人工智能时代：破解人机共存密码（套装共10册）

第七章人工智能的不能

人的日常工作，大量地基于不可解问题的复杂性。在某一领域和问题的单一解决方案上，计算机能够自我优化地提升解决问题的效率。在这一点上，恐怕人是要叹为观止了，在惊叹中围观，自己就不做了。但人的创新能力在于寻找新假设的能力和基于计算复杂的多重选择能力，这两者都能被哥德尔不完备定理所涵盖。

深度学习

1956年夏，约翰·麦卡锡（John McCarthy）和马文·明斯基（Marvin Lee Minsky）等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”时，首次提出“人工智能”这一概念，标志着人工智能的诞生。从那以后，研究者们发展了众多理论和算法，人工智能的概念也随之扩展。而今，当我们再次把焦点关注到人工智能上时，它已经有60多年的历史了。2006年，基于神经网络的深度学习算法取得重要突破，人工智能顺势迎来新一轮投资界和工业界的追捧。警惕人工智能，这之后，很多“科技”明星代言人也在不同场合提醒人们要防止人工智能取代人类，甚至是统治人类。

电影《模拟游戏》讲述了二战中图灵的真实故事——德军认为牢不可破的密码被图灵的机械解码器破译了，盟军从此掌握了战争情报的先机，最终赢得了胜利。从那时起，人们就开始想象，计算机可以解开人解决不了的难题，按照这样的趋势发展下去，计算机就有可能超越人类。20世纪80年代，个人电脑的普及带来了人类对人工智能的第二次恐慌，1997年计算机深蓝战胜了国际象棋大师加里·卡斯帕罗夫（Garry Kasparov），电影《终结者》和《机械战警》都是这个时期的代表作品。2006年以后随着深度学习技术的发展，人类迎来了对人工智能的第三次恐慌。美剧《西部世界》和电影《机械姬》就代表了这一阶段人们对技术发展可能超越人类智慧的隐隐恐慌。美国未来学家雷·库兹韦尔（Ray Kurzweil）提出奇点理论，被互联网人追捧，人们担心，到2049年，人工智能就可能超过人类，从此绝尘而去，人类会被机器人奴役，地球会被机器人统治。

人工智能产业最近几年进入快速上升通道，一方面有赖于过去六十多年学术界的知识沉淀，另一方面则得益于近些年来学术界和产业界高频次、高效率的互动。大数据、硬件计算能力，以及算法能力推进了人工智能的高速发展。广义的人工智能指人所创造的、代替人从事某些思维行为的设备。它可以是算盘，可以是计算器、计算机，以至于超算中心上基于算法行为实现了类似于人类逻辑推理。从狭义讲，从2006年开始的这一波人工智能浪潮，是在已有科技的基础上因为深度神经网络的突破而获得的发展。几年之间深度学习算法在语音和视觉识别上实现突破，使人工智能产品更加成熟，而围棋人机大战、无人驾驶等一些具有广告效应的应用再次引起了社会的广泛关注。

作为人工智能的基础，大数据的重要性很早就被产业界看到了。2009年，谷歌通过分析近万亿条被网民检索的词汇和美国疾病控制与预防中心发布的2003年到2008年间季节性流感传播时期的数据，成功预测了2009年冬季流感在美国的传播路径和时间。谷歌同样利用深度学习图像算法，对谷歌地图所拥有的5000万张街景照片进行图像识别，从而得出了地区经济状况甚至预测地方选举选情。对大数据而言，往往是数据大而无法有效找到有意义的结论。在很多问题中，人们需要新的处理模式才能让大数据工具有更强的决策力、洞察发现力和流程优化的能力，才能让海量、高增长率和多样化的大数据变为信息资产。传统的逻辑推演、机器学习、统计、模式识别、概率，它们都为大数据的有效利用提供了不同方面的工具。作为人工智能的代表算法，深度学习也同样给出了一种新的大数据处理手段。这一次基于深度学习的人工智能热潮，其核心就在于通过大规模计算寻找海量数据中的规律，再运用该规律对具体任务进行预测和决断。

以图像识别的深度学习算法为例。每一张图片表现为数字序列都是大到几兆比特的大数据，而图像里的人对应于“谁”，是深度学习的算法要找到的目标。深度学习就是建立原始数据——“图像”和图像所表达的意思——“人名”之间的关系的一个特定的数学模型。这个数学模型，通过自适应算法，可以在大量的数据和对应的目标之间进行反复迭代而不断优化，以达到更高的准确率。这个模型的参数空间里的每一个参数，不一定要对应于具体的含义，不一定需要有逻辑上的关系。人们只需要以效果来判定算法的好坏，只要求计算准确，而不需要理解参数的实际意义。正因为这样，深度学习也存在这样那样的隐患，因为我们对同样海量数据所构建的深度神经网络中的参数空间不能够完全理解，一些不可控的未知因素被逐渐发现，已有算法的漏洞也逐渐在研究中被观察到。

人工智能技术取得突飞猛进的发展又得益于大数据的支持，正是因为有了海量数据，人工智能才能基于这些原材料进行相应训练。大数据是人工智能发展的基础，这是因为大多数人工智能技术依靠统计模型来进行数据的概率验算，通过把这些模型暴露在大数据中，使模型和参数不断优化，这或称为“训练”。有了大数据的支持，深度学习算法的输出结果会随着数据处理量的增大而更加准确。因此，学术及研究机构承担建设了公共数据集，其目的在于依靠优质数据的不断丰富，推动算法的进化和研究力量的不断成长。随着算法的相对成熟，行业数据集与产业结合紧密，行业也开始讨论人工智能的伦理学，与人类学、社会学、法律学、伦理学、生物学等领域展开更大范围的互动与合作，开展学术研究，不管有没有，都要摆出来未雨绸缪的姿态。

