關(guān)的工程領(lǐng)域，和尋找數(shù)據(jù)中的模式、進行理性預測、驗證假設(shè)和決策的統(tǒng)計學領(lǐng)域。

1980s David Rumelhart 重新發(fā)現(xiàn)的「反向傳播」算法現(xiàn)在被視為所謂的「AI 革命」核心，而它首次出現(xiàn)在 1950s 和 1960s 的控制論領(lǐng)域。其早期應用之一就是優(yōu)化阿波羅飛船登月任務(wù)的推力。

雖然 20 世紀 60 年代出現(xiàn)了很大的研究進展，但可以認為這些成果都不是來自 human-imitative AI 的路線。更準確地說，正如在阿波羅飛船的案例中，這些思想通常隱藏在幕后，而研究者都聚焦于特定的工程挑戰(zhàn)上。雖然這對于公眾來說不可見，但在文檔檢索、文本分類、欺詐檢測、推薦系統(tǒng)、個性化搜索、社交網(wǎng)絡(luò)分析、規(guī)劃、診斷學和 A/B 測試等領(lǐng)域的研究和系統(tǒng)構(gòu)建取得了主要的成就，這些正是谷歌、Netflix、Facebook 和亞馬遜的優(yōu)勢領(lǐng)域。

人們可能會簡單地把這些領(lǐng)域歸類為「AI」，而事實確實如此。這樣的標簽可能使優(yōu)化學或統(tǒng)計學研究者感到驚訝，他們一覺醒來突然就變成了「AI」研究者。但除此之外，更重要的問題是，對這個含混不清的術(shù)語的運用妨礙了對當前智能化和商業(yè)化問題的清晰理解。

過去的二十年，AI 領(lǐng)域在業(yè)界和學界取得了很大成就，作為對 human-imitative AI 的補充，它們通常被稱為「智能增強」（IA）。這里計算力和數(shù)據(jù)被用于創(chuàng)造增強人類智能和創(chuàng)造力的服務(wù)。搜索引擎可以看成是 IA 的一個例子（它增強了人類的記憶和現(xiàn)實知識），自然語言翻譯也是（它增強了人類的交流能力）?；谟嬎愕穆曇?、圖像生成可作為藝術(shù)家的調(diào)色板和創(chuàng)造力增強器。雖然這類服務(wù)可以很自然地涉及高級推理和思考，但目前并沒有。它們大部分情況下執(zhí)行多種字符串匹配和數(shù)值運算，以捕捉人類可利用的模式。

希望讀者可以容忍這個縮略詞的怪異性，我們來討論對「智能基礎(chǔ)建設(shè)」（II，Intelligent Infrastructure）這個學科的構(gòu)想，其中計算網(wǎng)絡(luò)、數(shù)據(jù)和物理實體的出現(xiàn)使得人類環(huán)境更加有支持性、更有趣和安全。這種基礎(chǔ)建設(shè)正在諸如運輸、醫(yī)藥、貿(mào)易和金融等領(lǐng)域出現(xiàn)，給個人和社會帶來了深刻的影響。這些現(xiàn)象有時候會引發(fā)對「物聯(lián)網(wǎng)」的討論，但這通常僅聚焦于讓「事物」接入互聯(lián)網(wǎng)，而不是面對更加廣泛的挑戰(zhàn)，即讓這些「事物」分析數(shù)據(jù)流來發(fā)現(xiàn)關(guān)于世界的事實，并在更高的抽象級別上和人類以及其它「事物」交互。

例如，回到我的個人經(jīng)歷，我們可能想象過居住在這樣一個「社會范圍醫(yī)療系統(tǒng)」，設(shè)置醫(yī)生和人類體內(nèi)外設(shè)備之間的數(shù)據(jù)流、數(shù)據(jù)分析流，從而幫助人類智能制定診斷決策、提供醫(yī)療服務(wù)。該系統(tǒng)可以整合人體細胞、DNA、血液檢查、換獎、人口遺傳學，以及藥物和治療的廣泛科學文獻的信息。它不只關(guān)注單個病人和醫(yī)生，還關(guān)注所有人之間的關(guān)系，就像當前的醫(yī)療測試允許在一組人（或動物）身上進行實驗，然后用于其他人的醫(yī)療上。這可以幫助維護關(guān)聯(lián)性、數(shù)據(jù)溯源和可靠性，方式和當前銀行系統(tǒng)聚焦于金融、支付領(lǐng)域的此類挑戰(zhàn)一樣。盡管我們可以預見到此類系統(tǒng)會出現(xiàn)很多問題，包括隱私問題、責任問題、安全問題等，但這些問題應該被視為挑戰(zhàn)，而不是阻礙。

