微软洪小文：AI将成为人类未来最好的左脑

演讲嘉宾 | 洪小文

整理 | 夕颜

出品 | AI科技大本营（ID:rgznai100）

导读：2019 年 6 月 14 日，由清华大学五道口金融学院、清华大学国家金融研究院、清华大学研究生会联合主办的“未来已来—全球领袖论天下”系列讲座再次开讲。应清华大学国家金融研究院院长、IMF 前副总裁朱民之邀，微软全球资深副总裁、微软亚太研发集团主席兼微软亚洲研究院院长洪小文以“智能简史及数字化转型的未来”为主题进行演讲，介绍了人工智能（AI）的发展现状与未来发展方向，并就企业如何借助技术的发展实现数字化转型进行探讨。

以下为演讲内容整理：

我今天演讲的主题是智能简史，中国人常说知古见今，这个演讲的目的就是希望从过去、现在看到未来。

AI 大热的原因

我经常开玩笑，AI 火热是因为“人工”的反面是“天然”，“智能”的反面就是“愚蠢”，因为没有人想做天然的愚蠢，那当然就喜欢 AI 了。

AI 这个学科虽然与其它学科相比历史并不悠久，但也有很多年了。1955 年，我的师祖（老师的老师）John McCarthy 在达特矛斯会议上提出了“AI”（Artificial Intelligence），之后 AI 经历了两个冬天。

1992 年，我刚毕业，那时是 AI 第二个冬天的尾巴。

当时学 AI 的人毕业都不敢讲自己是学 AI 的，我们就说自己是做语音的，如果说做 AI是找不到工作的，而现在，不做 AI 的都要说是做 AI。

AI 发展以来在学术上的定义其实没有大家理解的这么宽泛，但今天计算机能做的，大部分人都认为是 AI。

此外，AI 与经济有很大的关系，很多人都预测，未来的经济很大一部分都要靠 AI 推动。

人类可以制造出超人吗？

这张图是 1950 年《时代周刊》的封面，里面有一篇文章说道，“对于拥有‘超人’力量的机器，现代人已经习以为常，但是拥有‘超人’脑力的机器仍然让人们感到恐惧。‘超人’的设计者们否认他们正在创造人类智力的竞争对手。”

1950 年，AI 还没有定义，1956 年的达特茅斯会议还未召开，全世界的计算机也不超过 10 台。当时，每一台计算机都有一个房间那大，其运算能力、储存甚至不如今天的智能手机。在那个时代，大家很担心有人造出了比人类都聪明的计算机。

我们并不害怕大型机械（飞机、汽车），但是却在 AI 还没有影子的时候就感到害怕，这代表了大家对智能这件事情，真是既期待，又怕受伤害。

这也说明了为何大家如此关注 AI，包括很多人对 AI 产生了不太正确的看法。我把智能画成一个金字塔，自底至上越来越复杂，越来越接近智慧。

▌计算&记忆力

在这个金字塔上，最底层的是计算、记忆力。神机妙算，过目不忘都是智能的表征，神机妙算就是计算，过目不忘就是记忆。不管是图灵机还是冯诺依曼机，我们见过的机器基本都包含了 CPU（中央处理器）以及存储，计算机靠这两样东西就可以运算所有的程序。

回想我人生第一次挫折，就是我小学一年级时没有被选上进珠算队，而今天，大部分人显然都不会送小孩学算盘。在我们那个年代，珠算也分级、分段，就像下围棋一样。大家觉得一个人很会用算盘是非常了不起的，算盘可以算很复杂的计算，甚至可以开根号，做三角函数。

当时，我的老师告诉我，你的身体没有那么好，课后还是回家休息吧，不要参加珠算队，我当时认为是自己不够聪明，所以才没有入选。我感到很难过，直到高中时才缓过来，但现在已经没人认为算得很快有多了不起了。没有人跟计算机比计算，也没有人跟计算机比记忆。

