宗仁，李尊，高菲聯合編譯。
一種普遍被認同的觀點是：ai的發展速度會是指數式的，可能現在它看起來還很蠢，但是在你意識到它已經變強之前它就會越過那個“奇點”，迅速超過你，然後将你遠遠的甩在後面。
後來一些人開始慢慢意識到，奇點論确實有些誇張了。但是ai到底對我們的生活有沒有影響？确實是有的，甚至很多時候，你能感覺到一些懷疑論者的觀點并不誇張，甚至最近還有人說，随着人們越來越依賴于機器基于大資料以及各種算法幫他們做出的決定，我們實際上已經将自己的人生交給機器人控制。
本期硬創公開課，我們邀請到了微軟亞洲研究院的院長洪小文博士，為我們講解随随着ai的快速發展，ai到底能不能跟我們的智能相提并論（上）。
洪小文，微軟全球資深副總裁，微軟亞太研發集團主席，微軟亞洲研究院院長。對微軟sapi(speech api)和speech engine技術的發展作出了衆所公認的卓越貢獻，并多次獲得類别不同的榮譽和獎勵。它還是美國電機電子工程師學會院士(ieee fellow)和國際公認的語音識别專家，現任《美國計算機協會通訊》(communication of the acm) 的編委，并在國際著名學術刊物及大會上發表了百餘篇學術論文。他參與合著的《語音技術處理》(spoken language processing) 一書被全世界多所大學采用為語音教學課本。另外，他在多項技術領域擁有36項專利發明。
洪小文既負責過基礎研究，又管理過産品開發，同時，他還在多個研發領域有所涉獵。現在洪小文博士是微軟亞太研發集團主席兼微軟亞洲研究院院長，全面負責推動微軟在亞太地區的科研及産品開發戰略，以及與中國及亞太地區學術界的合作。他認為自己多年來形成的“雙重視角”或許可以幫助國内的年輕學者把握到正确的方向。
大衆對ai的恐懼大部分源于一些科幻電影、小說的影響，以及部分媒體的充分報道。是以我覺得這種恐懼心理也蠻自然的。
大衆對于ai的恐懼有一定的合理性和規律性，主要可以從以下兩個方面來看：
ai加上所有計算機的軟體硬體加起來， 的确具有非常強大的能力：人們對于比自己能力強大的東西除了喜歡以外，在某種程度上，産生畏懼感也是很自然的。
人們對有智能的東西充滿好奇卻又有所擔心（intelligence）：人一直對智力、智能充滿好奇，也希望能夠增加自身的智力，但是人又很害怕别人或者其它事物比自己聰明，會操控自己。也正是因為人工智能賦予計算機一定的智能才使它與其他新生事物有所不同。
人們對ai的畏懼感由來已經。1950年美國時代雜志的封面就表達了人們對計算機智能的擔憂。當時計算機尚未普及，但是相對于，飛機，卡車這種龐大的機器，人們就已經開始擔憂ai是否會比自己聰明，進而對自己産生威脅。
确實，有類似的地方，也有不類似的地方。
類似的地方：人和機器在做選擇時都相當于做一個機率選擇。
今天ai的系統，特别是從1990年以後的ai系統，不管是基于統計模型的，還是基于大資料、深度學習的，實際上是一種基于機率架構下不确定性的選擇過程。而人類在做每一件事的時候也常常要面臨做一些決定，我們做的很多決定也都不是百分之百可以預測未來的，是以我們也是在做一個基于機率架構下的決定，甚至于是一個随機的，是以在這方面我想是類似的。
不類似的的地方：人做很多決定都是不可逆的，非重複的。
像選擇我們的伴侶，選擇求學學校和專業，選擇職業生涯，每一次決定，就算有類似的地方，都是不同的決定。而且我們都是在一個資料資訊不完整的情況下做決定。相對地，機器幫我們做的決定多半數是重複的決定，因為有重複性，它就可以搜集資料，利用各種機器的方法來優化。從機率的角度看，比如當一件事情要做很多次，甚至于到無限多次的時候，機率會展現，而且一定是機率最高的東西會是你最期望的答案。
相反，就算知道機率配置設定，人也不一定選機率最大的那個，而可能選一個對個人來說最滿意的，産出比（outcome）最大的一個，甚至于做一些不理性的選擇，因為就一次。而這種一次性的決定，機率能幫助我們的地方不大。機器做決定，則需要盡可能收集最多的資料，然後根據這些資料，對一些重複性的事情進行優化，然後做出一個決定。
