博炮作文网

人工智能时代应如何学习（第2页）

世界观是常识的升级，是我们对世界的全景认知。目前，人工智能理解专业性问题已经非常出色，但综合性问题仍然让其非常困扰。围棋人工智能可以下围棋、医疗人工智能可以看病、金融人工智能可以投资、销售人工智能可以推销，然而没有人工智能可以用同一系统学会两个领域的事。它们可以从海量专业数据中总结规律，但是回答不出日常生活中的情境问题——日常生活的问题总是涉及跨多个知识领域的综合常识。而我们人类，对此有天生的本能。我们能够建构整个世界的模型，把人放在大量背景知识组成的常识舞台上，对其行为加以理解。

常识的升级让我们具有洞察力和世界观。各方面的常识越丰富坚实，相互之间联系越清晰，你越能一眼看到各个部分的问题，找到系统性解决方案，理解全局局势，从而判断出趋势。这种系统性趋势理解和基于过去趋势经验的外推不同，它是对多领域知识相互关系的理解，根据各部分关系的走势变化，对整体趋势做出判断。如果只能学习某一模块内的专业知识，不可能对全局有所把握。这一方面需要知识，另一方面也需要经验和视野。这不仅仅是单纯输入数据能够做到的。IBM的人工智能“沃森”几年前就输入了维基百科的多学科知识，也在知识竞赛中打败人类选手。但是世界观并不是碎片知识的堆积，世界观是世界模型。

世界观让我们有跨专业的创新能力。我们能够从物理和生物的结合中做出蛋白质组学，能把音乐领域理论带入建筑设计，能将政治、经济知识与生活场景对应，最终以波普艺术的方式呈现出产品。构建知识的全景舞台，让多学科门类知识搭配组合，创建更有意义的事物，这是目前的人工智能难以跨越的一步。

创造力

创造力是生成有意义的新事物的能力。它是多种能力的综合，一方面要求理解旧事物，另一方面能够想象新事物。对旧有数据的学习和遵循是人工智能可以做的，但是对不存在的事物的想象，人工智能远远不如人类。

说有意义的新事物，是因为目前人工智能有一种“伪创造力”，也就是随机制作或统计模仿。只要一个程序，就可以随机生成一百万幅画，或者统计畅销小说中的语词和桥段，进行模仿和组装。但这不是有意义的创造，它们不懂它们创造了什么。

真正的创造力不是这样。真正的创造力是对问题的深刻洞察，提出与众不同的全新的解决方案，或是对想象的极大拓展，让奇思妙想转化为可实现的全新作品，或是对人性的复杂领悟，把人心不可表达的感触转化为可表达的感人艺术。没有深刻的理解和敏锐的感受，就没有真正的创造力。创造力仍然是人类独特的能力，它需要太多人类特质做基础：审美能力、独特的联想能力、敏锐的主观感受、冒险精神、好奇心和自我决定，发散思维和聚合思维的切换，最后，还需要对事情强烈的热爱。

创造力让人不断拓展自身的边界。在越来越大的版图中，只有惯例的事情交给机器做，人类永远能在新大陆找到存在空间。有创造力的人越多，新版图就越大，能够容纳的人就越多。但进入的前提是，需要具备创造力。

人类学习有什么特点？

“那我们如何获得未来所需的能力呢？”

我知道大家的第一反应肯定是这样。提到了能力，就要说如何获得。但在谈路径之前，我想先聊一聊，人类是如何学习的。只有了解了人类学习的独特性，才可能知道未来我们如何去做。

人类学习的最精华特点，凝结在孩子身上。

人工智能时代，当我们越来越熟悉机器学习，我们也就越来越对孩子的学习充满惊叹。我有时候在家观察孩子的行动，听她议论周围的世界，会对她展现的领悟力感到叹为观止。孩子是造物的奇迹，他们用神奇的表现，一次次让科学家感到不可思议。而如果没有和人工智能对比，我们可能还察觉不到这种不寻常的能力。

传统教科书上只说如何用奖惩实现教育，只探讨课堂的教学法，但实际上，儿童的学习远远超越课堂范围，普通的奖惩也无法限制他。儿童的学习从婴儿期就开始，一直持续到成年，甚至终身。与人工智能的学习方法相比，孩子的学习有一系列非常独特的学习特征。

总体而言，小孩子和人工智能相比，有下面几个明显的特别优势：

以偏概全；

走神；

厌倦；

出错；

依赖情感；

叛逆。

我先带大家看一下，为什么这些特点是人类小孩的优势。

小数据学习vs。大数据学习

孩子是小数据学习。与人工智能对比，小孩子的学习能力高效得惊人。人工智能学习认鸭子，需要看数百万张鸭子的图片，小孩子只需要看两三张就够了，下次就能认出来。而且不仅仅是生活中有可能出现的熟悉的事物，小孩子看图片认袋鼠、考拉——北半球的小孩子可能从来没机会见到真的——也是一样高效。

这种能力，可能就和前文提到过的“抽象认知”能力相关。人类记住某些事物，是以非常抽象的方式提取关键特征，记忆成“模式”。这是如何做到的，现在还是谜。预言学家雷·库兹韦尔猜想，人类记忆“模式”是存储在大脑的三亿个柱状结构中。且不管他的猜想是不是正确，我们只要知道人类的这种模式识别能力的强大，就足以发出感叹。

