人工智能时代：破解人机共存密码（套装共10册）

但我想这就是像我这样的人的人生，劳什子听他贴什么标签。

现代医学真是让终身职业成了少数人的选择，那么难！在100年前，人的平均寿命才40岁，一个人花20年读个书，花10年卖书袋子，再有10年倚老卖老，就该死了。所以一辈子从事一个职业一点都不难，成为通才的大师也不难，反正知识就那么多。但那不是我想要的生活。我在邻家乖孩子式的教育下，早早把家长和人民的希望和嘱托完成了，30岁成了世界第一的研究机构的物理学教授（从SCI，即美国《科学引文索引》的评价标准来说，中国科学院真的是世界第一了）。再往后仰之弥高，钻之弥坚，穷经白首做个院士，然后执杖乡里，指指点点让年轻人叫自己师祖，看起来实在太遥远。于是我胆怯了，做了逃兵。

然而，于我的家国情怀，我不仅没有做成逃兵，而且迎头上来了。有时候家国情怀不是自愿的，是它找来的。我开始担心这个国家会陷入“中等收入陷阱”，于是我五脊六兽地开始找点事情来做。面对这些急迫的问题，我那些关于科学的理想似乎可以放一放。于是我“半路出家”做了布道者，为中国制造业升级积极想办法。我一路自己给自己解压，一个像我这样“不务正业”的人，在目前这个人生的阶段，能为这家国做的事情暂且就只这么多了，“日拱一卒”看起来是孜孜不倦的勤奋，其实是偷懒，本来可以一天走两步，拱两卒的，但偏偏拱完这一卒就想休息去了，等明天再来。我还有很多别的事情做，我是个务实主义者，我不会为理想抛头颅洒热血、毁家纾难。我打着小算盘的同时顺便做点和大道理相关的事情。也许过个十几年我的小事情做得差不多了，可以回头再把今时今日的事情再做一遍，但而今，在今时今日的努力中，我尽力了，不能要求我更多，the lessis more（少即是多）。

我看到的很多人，现在做的事情与少年时初心并不一致，一致的反而凤毛麟角。如果现在一个十六七岁的少年跟我坐在咖啡馆聊天，他对我指手画脚地说你该干这个、不该干那个，你这辈子要是干这个了就会活得很失败，会违背初心，我恐怕难以抑制扇他耳光的冲动。但如果时光穿梭，那个孩子不就是少年的我吗？十几岁的自己见识那么少，为什么要决定我现在该干什么不该干什么呢？你会因为一个涉世未深对未来有无穷幻想的少年的执拗而评判自己人生的真实体验吗？

功不唐捐，你说这是巧合也好，对未知的探索也好，把内心执拗的东西说成是坚守初心，更多的是翻过了山丘的人对自己碰上的事情的解释，将自己的选择正义化的演义。真正的人生，永远是多变的、丰富的，而机会也许就在拐角处。当它来的时候，你能把握，而不被所谓的初心所羁绊，不亦乐乎。

在牛津读书的第一年，我补上了在北大物理学院没有学习到的金工实习和电路设计等手工技术，这些能力在我后来的研究中起到了重要作用。我从事的是超冷原子物理方向的研究，虽然做了些理论工作，但还是以实验为主。这个方向的实验对工程能力要求极高，需要从业者有很好的动手能力。电、力、热、软件、硬件、通信、成像、激光、真空、数据分析和物理，读研究生时几乎样样都要自己动手。博士毕业之后我的第一份工作是在美国国家标准与技术研究院（NIST），搭冷原子实验平台。后来到加州大学伯克利分校又做了一个博士后，又搭冷原子平台。再后来在中国科学院做教授，给“天宫四号”搭冷原子平台。事实上，现代物理实验中很多设备要自己亲自动手做才能发现和探索新知识。冷原子行业有一句老话，温度每降低一个数量级，就会发现一个完全不同的物理世界。为了这个目的，这个领域的科学工作者花了大量的时间和精力来研究机械的、电子的、激光的、软件的、硬件的各种工业界新技术，迅速应用到自己的实验中来获得新的结果。不仅这个领域如此，为了新发现，今天的物理学界也普遍如此。

