人工智能伦理

图4.20 机器学习涉及计算机科学、数学、统计学、心理学、神经科学、语言学、哲学、教育学、人类学、社会学等，“百家争鸣、百花齐放”才应是它该有的繁荣景象

4.1 学习的方式

通 过授课、书本、观察、实践等多种多样的学习方式，不断地丰富知识体系和加强运用知识的能力。人类学习的目标是“学以致用”，所以无用的知识对人类而言是无意义的。很多人认为哲学是无用的，这是一个极大的误解。哲学是所有理性学问的基础，如同建筑的根基，它的不牢固、不清晰所导致的麻烦会让整个理论显得混乱不堪。

所有科学和数学都是在哲学指导下的实践，所以伟大的科学家和数学家几乎必然是伟大的哲学家或思想家。物理学家阿尔伯特·爱因斯坦把他的相对论看作是哲学的胜利，成功地挑战了形而上学的绝对时空概念。同样地，爱因斯坦与尼尔斯·玻尔（ Niels Bohr, 1885—1962 ） 、 维 尔 纳 · 海 森 堡 （ WernerHeisenberg，1901—1976）、马克斯·玻恩（Max Born，1882—1970）等几位量子力学奠基人的论战，几乎就是哲学之争。

图4.21 爱因斯坦不仅是伟大的物理学家，更是伟大的科学哲学家

人 工 智 能 应 该 遵 循 怎 样 的 哲 学 理 念 呢 ？ 形 式 主 义（ formalism ） 、 逻 辑 主 义 （ logicism ） 、 构 造 主 义（constructivism）、行为主义（behaviorism）、归纳主义（inductivism）、建构主义（constructionism）、实证主义（positivism）等都对它产生过影响。

人们常说“实践是检验真理的唯一标准”，其中的实践包括思维实践，即利用已有知识论证一个结论，或者解决一个问题。例如，在数学里，如果某命题引起了一个矛盾（推理的过程就是对该命题的一个实践），则该命题一定为“假”。如果要断言某命题为真，必须从公理或假设出发给出严格的证明，这是数学对“真”的实践，而非堆积一些实例的不完全归纳（imperfectinduction）。

妄议真理容易掉进“悖论”的泥坑，我们也从不指望抓住自然的“真理”，人类毕竟不是无所不知的上帝或拉普拉斯妖。然而大到理论，小到模型，实践不失为检验它们是否有效的可靠标准。譬如，一个物体识别模型在开放测试的场景里，搞清楚它在哪些情况下容易失效，对于将它用于自动驾驶的厂家来说是至关重要的。为各种应用提供相对公正的测试标准（包括动态数据、模拟环境等），是人工智能健康发展的必要条件，它本身也有待成为一门严谨的学问。

当下，我们甚至不会奢望有一个普适的形式理论，能够解决所有人工智能问题。大凡看到报道说某某工具独领风骚地成为AI的担当，基本可断定为骗局或痴语。

图4.22 知行结合的学习是最有效的：“搞懂”和“会用”都需要学习

人类在学校里获取系统的知识，几百年甚至上千年积累下的一门学问，在短短的几年里就要掌握。在国民的普通素质教育中，初等数学和统计是必备的。越高等的科学教育，越强调数学的重要性，它是一切科学的基础。科学和数学教育培养学生的抽象思维能力。

500JAHRE UNIVERSITAT FREIBURG

图4.23 在学校里通过教学获取知识是人类千百年来习以为常的模式

还有哲学、历史、地理、语言等文科教育，侧重培养学生的人文素质，以及如何运用新思维、新理论重新组织已有的知识使之变得更加合理。

例4.10 如果训练（或学习）的真实环境很难获得，则可以舍弃一些细枝末节，构造一个接近真实环境的模拟环境为训练者（或学习机）提供培训和测试的各个环节。例如，在第一次世界大战期间，人们就开始在飞行模拟器（flight simulator）里学习驾驶航空设备。

图4.24 微软公司从20世纪80年代开始发行模拟飞行的系列软件，甚至早于视窗操作系统。《微软模拟飞行器2020》运行于Xbox和个人计算机平台，颇受游戏玩家喜爱

再如，宇航员在地球上的模拟失重状态的训练环境、加速到环绕速度（约7.9千米/秒）和脱离地球引力束缚的逃逸速度（约11.2千米/秒）等。