人工智能的未来：为什么说炒作掩盖了现实？

端上晚餐、操作自动驾驶汽车和无人驾驶出租车的机器人可能有趣并且非常有利可图。但不要惊讶，这些机器人可能远不如炒作所说的那么神奇。

 

近日在香港举行的2017年沃顿全球论坛上，一个专家小组就人工智能（AI）、机器人，无人机、其他先进技术及其对未来就业的可能影响表达了他们的观点。 这些分享击破了一些炒作的说法，同时也指出某些工作的确面临威胁。

 

这个名为“设计商业的未来” （Engineering the Future of Business）的专家分论坛由沃顿商学院院长杰弗里·盖瑞特（Geoffrey Garrett）主持，出席专家包括香港科技大学电子及计算机工程学教授冯雁（Pascale Fung）、宾夕法尼亚大学工程系主任维杰·库马尔（Vijay Kumar）以及摩根大通（J.P.Morgan）亚太区董事长兼首席执行官尼古拉斯·阿古金（Nicolas Aguzin）。

 

盖瑞特开门见山地问道：自动驾驶汽车带来的变革有多大的颠覆性？

 

库马尔表示，其实主流媒体有关自驾汽车即将普及的许多报导言过其实。他认为完全自动驾驶的汽车要普及还需要很多年。

 

库马尔兼任宾夕法尼亚州机械工程教授，他的一个主要观点是，高科技的发展通常包括两个方面。计算能力和软件等技术的进步是一方面，这方面受到媒体的极大关注。在这方面，新的应用程序、公司和产品每天破土而出，发展迅速。然而，另一个影响许多项目的方面则经常被忽视，这就是虚拟世界必须以新的方式与物理或机械世界相连接。这个层面的进展非常慢。

 

在某个时候，自驾汽车中的所有软件都将在复杂的路面上接受实际检验。正如其他机器人应用一样，在这个领域，进步是由“从数据到信息再到知识”的转变过程所产生的。一个根本的问题是，大多数AI的鼓吹人士并没有意识到在物理世界中实际操作需要多大的数据，这是一个不断增加的数量，按库马尔的话说是“指数级上升的资料量。虽然时下讨论的“大数据”很重要，但许多物理操作所需的资料量远远超过“大数据”所指的数量。库马尔表示，而获取这些大量资料的限制严重阻碍了许多机器人项目的进展速度。

 

换言之，许多对自驾汽车持乐观态度的文章忽略了这样一个事实：需要很多很多年，而不是区区几年，才能获得使完全自驾汽车大规模应用的足够数据。

 

库马尔指出，获取实现90％的准确度的资料“已经很困难了”。如今一些目标识别软件“有90％的准确性，你上Facebook，有这么多的人像，但识别的准确度能达到90％”。尽管如此，“你负责计算机视觉的同事会告诉你，“那不够聪明”……但要将准确度从90％提升到99％需要更多的数据，那是指数级的增长。 “然后从99％上升到99.9％，你知道吗？这需要比之前更多的数据。”他将指数级增加的数据需求比作呈现曲棍球棒的图形，有一个突然急剧上升的坡度。正如其他分析师所指出的那样，自驾汽车的问题在于，关乎人类性命的时候，90％或甚至99％的准确度根本不够。 

 

指数级的资料增长

 

库马尔说：“要获得使这些应用正常运转所需的指数级数据非常困难。因此我认为自驾汽车因为涉及到根据资料采取行动而很难变得完美……确实，概念很好，我们也正在取得重大进展，但是……为了发展到使我们感到相当自然，将需要很长时间。”

 

那么，为什么主流媒体给人留下的印象是自驾汽车即将普及呢？

 

库马尔引用了前美联储主席格林斯潘（Alan Greenspan）的言论来解释他对媒体报导的看法。在21世纪初巨大的科技股泡沫崩溃前，格林斯潘曾指出股市存在“非理性繁荣”（irrational exuberance），这一说法流传至今。库马尔认为当下对自驾汽车的夸张说法也是类似。“这就是非理性繁荣的方面，技术看上去似乎要成型了，但需要很长时间才能最终运用。”

 

盖瑞特指出，特斯拉首席执行官埃隆·穆斯克（Elon Musk）声称让新车自动驾驶的所有技术已经存在（尽管可能需要有人在紧急情况下干涉），主要的问题只是“人类对技术的接受。”

 

库马尔强烈反对这个说法，“埃隆·穆斯克还会告诉你，电池在改善，变得越来越好。实际这是五年十年前就有的电池。”不同的是，电池越来越小，越来越便宜，“更多的人正在买电池。但这些电池的性能从根本上和以前是一样的。”