在加州大学伯克利分校时我意识到视频数据的实时处理是一个值得深入研究的问题，于是我的研究兴趣逐渐转向了用人工智能技术来处理视频。这些年从事人工智能的工作，我了解越来越多的人工智能技术，就越对人的智能充满敬意，尤其是能够动手做东西的人类的创造力。在加州大学伯克利分校做博士后期间，我和同事们曾经试图在量子极限附近设计实验来了解“测量”的本质。因为只有几个光子可以被吸收，所以实验需要系统极其稳定和敏感。我花了几个月的时间推导设计了一个极其复杂的算法，可以在充满涨落和噪音的数据中找到潜在的线索。拿给合作导师看时，他说，我们是做物理实验的，好的工作是干净的数据，而不是复杂的数学模型。这让我想起来我大学两年里参与夏商周断代工程里的甲骨测年，用贝叶斯（Bayesian）统计法把武王伐纣定在了公元前1046年1月21早上8点。我对play withnumbers（拿数据调着玩）没有一点好感，多少受这些经历的影响。当贝叶斯统计又在深度学习中被广泛用到的时候，我们这些实验物理学家只能嘿嘿一笑。

在加州大学伯克利分校接下来的两年，我们都在花时间提升系统的测量精度，包括芯片刻蚀、在超低温条件下的单光子探测器和宽带超灵敏反馈电路等，这些都是要在实验室自己亲手做的，尤其是探测单光子所需要的超窄线宽的光学腔。这项技术，后来被用在了对引力波的探测上，所以那些伟大的工作中，有些角落是有我可以说一说的细节的。

老话说，纸上得来终觉浅，绝知此事要躬行。我一直不觉得我自己是个好的科学家，大概算个好的手工师傅，一个不差的物理学工作者。2009年我在飞机上遇到李宗盛，聊天颇为投缘。他说他也是一个好的手工师傅，醉心于做吉他，而我觉得在金工房里做半导体激光的基座，甚至做一把木梳子，都实在是令人感到充实而有乐趣的事情。动脑动手做东西给人一种内心的满足和安静，这种心态对后来我在工作中每每遭遇不顺和挫折时所要有的平和心态的养成颇有益处。

这些训练和经验，让我对动手能力的训练情有独钟。很多时候，不，应该说所有时候，创造并不是灵光一现的，而是水到渠成的事。人生没有白走的路，每一步都算数。

所以正如《量子大唠嗑》中所讲，人有很多面，世界也有很多面，我们只能设定一个环境，描述这样的情境里人是什么样子，有什么标签，而未来的世界也是这样，每个人都在自己喜欢的事情里享受生活的意义，没有谁，在什么地方，被定义着生活。

问题导向的学习

牛津大学是比较少见的学院制。大学是学院的联盟，而大学的系更像是各个学院之间资源共享的平台。学者既属于某一科系，又属于某一学院，因此做学问研究也形成了两种体制。院系可以提供传统意义上的学科研究支持，它大致遵循了近代以来形成的学科分类习惯。更古老的研究方式为牛津大学的各个学院提供支撑，学院可以为学者提供研究资助，做学问的人并不需要明确自己属于哪个研究方向或分科。这样的制度允许学者更多地以兴趣或者题目为导向去做研究，并不局限于某一个学科领域，通常为了解决某个问题，不断穿梭于学科之间和了解既有的学问之外的知识来拓展所需要的工具。

1999年牛津大学出版社出版了牛津大学纳菲尔德学院（NuffieldCollege）学者艾伦·戴维森（Alan Davidson）的《牛津吃货宝典》（The Oxford Companion to Food），这本书在一夜之间取得了巨大的成功，在全世界赢得了多个奖项和荣誉。这本书结合了严肃的食物历史、烹饪专业知识和偶然的趣味性，每一页都提供不同的视角。它囊括了滋养人类的食物的详尽目录，无论是热带森林的果实，西伯利亚花岗岩刮下的苔藓，还是动物眼球和生殖器。无论从文学角度还是烹饪菜谱的角度，这本书都极具参考价值。《牛津吃货宝典》掀起了人们对食物和食物历史的研究，作为一门新的学科，食物学在过去的二十多年中飞速成长。在国际学会、学术期刊和海量的文献中，全球各地学者广泛地探索人们日常生活中食物的意义。每年3月来自全世界的食物学学者都会聚集在牛津大学圣凯瑟琳学院（St CatharineCollege）开世界食物大会。会上的学术讨论不仅关注于食物和营养本身，而且几乎从每个与食物相关的角度来理解人类生活，无论是环境、政治、人文，还是市井生活、文化冲突或战争。这是个好的创新案例，食物学从艾伦·戴维森的个人兴趣发展成一门严肃的学科。回顾历史，哪一门学科在开始的时候就能归纳于某一门类的问题呢？这本身就是个有关因果的悖论，如果每一个学科都有学科作为其归类，那么它们是怎么开始的呢？可见，一直回溯到经典逻辑的第四条充分必然条件，都要求我们无中生有地创造，这是不切实际的，真实的学科发展必然像古埃及的太阳虫，这里滚一点，那里滚一点了。

