人工智能的进化 计算机思维离人类心智还有多远

海伦·凯勒在自身存在巨大生理缺陷的情况下，仍然取得这样的成就，让我们刮目相看。但也有很多人提出疑问：如果没有足够的市井智慧，人类的心智究竟能走多远？

更为有趣的是，在所有的讨论当中，很少有人会质疑这样一个问题:如果没有足够的书本智慧，我们能走多远?无论这背后是什么原因，我们确实过于轻视人类特有的精神生活了。我们在审视自身的优势（比如语言、规划、制造工具和文化）时，总是希望能在其他动物身上也找到类似的能力。近年来，对于人类与动物之间的差异，我们有些熟视无睹。其实二者之间最大的差异，就是人类能够学习书本知识，人类语言不仅用于即时通信，而且用于进一步扩展我们的语言、规划、工具制造与文化。

书本中的市井智慧

让我们回到书本智慧和市井智慧，重新思考一下上文提到的熊冬眠和黄色柠檬的例子。我们发现，我们是通过语言知道了熊冬眠，通过经验认识了柠檬。换用本章的术语就是，我们通过书本知识认识了熊，通过市井知识认识了柠檬。

第6章书本智慧与市井智慧

099

这样一来我们就能明白，诋毁任何一种知识形式都是无意义的。难道只有爱坐前排、善于考试的书呆子才知道熊冬眠这种知识吗?通过市井直接经验知道“柠檬是黄色的”就真的那么了不起吗?

至于“市井智慧完爆书本智慧”的原因，更为合理的解释是二者的题材内容不同，而非获取方式不同。换句话说，在其他条件完全相同的情况下，实践知识拿来就能用，直接作用于下一步决策，比起阳春白雪的抽象理论，更容易引起我们重视。

假设你正乘坐出租车在罗马旅行，如果想给同行游客留下好印象，那么就要高度重视是否要给司机小费这类信息，因为这里的习俗可能不同于爱丁堡。你可以通过亲身实践试错，观察当地人的做法，向别人请教该怎么做，或者阅读旅游指南上的相关介绍，来了解小费风俗。总之，方式并不重要，重要的是你了解了当地风俗，并能在实践当中不犯错误。尽管这些知识来自书本，但却让你拥有了市井智慧。(这里需要说明，在罗马乘客一般不需要向出租车司机付小费，但是在爱丁堡要付。)

当然，我们知道有一些东西确实无法通过语言学习获得。如果我们从未见过柠檬，那么语言对于描述柠檬的颜色变化也不会有太大帮助，除非参照其他颜色相近的物体。海伦·凯勒可能知道柠檬是黄色的，而且这种颜色与稻草和校车的颜色相似，但是她可能分不清这些颜色之间的差别。语言在此显得苍白无力。(有趣的是，书籍可以向我们展示色彩的变化—而且只要一个例子就够了——但却无法用语言将其表达出来。）我们目前尚不清楚这点儿额外的市井知识的重要性，但我们确实拥有它。

人工智能的进化

100

同时我们也知道，有很多知识都不是通过直接经验学到的。只有极少数人需要直接与冬眠的熊打交道，其他人都是通过这些人了解熊冬眠的知识。我们学习科学、数学和技术的过程也是如此。关于这些关键论点，我们与海伦·凯勒的立场一致。

第6章

书本智慧与市井智慧

101

第章

长尾理论与培训的界限

在努力理解智能行为的过程中，我们经常会采取以下方式：首先观察自己认为最常见的行为，找出相应的应对办法；然后以此为基础，便可以不断提高处理问题的能力。当我们跨过某个门槛，基本能够处理99.9%的问题时，我们便停下来。

这就是所谓的工程战略。我们对于正在研究的某种行为，先制订草案，然后进行工程设计，优化并提高处理能力。这种战略在机械设计当中表现得淋漓尽致。给定一个推力为X的火箭，如何改善才会产生推力Y？对于一座承载能力为X的桥梁，如何加固可将承载能力提升至Y?