 

其他领域的进展也缓慢。库马尔解释说，在“物理世界”中，能源和电力方面没有太大变化。“你看电动机，这是第二次世界大战时期的技术。所以，我们在物理方面的进步取得的进展远不及信息技术。你知道吗？在美国，数据中心所消耗的电力占2％。如果你真想要更多的数据，如果你想应对曲棍球棒曲线上升的坡度，你要花费很多能量让数据中心工作。我觉得到某个点后这变得越来越难，越来越难……”

 

他说，类似的限制也存在于无人机技术中。“我说一个简单的事实。无人机飞行需要每公斤大约200瓦特的电量。所以如果把一个75公斤的人放在空中，那需要很大的功率。怎么得到这样的电池呢？”唯一有足够“功率密度”来托住这一重量的电源是化石燃料。“你可以用小型喷气涡轮来驱动无人机。但是要有电力、马达和电池来驱动可以在空中载人的无人机，我认为这是一个空想。”

 

这并不是说“不能用无人机来做有趣的事情，但无论你做什么，你必须考虑与你的目标相称的有效载荷（payloads）。”

 

在电动汽车等其他领域，进步正在智慧化，库马尔认为这些方面的潜力巨大。 “中国人已经展现了他们在世界上的领先。中国每年生产的电动汽车数量是美国的三倍。我真的认为电动汽车会继续普及，但我对使用电力的无人机没有把握。”

 

同时协助香港科技大学人类语言技术中心运作的冯雁博士继续库马尔的话题，简述了在可预见的未来中人工智能（AI）的一些限制，她也表示炒作常常超出现实。 虽然人工智能可能会执行许多重要和有价值的任务，但物理限制几乎无法突破。

 

冯博士指出：“一个仅用于语音识别并实时翻译的深入学习的算法，都必须接受数百万小时的数据训练，并使用巨大的数据库。”而一个深入学习的网络可能有成千上万的神经元，人类的大脑有数万亿。目前来说人类更节能，她开玩笑说人可以“只吃一小片披萨而工作上一整天”。

 

人脑难题

 

论坛专家们继续讨论的是第二个不太被关注的话题：AI目前可以掌握的项目范围。库马尔指出，像翻译这样的任务比较单一。我们已经“在某种程度上弄清楚了如何根据数据采集信息，尽管如此……通过深入学习，做到这样也是非常困难的。根据信息形成知识？我们毫无头绪。我们不知道人类的大脑是如何运转的……要发明有人类特有智慧的机器将需要很长时间。”

 

不久前IBM的超级计算机沃森（Watson）甚至不能和五岁的小孩一起玩井字棋，现在沃森却能在《危险边缘》游戏里打败人类。但是，库马尔指出，这种快速进步可能使我们忽视一个事实，即今天的计算机最擅长处理的是单一任务或“点解决方案”（point solutions）。当你想笼统处理人类在做的许多事情时，计算机很难做到。”

 

尽管如此，现在正在为未来的创举做好铺垫。冯博士指出，到目前为止，让机器渐渐学会这些单一任务要求人们“学习如何与机器沟通”，虽然这种沟通时有失败，比如打给呼叫中心或者与苹果的Siri沟通时会出现困难。

 

如今的重点是放在扭转老师与学生的关系，从而使机器能开始学习与人交流。 冯博士表示：“为人类服务的AI算法和机器人研发正在进行。它们将理解我们人类的目的、情感、个性、感受等等。”这种研发的目标是让AI学会处理人与人交流的“不同层次”。

 

冯博士是全球人机交互领域前沿的科学家，她说：“我们注视对方，了解彼此的感情和意图。我们用肢体语言。人类的沟通并不仅靠言语。这就是为什么我们更喜欢面对面的会议，我们甚至更喜欢用Skype视频，而不是打电话。”

 

冯博士提到她为《科学美国人》撰写的一篇文章，文章讨论了需要教机器人理解和模仿人类的情感。“总体而言，就是让机器了解我们的感受和意图，而不仅仅是我们的话语，并以更人性化的方式响应我们。”

 

这种“情感计算”意味着机器将最终从我们的声音、文字、面部表情和身体语言中进行“感受识别”。冯博士补充说，未来的“人机交互必须具有这种沟通层面”，但捕捉意图和情感是非常困难的。“文字语言之外的意图很难被机器所理解，甚至人类也不一定理解到位。我们经常会对彼此产生误会。”

 

那么所有这些将如何影响未来的工作呢？

 

机器仍然很“笨”

 

