本月初，世界人工智能大會在上海召開。大會期間，張文宏醫(yī)生一句“在人工智能如日中天的今天，此次抗疫靠的還是傳統(tǒng)智慧”引起很多人的共鳴。

人工智能曾經(jīng)是一個頗為科幻的話題。有人擔心人工智能會取代人類，甚至會反人類。然而幾年下來，我們發(fā)現(xiàn)人工智能并沒有我們想象的那樣智能。“問題”究竟出在哪兒？

從2004年開始，復旦大學哲學學院教授徐英瑾就開始將注意力投向人工智能。他不僅撰寫了大量相關論文專著，開設的人工智能哲學課程也受到學生好評。

日前，他講述了自己對上述議題的思考。他的剖析從“什么是人”“什么是智能”這兩個問題切入。

認識不到現(xiàn)實和理想的差距就會導致“泡沫”

嚴格來說，人工智能的主流技術并不新，它經(jīng)過對傳統(tǒng)技術的反復迭代而來。

關于人工智能的發(fā)展現(xiàn)狀，目前有“樂觀論”“悲觀論”“泡沫論”三種論調。

解放周一：世界人工智能大會的舉辦，激發(fā)起了很多非專業(yè)人士對人工智能的興趣。大家很希望了解，人工智能目前進展到底如何。您如何看待人工智能目前的發(fā)展？

徐英瑾：現(xiàn)在公眾對人工智能有很多期望，但根據(jù)我的觀察，這些期望相當大的程度上是建立在一些對學界實際發(fā)展狀況的誤解上。

我經(jīng)常會聽到各種各樣的誤解，第一個誤解就是認為人工智能是個新東西，是這幾年冒出來的。事實上，人工智能（artificial intelligence）這個詞正式變成公認的學科名詞是在1956年美國的達特茅斯會議上。顯然，這是距今已經(jīng)挺久遠的事情了。

至于現(xiàn)在被談論很多的深度學習技能，前身就是人工神經(jīng)網(wǎng)絡（artificial neural network）。這個概念在上世紀60年代就被學界注意到了。人工智能的奠基人之一阿蘭·圖靈生前也搞過一些粗淺的人工神經(jīng)網(wǎng)絡研究。這樣算的話，這個技術至少可以追溯到上世紀40年代。

所以，嚴格來說，人工智能的主流技術并不新，它經(jīng)過對傳統(tǒng)技術的反復迭代而來。

解放周一：那么，人工智能技術發(fā)展至今，現(xiàn)狀如何？

徐英瑾：關于人工智能的發(fā)展現(xiàn)狀，目前有“樂觀論”“悲觀論”“泡沫論”三種論調。

其中，“樂觀派”可能是主流。持樂觀論者認為，人工智能的發(fā)展一定能夠在短時間內解決我們面臨的各種問題。

這種論調描繪出了一個烏托邦般的場景：當你回到家中，所有的設備都能夠通過全新的網(wǎng)絡技術和物聯(lián)網(wǎng)與你心有靈犀；汽車是不用駕駛的，你上了車以后，什么事都不用干，就可以把你帶到目的地；沿途，你還可以和你的汽車交談，就好像它是你的人類司機那樣。

悲觀論者更多是站在那些可能會丟掉工作的人的立場上，認為人工智能實在太厲害，會取代很多人的工作。到時，如果社會暫時又無法提供更多的新崗位，這可怎么辦？

我的觀點是泡沫論。“泡沫”不是指人工智能的未來一片黯淡，而是說在短期內，這項技術的發(fā)展還無法支撐得起很多人的夢想。

理想很豐滿，技術目前還很“骨感”。如果你意識不到理想和現(xiàn)實之間的差距，就會導致泡沫。假如因為對人工智能持有樂觀態(tài)度而到市場上去融資，就更需審慎考慮。

歷史上確實有成功案例，比如IBM360計算機項目。

它的成功使計算機從過去那種非常笨重、只有高級科研單位才能買得起的狀態(tài)，慢慢地變成辦公室可以用的計算機，為個人PC的出現(xiàn)打下了基礎。但失敗的案例也很多。如果關于人工智能的融資計劃都把未來描述得很美好，把餅畫得特別大，最后也很可能會有問題。

我個人對人工智能未來發(fā)展的基本判斷是——

人工智能對我們生活的改變不是全局性的、顛覆性的，而是局部的改進。比如，在在線教育、養(yǎng)老陪護等領域，人工智能能促進一些變化，帶來一些商機。但有些項目，比如自動駕駛，就很可能存在一些應予以審慎對待的泡沫。

當然，我主張的“泡沫論”是建立在一些基本概念的界定上，比如“專用人工智能”和“通用人工智能”。

使用傳統(tǒng)方法解決問題的能力下降是危險的

李世石應該會泡面、會開車，在和AlphaGo下完棋以后他還能夠接受媒體采訪、談談自己的感受。但是,AlphaGo肯定不會開車，更不能在和李世石下完棋以后和人類、和媒體交流自己的所思所想。