我搬家 3 年，到现在连家里的电话都不记得。今天，我如果写 10 个电话号码让大家记忆，10分钟以后，我出一串数字，问是不是刚才说的号码的其中一个，大部分人可能都答不上来。我觉得既然计算机可以帮我们计算、记忆，我们就可以很放心地让它来做。计算机比我们强没有关系。我在上图用紫色代表计算机远远比我们强的部分。

▌感知

自下而上，智能从计算记忆到第二层的感知。事实上，这一波 AI 的复兴都与其有关，比如微软在前几年做的 ResNet，这就是一种感知。事实上我们的老祖宗也很厉害，“聪明”这两个字就是耳聪目明，计算机视觉很强，听力很强，这就叫“聪明”，千里眼、顺风耳都是形容感知。

例如，在以前，语音识别可以完全听懂人讲的话是不可思议的。但现在，它已经有了很多应用场景，如法院的书记员、智能音箱、智能助手都有这方面的应用，看起来似乎计算机超越我们了，事实上也的确是这样。

再如，如果你在海关工作，假设有 500 个嫌疑犯，你的目的是监察这 500 个嫌疑犯通过关口，我相信很多人还是会辩认错误，而且这样的工作也非常枯燥。如果计算机能够帮助我们去做这样的工作，并且可以做得很好，那么感知这部分我们就让给计算机吧！

▌认知

还有一个概念叫做认知，英文是 Cognition。在心理学中，认知心理学是非常重要的一支，它是指我们对一件事情的理解，并可以做出推理、计划，最后做出决策。

认知其实是工作、生活中最有用的东西。工作时每天要做很多决定，之后制定政策。政府官员要制定政策，公司的领导必须要看市场或做产品的策略，这些都是认知。你必须了解、认识、知道以后，才能做出决定。

我们来看看计算机和人在认知方面做得如何。

去年，微软在自然语言方面有很大的突破，微软亚洲研究院机器阅读系统在SQuAD挑战赛中率先超越人类水平。考过英文试卷的都有经验，高考、托福、GRE、SAT 都有这种阅读理解，大多数人是考不了满分的，而计算机在这方面可以超越人的平均水平，从辨认到理解非常困难，但计算机已经可以做得很好了。

另外一个是翻译，微软中-英机器翻译水平已经可以“与人类媲美”。我们都知道，翻译的前提是理解，计算机虽然没有理解，但是翻译可以做得非常好。我本人根本不会讲法文，但是可以利用机器翻译，到法国巴黎就可以靠机器翻译顺利买到歌剧的门票。

微软小冰不仅做智商层面的问答，还有情商方面的问答，小冰这类对话机器人在学术历史上非常重要。

图灵是计算机的始祖，他在 AI 还未被定义为 AI 的时候就想到了“图灵测试”。他说道，有两个房间，一个房间里是真人，另一个放置机器，人与机器进行对答，假如40%-60% 的人分不出哪个房间里是真人，哪个房间里是机器，图灵测试就通过了。很多人通过图灵测试判断 AI 有没有通过人的智能考量。

小冰虽然没有做很严格的图灵测试，但微软一直用用户每一轮对话大概交互的次数作为衡量的KPI。在微信上，我们与最熟悉的朋友、亲戚对话，每一轮也大概不过五次。大家明明知道它是一个机器人，还愿意与它交谈二十次以上，是因为与它谈论了一些有意义的东西，让你欲罢不能。

