马丁·里斯的《人类未来》:以科学的角度分析太空飞行的可能性

【编者按】

《DK宇宙大百科》作者、前英国皇家学会会长马丁·里斯的预测未来之书《人类未来》,近日引进出版。在书中,马丁·里斯谈及生态威胁、能源危机、生物技术、人工智能等众多与地球和人类未来息息相关的话题,又以科学的角度分析太空飞行、外星移民计划等“未来畅想”的可能性。澎湃新闻经授权摘录其中谈人工智能的一部分内容。

细胞、病毒和其他生物微结构,本质上都是“机器”,由带有分子尺度的组件——蛋白质、核糖体和其他诸如此类的东西构成。我们把计算机的巨大进步归功于我们在纳米尺度上制造电子元件技术的快速发展,这让我们能将所有生物级的复杂性都装进处理器中,为智能手机、机器人和计算机网络提供动力。

感谢这些革命性的进步,互联网及其附属设备创造了历史上最迅速的新技术“渗透”以及最全面的全球化。它们在非洲和中国的普及速度几乎超过了所有“专家”的预测。消费级电子产品和基于网络的服务丰富了我们的生活,它们创造了数十亿美元的价值。而对发展中世界的影响,则展示了应用科学是如何以最佳的方式改变贫困地区的。宽带互联网即将通过低轨道卫星、高空气球或者太阳能无人机实现全球覆盖,它将进一步促进教育、现代医疗和农业技术的普及。即使是最贫穷的人也可以由此跨入互联经济,并享受社交媒体——尽管许多人仍然未能享受到19世纪的技术进步带来的好处,譬如合理配置的卫生设施。非洲人可以使用智能手机获取市场信息、进行移动支付,以及诸如此类的事情。中国则拥有世界上最为自动化的金融体系。这些发展产生了“消费者盈余”,并给发展中世界带去了企业精神和乐观情绪。而旨在消除疟疾等传染病的有效计划又强化了这些益处。根据皮尤研究中心(Pew Research Center)的数据,82%的中国人和76%的印度人,认为他们的孩子将比他们自己更好。

印度人现在拥有电子身份证,这使他们可以更容易地登记注册,享受福利。这张卡不需要密码。“虹膜识别”软件可以使用我们眼中的静脉图像,这是一种对指纹或者面部识别技术的实质性改进。它足以在13亿印度人中准确识别出特定个体,并且预示了人工智能的发展将给未来带去什么样的好处。

语音识别、人脸识别和类似的应用程序,使用一种名为“广义机器学习”(generalised machine learning)的技术。它的运作方式类似于人类使用眼睛的方式。人类大脑中的“视觉”区域通过多阶段过程整合来自视网膜的信息。逐层处理过程识别水平线、垂直线、锐角及其他信息;每一层所处理的信息都来自“更低的”一层,并将之输出至其他层。[1]

基础的机器学习概念可以追溯到1980年代。重要的先驱者之一是英裔加拿大人,杰弗里·辛顿(Geoffrey Hinton)。但是其应用直到二十多年后才真正“起飞”。这要归功于摩尔定律——计算机的速度每两年提升一倍——的稳定生效,它意味着计算机的处理速度提升了1000倍。计算机使用“蛮力”实现了这点。它们阅读了数百万页的多语种欧盟文件来学习如何翻译(它们永远不会感到无聊!),它们“碾碎”数百万张不同角度的图像,来学习如何识别猫、狗和人类的脸。

戴米斯·哈萨比斯

DeepMind正在引领激动人心的进步。它是一家位于伦敦的公司,现在属于谷歌。DeepMind的联合创始人兼CEO戴米斯·哈萨比斯(Demis Hassabis)是一个早熟的天才。13岁的时候,他就成为国际象棋冠军,在全世界排名第二。他本可以在15岁时进入剑桥,但他延迟了两年才入学。在此期间,他从事了电子游戏的开发工作,其中包括极为成功的《主题公园》[2]。在剑桥学习计算机科学之后,他创办了一家电脑游戏公司。后来他回到学术界,并在伦敦大学获得博士学位,随后在认知神经科学领域从事博士后工作,研究了情景记忆的本质,以及如何在神经网络中模拟人类脑细胞群。