超越有限系统

早在两千年前，古希腊哲学家芝诺断言长跑健将阿喀琉斯跑不过乌龟，他这样推理：

假设乌龟的速度是阿喀琉斯的1/10。先让乌龟跑1米，阿喀琉斯追上这1米，但乌龟在这期间又向前爬了0.1米，当阿喀琉斯追上这0.1米时，乌龟又向前爬了0.01米，这样下去，只要乌龟先出发一点，阿喀琉斯就永远追不上乌龟。

在16世纪，数学家开始认真地追究什么是无穷。牛顿和莱布尼茨这时已经开始在他们所发明的微积分中大量使用了无穷的概念。芝诺的赛跑问题在引入极限的概念之后得到了很好的解答。假设阿喀琉斯的速度是1米每秒，乌龟速度就是0.1米每秒。那么阿喀琉斯追上第一个1米要1秒，这时候乌龟爬过了0.1米，阿喀琉斯只要0.1秒就赶过了这个时间，所以阿喀琉斯追上乌龟的时间总共要 $1 + 0 . \ 1 + 0 . \ 0 1 + 0 . \ 0 0 1 +$ $\ldots { } _ { \infty } { 1 \frac { 1 } { 9 } }$ 秒。

但当数学家把无限的数字加在一起时发生了新的矛盾。如果列表中的数量变得更大，总和将“发散”，即随着数量接近无穷大，总和也是如此。通常我们会看到一组数的总和是：

$$
1 + 2 + 3 + 4 + 5 + \cdots = x 5 7 + 5 7
$$

但是，如果单个项迅速地变得越来越小，那么无穷多个项的和可以越来越接近有限的极限值，我们称之为系列的总和。例如：

$$
1 + { \frac { 1 } { 9 } } + { \frac { 1 } { 2 5 } } + { \frac { 1 } { 3 6 } } + { \frac { 1 } { 4 9 } } \cdots + = 1 . 2 3 3 7 0 0 5 \cdots \cdots
$$

数学家们也开始担心特殊的无休止的总和：

$$
\begin{array} { r } { \mathrm { ~ 1 ~ \ - ~ \ 1 + 1 ~ \ - ~ \ 1 + 1 ~ \ - ~ \ 1 + 1 ~ \ - ~ \ } 1 + 1 \ \mathrm { - ~ \ } \cdots \cdots = \ ? \ ? \ ? \ ? \ ? \ ? \ ? } \end{array}
$$

如果你将系列分成几组，它看起来像 $( 1 - 1 ) \ + \ ( 1 - 1 ) \ + \cdots ,$ 依此类推。这只是 $0 { + } 0 { + } 0 { + } \ldots { } = \ 0$ ，总和为零。但想想如果这个系列是$\begin{array} { l l l l l l l l l } { { 1 } } & { { - } } & { { ( 1 } } & { { - } } & { { 1 + 1 } } & { { - } } & { { 1 + 1 } } & { { - } } & { { 1 \cdots } } & { { . } } \end{array}$ ，它看起来像 $\begin{array} { r l } { 1 ^ { - } } & { { } ( 0 ) = 1 } \end{array}$ 。我们似乎证明了0=1。

进一步假设： $\begin{array} { l l l l l l l l l l } { { \mathrm { s } = 1 } } & { { - } } & { { 1 + 1 } } & { { - } } & { { 1 + 1 } } & { { - } } & { { 1 + 1 } } & { { - } } & { { \ldots } } & { { } } \end{array}$

那么， $s { \mathrm { = } } 1 - ( 1 - 1 + 1 - 1 + 1 - \cdots { \mathrm { = } } 1 - s { \mathrm { = } } 1 - 1 )$

当 $\frac { 1 } { \ l _ { \mathrm { s } } = \ l _ { 2 } }$ ，你可以看到一个更无法理解的计算结果：

$$
\frac { 1 } { 2 }
$$

无穷大和有限大看来存在着本质的差别。我们当然可以拒绝数学中的无穷大，只处理有限数量的数字，或者，正如柯西（AugustinCauchy）在19世纪初针对类似的问题所展示的那样，一个无穷系列的总和必须通过更详细地指定其总和的含义来定义。在这里我们就看到一个简单的例子，一个通过扩大到无限形成的好玩的数学例子，还是要提醒读者，这些例子只有在数学上允许，物理上却无法实现，这也看出了数学和物理之间似乎真实地存在差别。

将 $\mathbf { \Psi } _ { y } = \mathbf { \Psi } _ { x }$ 中x≥1的部分绕着x轴旋转一圈，能得到一个小号状图形。这个小号状图形有一个神奇的性质——它的表面积无穷大，可它的体积却是π——一个确定的有限值。这明显有悖于人类的常识：体积有限的物体，表面积却可以是无限的！换句话说，填满整个小号只需要有限的油漆，但把小号的表面刷一遍，却需要无限多的油漆！二维几何悖论中还有科赫雪花（Koch Snowflake）。科赫雪花是一种经过无穷多次迭代生成的分形图形。它的面积有限，周长却是无限的。用无限的周长包围了一块有限的面积！