我們現(xiàn)在遇到了一個關(guān)鍵問題：我們正在研究的、經(jīng)典的 human-imitative AI 是否是應對這些挑戰(zhàn)的唯一最佳方法？事實上，近期的機器學習成功案例確實是 human-imitative AI 的成功，如計算機視覺、語音識別、游戲人工智能和機器人等。或許我們應該等待這些領(lǐng)域的進一步發(fā)展再做定論。這里有兩點需要說明，盡管人們無法通過閱讀新聞得知，但 human-imitative AI 的成功事實上是有局限性的——我們距離實現(xiàn) human-imitative AI 的愿望還很遙遠。不幸的是，在 human-imitative AI 發(fā)展中技術(shù)帶來的興奮（和恐懼）導致了行業(yè)的過度繁榮和媒體的追捧，這在其他工程領(lǐng)域是從未見到的。

其次，更重要的是，這些領(lǐng)域的成功既不足以解決重要的 IA 和 II 問題，也不是必需的。在充分性方面，有自動駕駛汽車。為實現(xiàn)這樣的技術(shù)，我們需要解決一系列工程問題，而這些問題可能與人力資源（或人力資源缺乏）關(guān)系不大。未來的整個交通系統(tǒng)（一個 II 系統(tǒng)）可能會更像目前的空中交通管制系統(tǒng)，而不是目前數(shù)據(jù)收集階段遇到的松散耦合的、前向的、包含缺乏注意力的人類駕駛員的系統(tǒng)。它將比當前的空中管制系統(tǒng)復雜得多，特別是在使用大量數(shù)據(jù)和自適應統(tǒng)計建模來進行精細決策時。在這種情況下，上述這些挑戰(zhàn)才需要被擺在首位，而專注于模擬人類的人工智能可能會讓我們分心。

至于必要性的論點，有時我們認為 human-imitative AI 包含了 IA 和 II，因為 human-imitative AI 系統(tǒng)不僅能夠解決經(jīng)典的 AI 問題（如圖靈測試），同時也是解決 IA 和 II 問題最有可能的方式。這種論點并無歷史先驗。設(shè)想一下：人造木匠和泥瓦匠會發(fā)展出土木工程嗎？研究化學工程是否需要創(chuàng)造一個人造化學家？還有更具挑戰(zhàn)性的：如果問我們的目標是建立一個化學工廠，我們是否需要先創(chuàng)造一個人造化學家，然后讓它研究出如何建造一座化學工廠？

一個相關(guān)的論點是：人類智能是我們所知的唯一一種智能，我們應該把它作為第一步來模仿它。但人類其實并不擅長某些推理——我們有失誤、偏見和局限。而且關(guān)鍵的是，我們并沒有演化出現(xiàn)代 II 系統(tǒng)必須面對的處理大規(guī)模決策的能力，也無法處理 II 語境中的那些不確定性。人們可能會爭辯 AI 系統(tǒng)可以突破人類智能的限制，同時「糾正」其缺點，也可以擴展到任意更大的問題上。但這種思考現(xiàn)在還屬于科幻小說的范疇——這種推測性的論點雖然在文學創(chuàng)作中很吸引人，但它不應成為我們在面臨開始出現(xiàn)的重要 IA 和 II 問題時所參考的主要策略。我們需要根據(jù)自己的優(yōu)勢來解決 IA 和 II 問題，而不是僅僅將其當做是human-imitative AI 方法的必然結(jié)果。

不難指出 II 系統(tǒng)中的算法和基礎(chǔ)建設(shè)上的挑戰(zhàn)并不是 human-imitativeAI 研究的中心主題。II 系統(tǒng)需要管理快速變化和全局不連貫的分布式知識庫的能力。這樣的系統(tǒng)必須能夠應對云端交互以執(zhí)行及時、分布式的決策，并且它們必須應對長尾效應（即大多數(shù)數(shù)據(jù)掌握在少數(shù)人手中）。他們必須解決跨越管理和競爭邊界的共享數(shù)據(jù)的困難。最后并且特別重要的是，II 系統(tǒng)必須將經(jīng)濟學思想例如激勵和價格等引入統(tǒng)計和計算基礎(chǔ)建設(shè)，從而讓人類互相連接并為好的事物賦值。這樣系統(tǒng) II 不僅僅是提供一項服務(wù)，而是在創(chuàng)造市場，其中數(shù)據(jù)分析將生產(chǎn)者和消費者連接起來。并且這必須在演化中的社會的、道德的、合法的規(guī)范的環(huán)境下實現(xiàn)。