現(xiàn)在的人工智能都是基于大數(shù)據(jù)的，它對小概率和偶然性事件缺乏應對機制。當它面對這個充滿變動的世界時，就不知道該如何應對了。

解放周一：如何區(qū)別“專用人工智能”和“通用人工智能”？

徐英瑾：專用人工智能就是只能干一件事或兩件事的人工智能，通用人工智能是指什么事都能干一些的人工智能。

舉個例子來說，李世石是一位棋手，AlphaGo是一個圍棋程序。如果我們把李世石看成一個智能系統(tǒng)的話，他就是通用智能系統(tǒng)。因為他除了下棋，還能做許多其他事情，比如他應該會泡面、會開車，在和AlphaGo下完棋以后他還能夠接受媒體采訪、談談自己的感受。但是,AlphaGo肯定不會開車，更不能在和李世石下完棋以后和人類、和媒體交流自己的所思所想。經(jīng)過這樣的對比，我們能明顯看出專用人工智能的局限。

我們人類的特點是，在一件事上可能是專家，其他事也能干，只是干得沒那么好。但是，專用人工智能就只能干專門的事情，其他的事情基本無法兼顧。僅從這一點來講，專用人工智能和能力全面的通用人工智能之間的區(qū)別還是很大的。

我們現(xiàn)在看到的人工智能都是專用的，它們的制作思路都是按照專用人工智能的思路來做的，比如人臉識別和語音識別。當前，人工智能通過卷積神經(jīng)網(wǎng)絡技術的進步，已經(jīng)獲得了一項重要能力，即可以同時通過人臉和聲音來識別他人。但對于人工智能來說，基于神經(jīng)網(wǎng)絡的圖像識別系統(tǒng)和語音識別系統(tǒng)是兩回事。

解放周一：現(xiàn)在很多人對人工智能的想象，是建立在“通用人工智能”之上的。

徐英瑾：沒錯。這就成了一件比較麻煩的事。

很多人喜歡看美劇，發(fā)現(xiàn)里面出現(xiàn)的一些機器人已經(jīng)特別厲害。有的機器人不僅擁有人類的特征，還開始反抗人類。有人看了這樣的故事以后就會展開聯(lián)想：如果我們和這樣的機器人一起生活，會受到怎樣的威脅？

自然而然地，很多人對人工智能的思考就建立在了這類科幻影視作品的基礎上。而科幻影視作品受眾廣、不需要具備太多科學素養(yǎng)就能看明白，很有傳播力和影響力。

我有一個觀點：軟科幻看多了，要看一些硬科幻。硬科幻距離今天的科學比較近，對科學知識的運用更嚴謹。相比軟科幻，硬科幻更適合起科普的作用，能夠增強普通人對現(xiàn)實世界的思考能力和把握能力。

現(xiàn)在的人工智能都是基于大數(shù)據(jù)的，它對小概率和偶然性事件缺乏應對機制。當它面對這個充滿變動的世界（比如新型病毒、未知規(guī)模的洪水等）時，就不知道該如何應對了。

所以，我擔心的問題不是人工智能有了人的意識以后會與人對抗，而是人類過多依賴人工智能以后，頭腦反而會變簡單。

不要以為有了現(xiàn)代化的先進工具以后就可以放棄傳統(tǒng)。舉例來說。假設現(xiàn)在有兩支軍隊對峙，雙方都有能力使用最新的網(wǎng)絡信息技術，但只要有一方攻破了對方的網(wǎng)絡防線，另一方的信息基礎設施就淪陷了。到時，只能轉而采用最原始的辦法（比如信鴿、雞毛信等），來傳遞信息。

對人工智能充滿合理想象本身并沒有錯，但如果我們將人工智能的能力想象得過于強大，同時又疏于保持用傳統(tǒng)方法、傳統(tǒng)智慧解決問題的能力，這就可能會將人類置于某種尷尬的境地。

為什么現(xiàn)在還發(fā)展不出通用人工智能

通用人工智能系統(tǒng)的特點就是通用，既然是通用，就要處理全局性的問題。什么是全局性？就是擁有在不同的理論體系之間進行抉擇的能力。

深度學習基于的神經(jīng)網(wǎng)絡技術用強大的機器海量計算掩蓋了方法本身的“笨”。對于深度學習來說，如果有現(xiàn)成的數(shù)據(jù)會非常好辦，但如果沒有優(yōu)質數(shù)據(jù)，靠它自己搜集數(shù)據(jù)就很成問題。

解放周一：現(xiàn)在的“深度學習”技術，有望在短期內，達到通用人工智能的程度嗎？

徐英瑾：人們曾經(jīng)想象能夠有一種機器，不需要任何外界輸入能量或者只需要一個初始能量，就可以不停地自動運動。在哲學家看來，這個設想經(jīng)不起嚴格推敲，無法從根本上立得住。在我看來，通用人工智能大概也只能停留在設想階段。