新工程教育

写这本书的一个深邃的目的，隐藏在这里。自从做了物理学教授，我就越来越觉得工程的重要。这些年稍稍离开学术界而深入产业界，一手一脚地做点实际的事情，就更加觉得工程能力的有用性。然而我们这些年的教育忽略了对工程人员的培养，风雨欲来的人工智能又叫喊着用机器取代人。我深深地觉得我们应该去找到人类与机器的差别，至少它应该影响我们今天的教育内容。谁都不想我们今天教给孩子们的技能，十几二十年后他们长大了才发现机器做得比他们要好得多。这样的例子屡见不鲜，我小时候学过算盘，邮局有电报员，印刷厂有专门的排字工…… 我凭着直觉感到，在车间伴随着时时思考并探索和尝试的动手能力，力学的、电学的、材料的，是无法轻易被机器取代的，相反，坐办公室的工作，却很容易被机器取代。我一直没有找到好的证明，直到有一天，跟我的导师基思·伯内特（KeithBurnett）先生聊起未来的工厂所应该营造的气氛。人们希望能够在未来工厂营造一种游戏的氛围，让年轻人以打游戏通关的心态从事创造性的工作。未来工厂也像今天的苹果公司的销售门店一样，窗明几净，有计算机设计终端，也有满地走的机器人。在这个生产场景里，人们试图创造的每一个工件甚至执行的每一个步骤，都是一个多选择的过程。这时人脑又像极了很多选择网络上行走的量子随机行走，经典计算不能够代替人类做出复杂决策，或者说至少不能像人脑一样可以有效地做出截断的判断。但说到了游戏，《超级玛丽》和《魂斗罗》都是经典的NP不可解问题。如果零件制作和工程师的创造行为可以用游戏化的方式来进行，那恰恰也可能是一种类似的NP不可解问题，这一代的计算机无法有效胜任的工作。人工智能催化的以数字产业为主的知识研发目前还很难覆盖手工业。除了机器人制造能力的限制，其中的主要原因可能会有其他更深层次的。比如，涉及基于大量操作经验而形成的直觉，这是目前人工智能很难与人进行比照的方向。因此，在制造业中，高级技术工人在工作过程中，所具有的结合数字化和制造业流程本身特点的技能，在人工智能时代会显得尤为重要。这就需要制造型人才不仅要懂得人工智能的计算机技术，也要懂得工业生产流程中的具体情况。

传统工程教育强调对学生进行基于学科知识的能力训练，体现出工程教育活动组织与开展的学科逻辑。由于学科逻辑过于强调学生对工程学科知识的掌握以及学生认知能力的训练，因此传统工程教育容易造成工程教育活动的开展而忽视学生个体身心发展规律，忽视学生工程实践经验构建以及工程实践中学生的组织和沟通能力的培养。

基于这些考量，麻省理工学院从2017年开始开展的新工程教育改革采取了整合学科逻辑与心理逻辑的策略。整合的路径体现为以研究具体问题的课题项目为线索，围绕现代产业的实践和研究方法，构建机械、材料和系统科学的跨学科内容。每个课题为学生提供了前所未有的机会，让他们沉浸在跨越学科的研究项目中，同时获得所选专业的学位。新工程教育的教学方式发生了变革，强调以学生为本，关注学生的学习方式和学习内容，把学生真正置于工程教育活动的中心。不仅重视知识的获取，而且重视应用知识的能力。项目是学习制造、发现、系统和创造力的主要工具，它有助于促进学生从团队技能到人际关系技能再到领导能力的提升。在开展教学活动时，学校通过充分考量学生个体的认知风格、学习方式等方面的差异，选择最适合学生个体发展的学习方式，引导学生积极参与，激发学生的主动探究与自学能力，采取项目学习、小组学习、团队合作、信息化教学、智慧学习等手段，为学生成为引领未来工程发展的领导者奠定基础。