从某种意义上说，小冰已经远远超过了图灵测试。我们让小冰变成人们可信赖的伙伴，并以它为基础发展一些商业应用，更重要是做一些科学实验。

大部分商业行为里用到的都是所谓的认知，它可以用一张图来解释，我甚至认为人类所有行为都可以变成进化来自于反馈这样一个闭环。

有了假设或要做实验时，我们要做的第一件事情，就是先分析，然后做出决策，最后到实际的物理世界执行，并通过传感器收集数据。

物联网是指与物理世界打交道，其中传感器用来收集数据，执行器用于在物理世界中执行动作。

几乎所有的事情，每完成一次闭环就能够有所改进，包括做社会心理学分析、做实验、做假设、做产品，或是做互联网。

如今，因为数据很容易获得，分析与决策就可以用 AI，如果在一个闭环中有办法收集到数据，就可以把它自动化。很多 AI 的商业应用，都可以抽象为是在做这样的事情。

制造业是首先享受 AI 成果的行业，如今已变成常态，比如可预防的维修。例如，蒂森克虏伯（thyssen krupp）电梯集团是微软的客户之一，发生电梯故障时，利用 AI，他们首先在电梯里装传感器，收集速度、声音、温度等数据。我们可以把它当作一个黑盒，传感器收集数据以后，系统起码可以做以下两件事情：

第一，异常分析。区分正常和非正常状态下数据区段，用深度学习或机器学习方法建模。

当数据出现在快要出故障的区段，公司就可以做可预防的维修，可以先派人到现场，很多时候可能加几滴油就够了。

第二，数据收集足够多后，还可以做分类工作，公司不但知道电梯快坏了，甚至还可以分成不同的情况，每种情况分别有处理方法，比如加油、换零件。

同样的道理可以运用到许多其他领域，比如汽车维护，有了车联网，可以将所有车里的数据上传到云端，实现可预防性的维护。

人工智能 VS 人类智慧

1982 年，有一位斯坦福心理学系的教授用“中文房间”实验来挑战图灵测试，假设房间中有一个不懂中文的人，给他一本词典，每次给他递进去一张写着中文的纸，里面的人通过词典查纸上的每个汉字（假设他可以查到所有的文字，可以对照列出字词的组合）。这个实验证明，即使通过了图灵测试，也不一定是真正的智能，因为这个人不能够真正理解中文的含义。所以，他认为这种模拟思路并没有思维和理解，叫做弱AI，有思维、真正了解的 AI 是强 AI。只有理解，才有可能做所谓的白盒推理，而人最重要的是能够做因果分析。

事实上，今天 AI 大多做的相关性做不出因果关系，我们必须要知道因果关系，才能举一反三。比如机器不能胜任做投资、并购，因为并购不是封闭系统，会受到许多外部因素的影响，而且这些因素无法预测，也没有足够多的数据。我们人生中重大的决定都是这样，你可以做各种分析，但是最后还是会受很多未知因素的影响。

今天，我们所谓的深度学习是一个不可解释的 AI，它是一个黑盒，做不了因果关系的分析。所以，现在可解释的 AI 是一个很重要但非常难的研究方向。三十年前，一位图灵奖得主，同时是加州大学洛杉矶分校的一位教授说到，他做了一辈子因果关系分析，但估计 AI 起码还要在十几、二十年以后才可以解释为什么和白盒分析。

《人类简史》、《未来简史》，以及最近的新书《现代简史》中提到，将来大数据能做所有的决定，甚至包括我们的婚姻，我对此持不同的看法，中国人的婚姻讲究先看八字，但是我们也没有全信。未来是未知的，把如此重要的事全部交给黑盒，似乎有所欠妥，但是这不代表 AI 没有用。

▌AI+HI

所以，我们需要让 AI和 HI（人类智慧）一起做分析和决策，人做决定时要看大数据，机器可以做一些简单的问题，且非常有效，但这不代表大数据会决定一切。同时，我们也不要妄自菲薄，人类的智慧很多时候在做分析时得出一定成功的率，但最后不见得选择最大机率的方案就一定成功，还会受到很多随机因素的影响。

关于智能金字塔，从计算和记忆力、感知到黑盒的认知，AI 已经做得很好了。但是在认知部分，我用了两个颜色紫色和绿色。创造力用绿色表示，代表目前人能做得更好。

近些年，深度学习可以用于“创作”，比如诗词创作。去年，我们用此技术教微软小冰写诗并出版诗集。现在，通过大数据分析，小冰不但能写诗，还可以看图写诗，甚至作歌、作词、作曲。