这种工程战略确实在解决一些与智能行为相关的问题中发挥了良好的作用。例如，当我们学习走路时，我们都会从普通、常见的地方开始，比如在地板上或者坚实的地面上。最终我们学会了走路，并且能够应对沙地和冰面等较为复杂的路况。同样的道理，我们在学习母语时，通常都是从聆听儿语开始的，而不是去看最新一期《麦克劳克林小组》(TheMcLaughlin Group）或者达纳·卡维模仿秀。

但是，这种工程战略也有完全不起作用的时候。如果某些个体事件虽然极为罕见，但对于整体却意义非凡，我们就将这种事件的分布称为长尾分布，而这些罕见的个体事件就是纳西姆·塔勒布（NassimTaleb）所说的“黑天鹅”。（欧洲人曾一度认为所有的天鹅都是白色的。）虽然黑天鹅的作用可能非常重要，但如果我们先着眼于常见的现象，再将注意力转到稍微不太常见的现象，然后以此类推，我们就可能永远也见不到黑天鹅了。单从统计学的角度来看，我们似乎做得很好。但是事实上，我们可能做得非常糟糕。

长尾现象带来的难题

为了更好地理解该如何应对长尾现象，我们不妨假想一个极端的数字示例来帮助思考。

假设我们正在尝试估算一个巨大数字集合的平均值。为了便于思考，我先透露点儿小秘密：这个数字集合中包含1万亿个数字，它们的平均数是100000。但是集合中大部分数字都非常小。该集合数字的平均数如此之大的原因是，其中有1000个超级大的数字。当然，这些大数字都控制在100万亿之内。

人工智能的进化

106

现在，假设我们对以上数据毫不知情，并且我们的目的是通过抽样得到一个典型数字。我们从集合中第一次抽取的10个数字如下：

2,1, 1,54,2, 1, 3, 1,934,1

其中出现频率最高的数字是1，中位数(按从小到大顺序排列后位于中间位置的数）是1.5。但是这组数字的平均数肯定大于1。在寻找平均数的过程中，我们会找到一些大于平均数的数字，也会找到一些小于平均数的数字，这样总体数据的差值就会缩小，直至达到一种平衡。针对现有数据，我们可以通过所有数字求和除以数字个数来算出一个“样本平均值”。前5个数字的样本平均值是12。也许我们认为这种模式会延续下去，但10个数字的样本平均值却是100，远远高于12。到目前为止，在前10个数字中，只有一个数字大于100。好在这个数字足够大，使得它与其他9个数字在计算平均值之后等于100。

我们继续抽样，验证一下这个猜测是否正确。一段时间过后，样本平均值果然稳定在100左右。但是假设在统计1000个样本数字之后，我们得到了一个更大的平均数—1000000。一旦我们把这个大数字加入平均值的计算当中，那么得到的结果将为1000。

假设这种情况一直持续下去：我们看到的数字大都像前10个一样，但是每1000个左右的样本就会出现一个大数字（100万以内)。当我们停止计算，并决定公布最终的样本平均值是1000时，突然出现了一个更大的数字——100亿。这种情况极为罕见。但是由于数字过大，样本平均值由1000变成了100亿。由于这种情况是意料之外的，我们决定继续抽样，直到看完10亿个样本，样本平均值稳定为10000。

长尾理论与培训的界限

107

这就是从长尾分布中抽样的示例。在很长一段时间里，我们可能认为自己已经足够理解该数字集合的统计特性。我们可能会这样说：

虽然我们无法计算整个集合的属性，但我们可以通过抽样来预估这些属性。经过大量的抽样调查，我们能够得出样本平均值为10000。但实际上大部分数字要小得多，远低于100。当然，还有一些非常罕见的极端大数字，但是它们都在不超过100亿的范围内。这种数字是极为罕见的，可以说是百万分之一的小概率事件。通过10亿个数字的样本测试，这种情况目前已被证实，所以我们可以自信地谈论所期待的结果了。

但是，这个结论是非常错误的。长尾现象的难点在于：我们研究该现象的时间越长，就越难以理解之前期望的结果。我们采样越多，样本平均值就越大。为什么我们认为10亿个样本就足够了呢？

为了更加生动地看待这些数字，我们可以利用一些看起来非常有效的新技术来帮助我们。目前，某问题已造成每年有36000人死亡(这是2012年美国死于交通事故的人数)，而该技术正应用于解决这个问题。新技术引入后，我们很难计算出死亡人数的准确数字，但我们可以进行一些模拟测试，亲自检视测试结果。假设上文中的每个采样数字对应新技术引入后每年的死亡人数，那么问题来了:我们是否应该引进这种新技术呢?

人工智能的进化

108