通用人工智能系統(tǒng)的特點就是通用，既然是通用，就要處理全局性的問題。什么是全局性？就是擁有在不同的理論體系之間進行抉擇的能力。不同的訴求之間往往存在沖突，而人類有能力在各種沖突之間想辦法，找到一個可以平衡各種矛盾的中庸點。

舉個大家比較好理解的例子。有一位家政員到雇主家里做事。如果雇主是一位知識分子，家里書特別多，他就可能會要求家政員盡量把書房打掃干凈，但不能干凈到書都找不到了。

家里書多的人都知道，書的易取性和整潔性往往是相互矛盾的。書收起來，家里固然更干凈整潔了，但如果幾本書同時在看，堆起來以后再找、再取就很耗費時間。這時，究竟是追求整潔還是易取？這里面就有個平衡點。這個平衡點的抵達需要家政員和雇主之間長時間的磨合，卻很難通過程序來設置。

任何一個綜合系統(tǒng)都要具備處理各種復雜甚至突發(fā)情況的能力。其中有些情況甚至是非常極端、偶發(fā)的。比如，一輛自動駕駛汽車在道路上行駛。道路的左側有一個路人在行走，道路的右側有五個路人在行走，萬一出現(xiàn)車速太快來不及剎車的情況，到時該往哪邊拐？假設這個程序突然得到消息，左邊的路人是我們國家一位非常重要的專家，它該如何選擇？

很多人第一直覺會覺得專家更重要，但轉念一想，每個人類個體的生命都是平等的。遇到這樣的問題，人類會痛苦抉擇、反復取舍。

換作是機器，問題就麻煩了。我們都知道，人工智能是基于一系列規(guī)則設置的，規(guī)則背后就是各種邏輯原則。一旦情況過于特殊或復雜，機器內部基于不同邏輯規(guī)則設置的程序之間就會打架。

我再舉個例子。假設現(xiàn)在有一位外國小伙子到少林寺學武術，語言不通，怎么辦？有個辦法，那就是師父做一個動作，小伙子跟著做；如果他做對了，師父就微笑，做錯了，師父就棒喝。通過這種方式，小伙子被棒喝以后，就知道自己做錯了。但具體到底哪一點做得不對，如果師父不明示、不詳解，他就需要猜、需要不斷試錯。這時語言的好處就很明顯。如果彼此能夠通曉對方的語言，師傅就能把包括武術規(guī)則在內的一整套內容都傳授給他，幫助他理解，然后再由學生自己轉化為行動。深度學習基于神經(jīng)元網(wǎng)絡的運作產(chǎn)生。神經(jīng)元網(wǎng)絡的運作，就類似于前面所說的那種比較笨的教學方法。

人類犯錯以后的反省是基于道理和規(guī)則的。但系統(tǒng)不是，它遇到障礙以后的應對辦法是調整各種參數(shù)，試錯以后發(fā)現(xiàn)不對就再猜。它是通過大量的猜，慢慢地把事情往對的方向引。它的優(yōu)勢在于，可以在很短的時間里完成人類不可能完成的巨量猜測。深度學習基于的神經(jīng)網(wǎng)絡技術就是用強大的機器海量計算掩蓋了方法本身的“笨”。但問題是，對于深度學習來說，如果有現(xiàn)成的數(shù)據(jù)會非常好辦，如果沒有優(yōu)質數(shù)據(jù)，靠它自己搜集數(shù)據(jù)就很成問題。

解放周一：通用人工智能如果要處理全局性問題，需要搜集的數(shù)據(jù)就更復雜了。

徐英瑾：是的。所以，目前的深度學習機制，其根本問題就是缺乏跨領域學習的能力。這正是人工智能無法通用化、全局化的根本所在。

在我們的日常生活中，不同的系統(tǒng)有不同的運作方式。國際象棋有國際象棋的下法，圍棋有圍棋的下法。人可以適應變化，要人工智能去適應這一點卻非常難。

解放周一：很多人會問，可不可以把各種專用的人工智能整合為一套通用的人工智能？

徐英瑾：其中又有一個問題——協(xié)同。這就和企業(yè)運籌帷幄一樣，需要各個團隊、板塊的協(xié)同合作，需要有一個能力全面的人來領導，而人工智能并不具備總體的調度、配置能力。

為了研究人工智能和人類智能還差在哪兒，一些專家提出了所謂的“卡特爾—霍恩—卡羅爾”三層智力模型。他們把通用智能分解成很多部分，比如流體智力、晶體智力、量化推理、讀寫能力、短期記憶、長期記憶、視覺處理和聽覺處理等。

量化推理無非就是算術，讀寫能力就是你能不能看懂文章、讀懂要點。晶體智力就好比老師現(xiàn)在給你一道題目，告訴你解法以后，看你能不能把做題的思路遷移到新的題目上。流體智力要求更高，相當大程度上，它強調的是一個靈活調用各種智識能力的狀態(tài)。

至少在目前，人工智能不是根據(jù)人類智識能力的發(fā)展方向來發(fā)展的。長此以往，它的“擬人性”就很成問題，它離真正意義上的通用人工智能就還很遠。