到目前为止，计算机“深度学习”仍然需要海量数据，人工智能对每一件事的学习都要有足够多的数据支持。因而很多人说“未来最宝贵的资源将是数据”，如果得不到足够的数据，人工智能就很难发展。对于一些有海量现存数据的领域，这是自然而然的事情，例如金融、医疗，但是人类社会生活还是有诸多领域缺乏足够多的数据记录，人工智能一时就很难习得。对人情世故的理解也往往受限于数据。人类拥有“从经历中学习”的能力。当一件事发生，作为单一的事件数据，人类就能学习到很多规律。在事件学习方面，人类不仅不需要很大的样本数据，就可以“吃一堑长一智”，甚至是可以超额学习，也就是“举一反三”。

每个孩子都是“一叶知秋”学习者，小时候，我们都能观察到他们胡乱总结生活规律。一两岁的小孩就可以总结“这样扔东西奶奶会笑”的规律。这样的坏处当然是“以偏概全”，但实际上，我们需要珍惜他们的这种特性。因为这正是他们在用强大的“模式提取”思考方式进行小数据学习，试图从生活小数据中提取宝贵的知识。

我们应该鼓励孩子们的思索，“以偏概全”也可以转化为优点。若想避免“以偏概全”，可以让他们看到更多、经历更多、体验更多，但是思考和总结的能力是千金不换的。

联想学习vs。逻辑学习

孩子的思考总是充满联想跳跃。我们通常认为走神是缺点，但其实也是优点。人工智能学习一个领域的知识，会局限在这个领域内，按照这个领域内的数据，寻找相关联系，寻找因素之间的相互影响。如果存在逻辑规则，人工智能学习毫无难处。人工智能在一个领域内得到的知识很难联想或类比到其他领域，因为它们并不具备多个领域的知识记忆。

人类的语言里充满类比和联想。当我们说起时代变化，我们说“风起云涌”的时代，表明时代的剧烈变化；当我们说起事态严重，我们说“山雨欲来”，暗示即将有大变化。天气和我们讨论的政治经济趋势毫无关系，但是所有的这些比喻之所以能成立，是因为人能注意到事物背后相似的部分，这些相似性也很抽象，如风云的变幻感和趋势感，这种相似性人工智能难以想到或理解。

类比并不仅仅是文学修辞，它是我们的思维方式，在知识领域同样有用。我们从前经常批判“廉价的类比”，感觉类比并不是真知，只是人们大脑胡乱的关联。但实际上，我们的知识发展很大程度上是靠类比和联想。逻辑演绎能保证我们在一个领域内推导出真知，但是根据哥德尔不完备定理，一个领域内总有一些基础公理是不能自我推导的。这就是说，每个领域至少有一些基本假设，要“无中生有”，而“无中生有”的来源，往往是从原有的领域类比而来。

有价值的类比实际上是发觉深层的结构，外在的信息无关，不意味着深层的机理无关。爱因斯坦的广义相对论，由自由落地的电梯类比而来，把整个地球类比于电梯，得到了令人瞠目结舌的对宇宙的新知。电梯和宇宙结构之间的关系，就是用跨领域联想找到深层原理。爱因斯坦有着非同寻常的视觉敏感度，联想能力与此密切相关。

我们跟小孩对话的时候，几乎很难将话题保持在同一脉络上。小孩子总是说到一半，就想起其他相关事物，然后话题就漫无边际地拓展下去。在孩子小的时候，我们会发现他们很难集中注意力在同一件事情上，思维常常飞跑，这让我们试图给他们传授单一知识的时候感觉非常困难。但实际上，孩子的这种天马行空的自由联想是极为宝贵的思想资源。发散的思维不受限制，注意到事物与事物之间的关联。3—7岁是大脑突触连接最快速增加的时段，到了小学之后，大脑突触连接数量逐渐减少，联想和跳跃的思维也减少，可以更有逻辑地思考，集中精力，但是终其一生，在逻辑思考和跳跃思考之间找到平衡，往往是最有成果的。

习惯化学习vs。重复学习

小孩子总是三分钟热度，一件事情喜欢上两天就不喜欢了。要是人工智能，我们可以让它念唐诗念上一年也不厌倦，但小孩子能坚持三五天就很了不起了。

我们都知道这是人工智能的优势，那我们又为什么说“厌倦”是孩子的优势呢？

实际上，厌倦来自一种心理学特征：习惯化。习惯化是指：大脑对于新奇的刺激有本能的兴奋，人的注意力喜欢追随新奇刺激，一旦一个新鲜信息变得习惯了，大脑就感到厌倦，不再加以注意。婴儿身上就展现出这种特征，心理学家给三四个月大的婴儿看屏幕上的画，如果是他觉得奇特的，他就目不转睛盯着看，如果是已经看得习惯的画，他就不怎么看了。科学家就是用这种方式测定婴儿的本能知识。

那这有什么好的呢？

实际上，习惯化反映了大脑的学习过程。“注意力”是大脑的稀缺资源，大脑总是要把注意力“投资”在最值得的地方。一旦一个知识学会了，融入了自己的知识框架，大脑就要把注意力投资到其他地方。习惯化实际上就是学会之后的注意力转移。这种习惯化也正是形成“常识”的过程。大脑有常识体系，一旦一个信息是“反常识”的，大脑就加以注意，新知识变成常识的一部分之后，注意力就向其他新知识转移。