这是否代表计算机真的有创造力？其实创作，特别是艺术创作，还是要有人类自己的想法。今天 AI 可以产生这些东西不代表它知道为什么产生，因为它是一个黑盒。再说围棋，可怜的李世石先生，可怜的柯杰先生，他们的算法来自于自己，还要用自己的脑袋计算，而 AlphaGo 的算法来自于 10多个科学家，用上万台机器在云端进行计算，这本身就是一个不公平的比赛，因为计算机可以计算得飞快，人做不到。如果李世石和柯杰还有一点点希望赢的话，他们的算法肯定有独特的地方。

现在，人们经常讨论某 AI 将取代人类，事实上大家忘记了一件事，那就是今天计算机所有的算法都来自于人，如果有人说有一台计算机可以自己想出算法，那绝对是吹牛。从这个角度来看，人类大可不用担心计算机超越人类，这根本不可能。如果你仔细看脑神经科学家归纳的左脑和右脑的特征，会发现左脑负责逻辑、顺序、分析、数字化、理性、事实等，右脑则负责知觉、随机、综合、主观，事实上，计算机是一个最好的左脑。

所以，其实计算机与人类正是左右脑互用的关系，我们需要右脑来做创造，提出新的算法。

▌《金庸小说》中的智慧与“睡”出来的诺贝尔奖

讲到智慧，在金庸小说《倚天屠龙记》中，张三丰教张无忌太极剑法，张三丰第一次舞剑时问张无忌是否能看懂，张无忌回答看懂七成，张三丰说很好，不错；第二次舞时，张无忌说只看懂五成，张三丰说很好，有所进展；第三次舞，张无忌说糟糕，这次完全看不懂了，张三丰说好，你已经贯通了，可以上场了。

我个人理解，这就是接近了智慧，意识是人独有的，我们知道身处何地，面对谁，我们的意识无处不在。

有一本书叫做《The Spectrum  of  Consciousness》，是一位耶鲁大学教授所著，这本书探讨了意识与创造力之间的关系，他把一个人一天的生活分成两个阶段：高频谱和低频谱。高频谱就是我们早上起来喝一杯咖啡，精神很好，做什么事情都不会记错，也不会算错；低频谱就是我们吃过午饭，打一个盹，甚至做白日梦、睡着、洗澡，这些时候是低频谱。

几乎所有脑科学实验得出来的结论都是：大部分人不是在高频谱的时候最有创造力，而是在低频谱时，这并不完全是绝对的，但是在低频谱的时候，人们似乎创造力更强。贝多芬做《第九交响曲》时既聋又盲，梵高晚期割掉自己的耳朵，但还是画出了不起的作品。此外，两位诺贝尔奖得主的科学家（凯库勒和奥托）都清楚地记得他们重要的科学发明是在做梦时想到的，尤其是奥托，他表示他在第一次做梦时梦到了一个东西，第二天早上起来时忘记了细节，所以他第二天回去睡觉，又梦到一样的梦，这一次他把梦的内容写了下来，因此得到了诺贝尔奖。

但是，凯库勒和奥托都提醒道，只睡觉没用，因为不要忘记，睡觉最多只能给你一个大胆的假设，但还需要小心求证，在实验室中做无数实验证实。

我认为更重要的是这个故事背后的原理：很有可能两件无关的事，神智清醒时人们很清楚地知道它们之间无关，但是在半梦半醒时可能看到这两件事情的相关性，而创新常常是在这个过程中产生的。所以，要做出一个有意识的机器，首先要让计算机能够幻想，但这很难，怎样让计算机真正地幻想才有可能产生了不起的创造力，没有人知道。