2016年,DeepMind取得了令人瞩目的成就——计算机击败了世界围棋冠军。看起来这似乎并没什么大不了,因为自从IBM的超级计算机“深蓝”击败国际象棋世界冠军加里·卡斯帕罗夫(Garry Kasparov)以来,时间已经过去了20多年。但这是一个真正的“规则的改变”。“深蓝”的程序是由专业选手编写的。相比之下,AlphaGo通过吸收巨量的对局情况以及自我对局,获取专业知识。它的设计者并不知道它将如何做出决定。在2017年,AlphaGo Zero又前进了一步:人们只向它提供了规则——没有真正的对局数据——由它从头开始学习,结果它在一天之内具备了世界级水平。这令人震惊。一篇科学论文描述了这一壮举,其最终得出的结论是:数千年来,人类从数以百万计的对局中积累的围棋知识,并提炼为定式、口诀和书籍。而在几天的时间里,AlphaGo Zero从空白出发,便能重新发现大部分的围棋知识,还有新奇的策略,为这一最为古老的游戏提供新的见解。[3]使用类似的技术,它在没有专业知识输入的情况下,在几小时内达到了卡斯帕罗夫的国际象棋水平。在日本将棋中也有类似的情况。卡内基梅隆大学(Carnegie Mellon University)的一台计算机已经学会了诈唬和计算,就像一个最老练的职业扑克玩家。但卡斯帕罗夫本人也强调说,在类似国际象棋这样的游戏中,人类具有独特的“附加价值”。而且,一个人加上一台机器的组合所能完成的事情,将会超越单独的任何一方。

人工智能依靠分析大量数据以及快速响应复杂输入的能力,获得了超越人类的优势。它擅长优化精心设计的网络,比如电网或城市交通。谷歌宣称,由机器管理的大型数据工场,能够节约40%的能源。但这里依然存在局限性。AlphaGo的硬件使用功率高达数百千瓦。相比之下,AlphaGo的韩国挑战者李世石的大脑仅需消耗大约30瓦(类似于一个灯泡),而且除了下棋,他还能做许多其他事情。

传感器、语音识别和信息检索技术正在快速发展,而机器人(虽然会有更大的滞后)也将会具有物理灵活性。如系鞋带、剪趾甲、在真正的棋盘上移动棋子,在这些事情上,机器人仍比孩子笨拙。但在这方面已同样有所进步。2017年,波士顿动力公司展示了一个名叫亨德尔(Handle)的机器人(早期四足大狗的后继者)。它具有轮子和两条腿,灵活得足以进行后空翻。不过机器人与现实世界的互动能力要想超越人类体操运动员,或者像猴子和松鼠那样,从一棵树敏捷地跳到另一棵树上,还需要很长时间。它们远未达到人类整体多样化能力的水平。

机器人“亨德尔”

不断增强计算机的运算能力,使得机器学习成为潜在的重大突破口。它让机器得以获取专业知识——不仅在游戏中,更是在脸部识别、不同语言间的翻译、网络管理等方面——而且并不需要细节化的编程。不过它对人类社会的影响也是矛盾的。没有“操作员”了解机器是如何做出决定的。如果人工智能系统中具有某个“bug”(错误),并没有确切的办法去追踪它。如果系统的“决定”有可能对个人造成严重后果,那它将会引发公众的关注。如果我们被判处关进监狱,或者被建议去做手术,或者哪怕只是信用评级不佳,我们都期望能得到一个解释,并且能对其进行申辩。如果这些决定完全委托给算法,我们当然会感到不安,哪怕有令人信服的证据表明:总体而言,机器所做的决定,好于那些被它们挤掉的人。这些人工智能系统的整合,将会对日常生活产生影响,并会变得更具普遍性和入侵性。我们的所有行为记录、我们与他人的互动、我们的健康状况,以及我们的财务数据,都将置于“云”——跨国企业的准垄断管理之下。这些数据可能会被善意应用(譬如医学研究,或者向我们提出早期健康风险警告),但互联网公司对它们的使用正在改变政府与商业世界之间的力量平衡。事实上,与最为专制或者“控制狂”之类的传统雇主相比,今天的雇主能够以更具侵略性的方式监控个体员工。另外,还会有其他隐私问题。如果餐馆或者公共交通工具里邻近的随机陌生人可以通过面部识别来辨认你的身份、侵犯你的隐私,你会高兴吗?或者,如果关于你的“伪造”视频显得十分可信,又会不会让你无法再信任视觉证据?

注释

1.默里·沙纳汉的《技术奇点》(The Technological Singularity,Cambridge,MA:MIT Press,2015)和玛格丽特·博登(Margaret Boden)的《AI:性质和未来》(Al: Its Nature and Future,Oxford:Oxford University Press,2016)中概述了这些技术的发展;马克斯·泰格马克(Max Tegmark)的《生命3.0:成为人工智能时代的人类》(Life 3.0: Being Human in the Age of Artificial Intelligence,New York:Penguin Random House,2017)中提供了更为思辨性的“收益”。

2.Theme Park,传奇游戏公司“牛蛙”(Bullfrog)的第一部主题系列游戏。

3.David Silver等,《摆脱人类经验的围棋》(Mastering the Game of Go without Human Knowledge),Nature 550(2017):354359。



《人类未来》,【英】马丁·里斯/著 姚嵩、丁丁虫/译,上海交通大学出版社2020年4月版。

最新文章