“不需要担心不久的将来，因为机器很笨（dumb）……”库马尔说。冯博士举了一个例子，现在她可以让一个机器人做一些简单的家务，但是，“我自己来做或者我教我的孩子或丈夫去做还是更便宜。所以在不久的将来，大量的工作如果用机器代替将成本太高。这可能会在50到100年后改变，就像今天的世界与50年前不同一样。

 

但即使新技术开始应用，最终的效果并不清楚。例如，阿古金指出，银行业推出自动取款机后，出现了更多的柜员，而不是更少。因为自动取款机使“开分行的成本更低，所以我们就有更多的分行，最终有了更多的柜员”。

 

另一方面，将区块链技术（blockchain technology）运用于银行分类账系统可能会消除对第三方检查账目的需要。阿古金补充说，任何需要对账的工作都可以立即进行而无需确认。最终交易的成本将“像发送电子邮件一样，几乎为零……没有任何混淆的可能性，没有成本。想象一下把这一技术应用于贸易融资等方面。”

 

阿古金任职的摩根大通银行目前正计划在今年将170万个工作流程自动化。“这些不是最低级别的人工工作，而是中等级别的。”该银行也率先进入情感计算领域（affective computing），正在开发一种在客户打客服电话时能感知客户感觉和目的的软件。“还没有做到完美，但是你可以大体上理解他们的感受，他们是想抱怨还是只是查余额？他们要做这事还是那事，所以节省了很多时间。”

 

尽管如此，阿古金表示他相信就像ATM技术的发展一样，新技术会创造新的工作。他并不像一些分析师那样认为工作和自动化的未来是“灾难性”的。“我有点担心变化的速度，可能会让我们很小心，但会有新事物出现。我对未来有更乐观的看法。”

 

冯博士提醒观众，即使金融科技领域的进步也将受到现有资料量的限制。“在某些方面有很多的数据，另一些方面则不然。”金融业高管告诉冯博士，他们拥有庞大的数据库，但根据她的经验，资料量往往不足以实现他们的许多目标。

 

库马尔承认，今天我们为机器人而不是人类创造了更多工作，这是人类未来工作的一个担忧。但他也称自己在就业问题上是“偏执的乐观主义者”。 AI和机器人将在“与人类合作的应用程序”中发挥最大的作用。冯博士同意这一看法，并补充说，“要发明有人类特有智慧的机器将需要很长时间。” 

 

顶端和低端的工作最稳定

 

库马尔响应冯博士认为许多低技能工作可能保留的观点，补充道最可能被淘汰的工作可能会让人想不到。“计算机很擅长做的一件事是什么？考试。所以，认为我从这所著名大学得到4.0的分数，将来会有一份工作，这是不现实的。”同时，让机器人“跟在三岁小孩后面清理房间非常非常困难。端上晚餐非常非常辛苦。 饭后把餐桌搞干净更困难。我认为这些工作是有保障的。”

 

专家小组的共识：最难被机器人替代的工作将是顶端和低端的工作，而不是中间的工作。

 

那么如果很多年后当机器人足够先进足够便宜，能承担越来越多的人类活动时，人类的工作会变成什么样？

 

冯博士认为，一方面会有更多的AI工程师，以及“管理、维护机器的人，以及以某种方式设计机器直到机器能自我复制的人员”。

 

而且，许多工作也将开始适应新的世界。例如，冯博士说，假设在遥远未来的某个时候，许多餐馆都有机器人服务。到那时候人们会“花更多的钱去有人类当厨师和服务员的餐馆，所以人力在那时候将变得非常有价值。”

 

她补充说，许多人可能会“变成艺术家和厨师，以及表演家，因为你仍然想听人唱的演唱会，不是机器人为你演奏协奏曲。你将还是想读一本人写的小说，尽管有一天机器也能写出同样的小说。你还是会重视人性的色彩。

 

冯博士指出，创意已经正在变得越来越重要了。未来主导世界的不是AI工程师或商界人士。“那将是创意人才与非创意人才的竞争，如今对创意人士的需求越来越大。”工程学生已经“比以前更难与顶尖人才相竞争。”

 

过去对于工程师来说，良好的学术成绩就能保证一份好工作。冯博士补充说，今天科技公司的应聘者来自“相当多的不同领域”。这些公司寻找的不只是技术技能，而是创意。“我认为工程师必须学习更多的非工程技能，非工程师将学习更多的工程技能，包括科学思维，程序设计……”

 

库马尔同意这一点。今天所有宾大工程学院的所有学生都会选修商学课程。 “我认为今天一个全面发展的毕业生和人文教育的理念包括工程学和商业，对吗？ 我担心的是人类学家、英语专业、历史专业学生的未来……我认为这些学科将面临很大的压力。”