人工智能对生产效率的提高会使得产业界更加注重工程人才的学习能力和思维等方面的表现，原来强调以知识习得为重心的教育体系将会受到挑战。新工程教育应更注重对学生思维的培养，从而让学生在工程实践中面临各种未知与复杂问题时能够运用恰当的思维去思考、解决问题。麻省理工学院提出新工程人才应具备12种思维和能力：

1.学习如何学习（Learning how to learn）：学生利用一定的认知方法主动思考和学习。

2.制造（Making）：新工程人才发现和创造出新事物的能力。

3.发现（Discovering）：一种通过采取探究、验证等方式促进社会及世界知识更新，并能产生新的根本性的发现和技术的能力。

1. 人际交往技能（Interpersonal skills）：一种能够与他人合作并理解他人的能力，包含沟通、倾听、对话、参与和领导团队的工作等。

1. 个人技能与态度（Personal skills and attitudes）：包含主动、有判断力、有决策力、有责任感、有行动力以及灵活、自信、遵守道德、保持正直、能终身学习等品质。

1. 创造性思维（Creative thinking）：一种通过深入思考，能够提出和形成新的、有价值主张的思维。

1. 系统性思维（Systems thinking）：在面对复杂的、混沌的、同质的、异质的系统时，学生能够进行综合性、全局性的思考。

1. 批 判 与 元 认 知 思 维 （ Critical and metacognitivethinking）：一种能够对经由观察、体验、交流等方式所收集到的信息进行分析与判断，以评估其价值及正确度的思维。

1. 分析性思维（Analytical thinking）：一种能够对事实、问题进行分解，运用理论、模型、数理分析，明确因果关系并预测结果的思维。

1. 计算性思维（Computational thinking）：一种能够把基础性的计算程序（例如抽象、建模等）以及数据结构、运算法则等用于对物理、生物及社会系统的理解的思维。

11.实验性思维（Experimental thinking）：一种能够开展实验获取数据的思维，包含选择测评方法、程序、建模及验证假设等内容。

12.人本主义思维（Humanistic thinking）：学生能够形成并运用对人类社会及其传统、制度和艺术表达方式的理解，掌握人类文化、人文思想和社会政治经济制度的知识。

通过教育，人类掌握了各种工具。以语言为例，它是我们表达自己的工具，没有它们，我们无法表达自己，无法与人沟通，但掌握了它们，它们就有可能成了限制我们思维的条条框框。哥德尔不完备定理无处不在，跳出有限假设的范畴便是创新。小时候就没有这些条条框框。有人说人在小时候是天才的，受教育了才成了庸才，但没有这些教育，即使有天才的想法也无法被察觉或者被记录，或组织合理的实验来验证这些想法，那些异想天开也就永远成为异想天开。我们只是要在掌握这些条条框框之后时刻提醒自己，这些武器也是我们的枷锁。这是实战的经验：我们辅导孩子功课的时候，他们总想到盒子外面，我们总要拿着小鞭子把他们抓回来。抓啊抓啊，他们就习惯了我们的思维方式，知道了我们想让他们知道什么。直到我们和孩子可以顺畅沟通了，他们也习惯了不往盒子外面想。等他们长大了，我们又要不断地教导他们要创新，要往盒子外面想。困难在于怎么保持这两者的兼顾，盒子里面的是理性，或者说我们总能把它梳理成理性，但理性不足以构成一个完整的人，也不足以构成完整的知识体系。

突破常规而有所创新说起来也不难，但用到自己身上很难。我们承认和鼓励“不同”，但也尊重先验工具本身，知道它的工具和枷锁的双重性。当我们比较了人工智能和人的根本区别，也比较了经典系统和量子力学所预示的系统之间的差别，我们发现人类社会的发展趋势是我们不再那么需要服从纪律的劳动力，这些劳动力可以轻易地被机器人取代。相反，社会对人的科学素养和人文底蕴要求越来越高。这包括人对世界的认知能力和人与人之间的沟通能力，也包括人对自身的感悟能力。社会需要的是具有创造力、充满好奇心并能自我引导的终身学习者，需要他们有能力提出新颖的想法并付诸实施。