弱 AI 这种单一用途的黑盒很有用。强 AI 类似于通用 AI，什么都懂一点，很多东西我们并不是专家，但也总能想出了不起的想法。我的师祖 John McCarthy 当年召开达特茅斯会议时有人问通用 AI 多久可以实现，他给了一个智慧的回答——5-500年。我们知道当然不是 5 年，可 500 年相当于永远，所以何时会出现通用 AI 没有人知道。

我认为，做一个有意识的机器人代表着你不能控制它，你可以想办法去洗脑，但是不见得会成功。所以，我认为做一个有意识的机器人虽然在科学上很有意义，但是不见得有太多意思。

AI是大数据驱动的知识

我们应该如何看待 AI 呢？我持非常乐观的态度，AI 的关键是人，它很大程度上与工具一样，是在帮助我们做事，且与人互补，人类有创造力，但计算慢，记忆也会出错，所以我把 AI 称为大数据驱动的知识。我们应该庆幸，我们是第一代与 AI 一起生活的人类。

我小学时认为能够计算、会珠算很了不起，但现在我不这样认为了，现在我认为，人更高阶的东西，是一种人类智慧和机器智能的共性化。

数字化转型与AI

接下来是数字化。为什么数字化彻底改变了我们的世界？数字孪生是指，任何物理世界的中存在的事物，都会有一个数字孪生兄弟。

数字孪生至少有两大意义：1. 预测，如在数据世界预测马达、机器、引擎、医疗器械状况，可以做可预防的维修；2. 模拟、仿真：比如在仿真世界训练无人车和无人飞机，公司、国家的政策，都可以用仿真的方法做实验。

微软重回市值第一，其中一个重要的原因就是彻底的数字化世界。数字化转型其实很多都是在自动化、优化、改进决策，所以能够产生新的产品、服务和商业模型，有更高的生产力。对于数字化转型来说，平台和技术很重要，但人是最难改变的，这对领导力、组织、思想、文化的挑战更大。

微软与德勤针对全世界的的企业（大、小、中型企业）进行调研，结果显示，90% 的企业已经认识到数字化转型的重要性，但是只有 30% 的企业认为他们已经开始数字化了，其中只有 15% 的企业认为他们可以自己完成数字化转型。

大家可能更多地在关注 AI，事实上没有数据和计算，AI 是转不起来的，所以我更希望大家多谈ABC（AI、大数据、智能云）。

AI For Good

AI 时代技术变得越来越重要，人们有很多与技术相关的负面隐忧，如安全、隐私问题、假新闻、偏见，甚至担心 AI 是否会取代人类的工作。我认为，一个产品或技术，最后都反映了人的价值观。我们需要多方利益相关者参与，其中牵涉到除了技术之外的商业专家、经济学家、社会经济、公共政策者、心理学家、律师、政府，需要大家一起来探讨。

所以，微软全球执行副总裁，微软人工智能及微软研究事业部负责人沈向洋博士与微软公司总裁施博德（Brad Smith）先生联袂编著了《计算未来：人工智能及其社会角色》一书，希望以赢得信任的方式设计人工智能，我们提到七个原则：合法与主权、负责、透明、公平、可靠与安全、隐私与保障、包容。

一百至两百多年前，90% 的人从事农业工作，如今这一群体可能只有 10%，其它 90% 的人并未失业，这是因为工业革命产生了更多新的价值。所以，与其担心技术是否会改变工作，还不如关注我们应该如何训练我们和我们的下一代如何终身学习。

未来的发展非常漫长，让我们一起努力！谢谢大家！

（*本文为 AI科技大本营整理文章，转载请联系 1092722531）

◆

精彩推荐

◆

“只讲技术，拒绝空谈！”2019 AI开发者大会将于9月6日-7日在北京举行，这一届AI开发者大会有哪些亮点？一线公司的大牛们都在关注什么？AI行业的风向是什么？2019 AI开发者大会，倾听大牛分享，聚焦技术实践，和万千开发者共成长。

目前，大会盲订票限量发售中~扫码购票，领先一步！

推荐阅读

你点的每个“在看”，我都认真当成了喜欢