ai在絕大多數情況下是給我們人類帶來福利和便捷的，但是每樣東西都有一體兩面，在享受這些福利和便捷的同時，的确可能會産生一些相對應的風險。這些風險中包括以下兩個方面：
對于ai的依賴性
舉例：人對于友善、好用的技術/事物會有依賴（比如記電話号碼），很多人到現在都用智能手機來存儲電話号，我自己現在也不記得家裡的号碼。
更深一層的是對于計算機背後具體細節的不了解而無法使人信服，且導緻人們解決問題的能力有可能降低。
舉例：gps導航，當下很多人并不知道為什麼gps要做出這樣那樣的規劃路線。再比如alphago或者深藍打敗人類，但是它為什麼下這一步？背後的原因并不清楚。
ai或者特别說深度學習最大的一個缺點，它們用這些模型也能做出很多了不起的決定，但是在它背後人們并不知道為什麼要做出這個決定，無法讓人心悅誠服。ai技術事實上是在這方面非常薄弱，尤其是今天的深度學習，你完全不知道它為什麼來做這件事情。以後我們解決問題的能力有可能變弱，因為我們沒有辦法洞察這些細微的部分和推理的部分。
最近越來越多被問到有關強ai、弱ai的問題，在這裡先給大家解釋一下什麼是強ai、什麼是弱ai。而且可以先給大家說一下，強ai其實沒有那麼強，弱ai其實可以很強。
弱ai
其實我個人喜歡另一種說法——局限性的ai或者是狹窄性的ai。弱ai其實說它隻能做一件事情，更早以前把它叫做專家系統（expert system ），到今天我們把它稱作深度學習或者其他的稱謂。幾乎所有深度學習（比如：物種辨認、語音識别等）都隻能做那一件自己擅長的事情。
舉例：比如像我們做一個項目預測北京的天氣，就隻能預測北京的天氣。是以弱ai其實是一個專才的概念，早期叫專家系統，和人類的專才也很像。舉例：木匠、裁縫、天文科學家，他們都是在自己的領域非常擅長，弱ai和他們類似也算專才。
強ai
與弱ai相反，強ai就是像人類一樣的通才。像人類一樣，可以看、聽、跑、做算術、了解語言、翻譯、畫畫、思考等，類似于人類有通才型的智慧叫做強ai。
大家也知道，通才和專才的差别。通才的話如果拿每一樣去和專才比是比不過的，但是專才呢不一定能有通才這麼全面。比如像愛因斯坦在作為最偉大的科學家之一，在自己的生活上可以說是比較笨拙，不一定比得過尋常的老百姓。
這也是為什麼說強ai其實在每一個單的項目是弱的，隻是說它有通才的本領。
其實還有很多的例子，比如人類跑的沒有有些動物快 ，是以我們發明汽車可以讓我們跑得更快。再如人類不能像鳥兒一樣飛翔，是以我們發明飛機可以讓我們飛上天空。是以可以說每輛車、每架飛機就是一個專才。是以說弱ai或者狹窄性ai 也好，人類到現在造了很多工具，每一樣工具都有特殊的功能，其實就是一個專才。我們人類作為一個通才，把這些專才拿來為自己所用，是以可以完成很多自己不能完成不的事情。
有人會問這些都是機器，會不會可以把弱ai與強ai結合之後，造出一個又是通才但是每方面都很強的機器？
這種可能性肯定會有，但是确實非常難。就像我們知道機器是專才，人類是通才，如果你要一個東西每一樣都很強，那麼大家會害怕這種東西也是可以了解的。不要說機器或者是ai，如果今天出現一個人在每個方面都是專才，大家都會覺得很可怕。因為跟我們所了解的不一樣，而且我相信這種可能性永遠也不會出現。但是如果真的出現這種情況的話，确實是相當可怕的。
到底有沒有這種可能？
人是一個通才，有很多缺點 跑不快、不會飛、算不快、也不夠準。發明計算機，算得比我們又準又快。人類最了不起的就是創造力，但是創造力裡面和人的弱點似乎有點相關的。