當然，經(jīng)典的 human-imitativeAI 問題仍然是很有趣的。然而，當前的通過搜集數(shù)據(jù)、部署「深度學習」基礎(chǔ)建設(shè)和展示可以模仿狹隘定義的人類技能的系統(tǒng)來做 AI 研究（很少關(guān)注解釋性理論的探索），傾向于從經(jīng)典的 AI 問題中轉(zhuǎn)移注意力。這些問題包括將意義和推理過程引入系統(tǒng)中以執(zhí)行自然語言處理的需要，推理和表征因果性的需要，開發(fā)計算可追蹤的不確定性表征的需要，以及開發(fā)規(guī)劃和追趕長期目標的系統(tǒng)的需要。這些是 human-imitativeAI 的經(jīng)典目標，但在當前的「AI 革命」的喧鬧聲中，人們很容易忘記這些問題尚未被解決。

IA 也仍將停留在很基礎(chǔ)的層面，因為對于可見的將來，計算機將無法匹配人類的能力來抽象地對現(xiàn)實世界場景進行推理。我們將需要人類和機器的計劃周密的交互來解決最迫切的問題。并且我們將需要計算機來觸發(fā)人類新級別的創(chuàng)造力，而不是取代人類的創(chuàng)造力（無論它是什么含義）。

「AI」這個詞正是由 John McCarthy（曾任達特茅斯大學教授，之后在 MIT 工作），這很明顯是為了和 Noebert Wiener 的嶄露頭角的研究議程區(qū)分開來（MIT 教授，比前者更早）。Wiener 曾經(jīng)用「控制論」來劃分他的智能系統(tǒng)范疇，該范疇更相關(guān)于運籌論、統(tǒng)計學、模式識別、信息論和控制論。另一方面，McCarthy 則強調(diào)了對邏輯學的應用。有趣的反轉(zhuǎn)是，Wiener 智能研究議程成為了當今 AI 研究的主導，并運用著 McCarthy 的術(shù)語（這一事態(tài)是毫無疑問的，然而僅僅是暫時的；相比其他領(lǐng)域，AI 的主流搖擺得更快）。

但我們需要超越 McCarthy 和 Wiener 的特定歷史視角。

我們需要意識到當前的 AI 的公共話題（聚焦于業(yè)界和學界的狹隘子領(lǐng)域）有一個風險，即對 AI、IA 和 II 系統(tǒng)的完整圖景呈現(xiàn)的挑戰(zhàn)和機會的盲視。

這個圖景更少地和科幻小說幻想或超人機器的噩夢的實現(xiàn)相關(guān)，隨著技術(shù)在人類日常生活中的影響越來越大，而更多地和人類理解和重塑技術(shù)的需求相關(guān)。此外，在這個理解和重塑的過程中，我們需要對各個層面進行討論，而不僅僅局限在技術(shù)協(xié)調(diào)層面。只狹隘地局限于 human-imitativeAI 也會阻止其他廣泛觀點的傳播。

雖然產(chǎn)業(yè)界將繼續(xù)驅(qū)動許多研發(fā)，學術(shù)界仍舊扮演著重要角色。不只是提供最具創(chuàng)新性的技術(shù)觀點，學術(shù)界也會把計算與統(tǒng)計學科的研究人員與其他學科的研究者結(jié)合在一起，特別是社會科學、認知科學與人文學科的。這些學科的貢獻與觀點也是非常急需的，

另一方面，雖然人文和科學是我們前進的關(guān)鍵，但我們也不應假裝我們所談?wù)摰氖且?guī)模和范圍空前的工程努力以外的事——社會的目標是構(gòu)建新的人工制品。這些人工制品應該遵從要求被制作出來。我們并不希望構(gòu)建的系統(tǒng)是能夠治愈疾病、提供新的交通方式和商業(yè)機會，最后卻發(fā)現(xiàn)它們實際上并不實用——這樣的錯誤會使人們的幸福和生存受到影響。在這一方面，正如我所強調(diào)的一樣，數(shù)據(jù)聚焦和以學習為重點的領(lǐng)域尚未催生出一個新的工程學科。雖然這些領(lǐng)域令人興奮，但它們還不能被視為構(gòu)成工程學科。

而且，我們必須接受這樣的事實：我們所目睹的是一個新的工程學分支的創(chuàng)立。術(shù)語「工程」通常被認為是一個狹義的概念——不僅僅是在學術(shù)上——它帶有著冷酷無情的機械化聯(lián)想，還有著失去人類控制的消極內(nèi)涵，但一個新的工程學科也可以是我們想要的。

在如今這個時代，我們終于有機會設(shè)想一個歷史上從未出現(xiàn)的新鮮事物——一個以人為中心的工程學科。

我拒絕為這個新興的學科命名，但如果「AI」這個單詞首字母組成的略詞仍被用作未來這一方向的識別術(shù)語，我們就必須認真思考它所帶來的嚴重限制了。我們需要擴大思考范圍，減少炒作，并真正認識到未來的嚴峻挑戰(zhàn)。