人的意志好比頻譜，頻譜高的時候，即當人的意識強的時候做事情很精準，但是，有時當人的意識薄弱時，創造力反而很高。比如，古時候的詩人，作家，如李白，白居易常常在喝得酩酊大醉的時候，能夠寫出藝術造詣很高的詩篇，貝多芬晚年完全失聰的時候，做出非常了不起的《第九交響曲》；梵高割掉自己的耳朵後，在身體有痛楚，意志很薄弱的情況下，創造出舉世矚目的畫作。近代，凱庫勒夢到一條蛇，變成一個六角形，咬住自己的尾巴，他由此得到靈感，發明了苯的結構，對有機化學的發展産生了重大影響。是以，在人意識很薄弱或不專注的時候，有可能将兩個看似毫無關系的事物聯系在一起，做出大膽的假設，當然也要經過小心求證，産生如此強大的創造力。強ai當然有其強的地方。沒有人具備所有的專長，但是，我們人往往能夠在意識薄弱的時候産生強大的創造力，現在尚沒有機器能夠模拟人的這種創造力。有人在探讨，到底有沒有可能制造出強ai而沒有創造力？不要說是在計算機界，不論是在生物界還是心理學界，腦神經科學界，大家都贊同：在沒有意識的情況下，是很難出現強ai的。人們離強ai還有距離。
其實大家不必對ai有過于消極的态度。
從專家角度要做有可控性的技術。
幾乎所有的工具都是能讓我們可控的，包括ai，包括計算機，飛機，刀等各種我們造出來的工具，拿車來講，我們開一個車要往東就要往東，一定要可控。但我在家裡，我讓我太太倒一杯咖啡，可能10次她隻有5次會去，有5次她會說你有手有腳怎麼不自己去。這裡反應出一個問題，我們對人和對機器是有完全不同要求的。
是以我們一定要可控性，我想大家都同意，你沒事去做一個東西，不能控制它有什麼意義麼？我常常說一個笑話，假如你要造一個東西又聰明，你又不能控制他，那不就是我們的小孩嗎？我們都巴不得小孩比我們聰明，但是我們又不能控制他，如果真想做個不可控的東西，生小孩就好了，如果我們做機器，就是要控制它的。
人工智能都是由人編寫的算法，人的算法高過機器的算法。
上面給大腦發了一個左右腦的圖，它可以看到，我們講的計算機的那些功能和屬性，大部分屬于左腦，發散性，創造性，創造力很多是跟右腦相關的，計算機充其量隻是一個最好的左腦。1+2+3+4+……+n這個題，有兩種算法，在高斯求和算法之前就是慢慢地加，有個叫高斯的數學家，有次老師叫他從1加到1000，心想可以耗掉他半個小時，但他幾秒鐘就給出了答案，用的 n (n+1) /2n算法。
從1+2+3+4+……+n有兩種算法，今天若是要加到無窮大的一個數，如果計算機用笨的方法計算，人用好高斯的方法計算，我可以保證計算機還是算的比我們快。但人跟計算機的比賽，我們不要忘記的是，它永遠都是算法+真正去計算兩個合起來的比賽。
在上次的比賽中，alphago除了算法，還加上至少幾萬台的機器在背後計算，我覺得李世石很“可憐”，除了算法，還用大腦去計算。我們知道人的計算肯定比不過計算機的計算，不管是加減乘除以及開根号，都是以卵擊石。是以如果隻比算法的話，我覺得可能李世石的算法還是要高過alphago的算法。
是以我的結論是，直到計算機可以自己程式設計，能夠自己産生下一個算法，不然計算機跟人要比智能，是沒得比的。我們的創造力在于能創造一個新的算法，去解一個未解的問題，去解一個已解的問題，解地比比人好，這叫做算法，而今天的所有算法，都來自于人類，包括深度學習。
最後要講的，今天機器，計算機，ai做的事情（99.99%）都具有重複性。
如記住電話号碼，gps導航，所有大資料運算，深度學習，都是搜尋很多大資料導入預先設定的算法中，進行最優化，機率最大或期望值最高的選項。我想大部分的人都會同意我，對于重複性的事情我們很高興能讓機器人或者ai去做。我們人要去做最高階的事情——那些一輩子隻能做一次的決定。這類事情才是我們的創造力需要解決的問題，基于這些問題我們再考慮去發明一些算法，這類事情也是我們人類應該發展的方向。
關于
深度學習從2006年到現在，沒有大的基礎理論進步！但現在工業界熱情高漲，我們在盲目推動什麼？
現在各個開源平台推進不算迅速，是開發者的水準沒跟上，還是推開發平台的大公司功能不完善？
作為微軟亞太研發集團主席和微軟亞洲研究院院長，如何保證研究和開發項目的創新性和領先性？
……
将在我們的下篇文章中呈現，敬請期待！
本文作者：宗仁