第152章：即…自我情感邏輯分析（2/3）（2/2）
「結果媒體把他當成了一個人工智慧領域的專家，去請他出來大談特談人工智慧的危險，這本身就是一件很滑稽的事情，不免有炒作熱點的嫌疑，在我看來就是蹭AI熱度。」
「所以為什麼要把一些非專業人士的觀點看得那麼重要，甚至奉為經典和真理？應該去看那些真正研究人工智慧的資深級專家，那麼會發現他們有一種戒慎恐懼的心裡，包括我也覺得現在的媒體把人工智慧說的太過了。」
「人工智慧的發展可以追溯到上個世紀50年代，是一個很曲折的發展史，也很無奈，因為大家都是一哄而上，過不了多久便一鬨而散，每次都是對它寄予厚望，然後一大堆人進入這個領域，包括大量的資本，最後發現沒有什麼突破立馬全跑了。」
「近年來人們再一次趨之若鶩，現在任何企業都覺得只要和人工智慧沾邊一下就高大上起來，市值翻倍、翻幾倍，覺得特夢幻，不可思議。」
「那麼現在的人工智慧是個什麼狀況？大部分人研究人工智慧，我覺得應該說是應用，整天媒體上說人工智慧又做到這個、又做到那個，下棋又贏了，打遊戲又贏了，這些其實在業內人士看來都是一種比較簡單的技術路線。」
「簡單來說就是採集大數據，標註數據。例如搞圖片識別技術的，用大量的數據來訓練，再去做一個相當於擬合的工作，一個多元函數，你不知道這個函數結構長什麼樣，但沒關係，你有大數據擬合，這其實就是一個神經網絡的思想而已。」
「最後擬合出結果來，對一個輸入給出一個很好的輸出，就可以識別出來這個圖形到底是個什麼東西了，識別能力甚至比人還要高。」
「這個當然好，但前提是你得有數據支撐啊，而且是海量的大數據做支撐，這其實是人工智慧研究的一個比較低級的技術路線，而且建立大規模的數據中心非常非常消耗能源。」
「而現在出現了一種比較高級的路線，那就是Alpha-GO的那種路線，但還是離不開大數據，不過區別是這個數據不是靠人工標註了，而是讓AI自己跟AI博弈，然後讓它自動生成數據，這就是Alpha-GO後來為什麼變得那麼強的原因。」
「它一開始是學習人類的棋譜，再次升級之後就變成Alpha-Zero。為什麼叫阿爾法零？因為它不需要學習人類的棋譜了，他從頭開始唯一給它輸入的就是圍棋規則，然後在這個規則框架之內自己跟自己對弈，很快就能積累數據，迅速找到圍棋最好的做法，從而超越人類。」
「所以這是一個比較高級的技術路線，對於研發能力也要不小的要求，尤其是對於計算能力和算法的要求，Alpha-GO團隊最大的貢獻是證明了這條路可以走，所以不失為人工智慧發展的一大進步標誌，而這直接導致了我們現在很多行業都刷新了技術，做到了以前做不不到的東西，例如圖像識別技術，具體點人臉識別的應用就帶來了很大的商業價值。」
「但這條路線在我看來依舊太狹窄了，遠遠不夠好。在我看來，當前市面上所有的人工智慧其實都沒有智能，我知道我這話說出來肯定會引發爭議，那就要看怎麼去定義智能了。」
「我的意思是，當前市面上的人工智慧應用，它唯一做的都是數據統計與分析，都是你給它大數據，然後他從中學習，從而得出一套基於大數據它做的比人更優秀，所謂大數據深度學習就是這麼個意思。」
「但這真的是我們人類學習一個知識的方式嗎？我覺得壓根不是，舉個例子，鸚鵡和烏鴉，大家都知道這是兩種鳥類，差不多大小。鸚鵡學舌很聰明對吧，但我想說的是鸚鵡比烏鴉弱智太多。」
「為什麼？似乎鸚鵡看起來很聰明，你在它面前說幾句話重複幾次後它就學會了，鸚鵡學舌嘛，模仿人類說話也很標準。但是你如果去嘗試跟鸚鵡對話，你就會發現，它根本就不知道自己在說什麼，因為它不能理解說的那些是什麼，僅僅只是一個機械式的重複而已。」
「同樣，現在很多所謂的聊天機器人，大家平時接觸到的人工智慧應用的聊天機器人，網上也有很多跟聊天機器人對話的視頻、截圖，乍一看很驚艷，例如微軟科塔娜、小米的小愛同學……好吧，我不是特地針對哪個AI產品，我的意思是市面上所有的人工智慧都一個樣（辣雞）。」
又是引來一陣鬨笑聲，觀眾們都下意識的在心裡幫著補充了「辣雞」二字，也就葉華敢這麼說出來了吧，一下子把市面上的AI都給否定了，現場的媒體是最樂意看到這樣的事情發生了。
拱火啊，這是媒體最愛幹的事情。
而葉華接著說道：
「為什麼這麼說？首先它是不是已經通過圖靈測驗？至於網上腦洞大開的說它們是故意不通過圖靈測驗的那純屬扯淡，理由很簡單，上限就在那兒，你不能說讓一個三歲小孩去理解微積分，他沒能理解就說他故意的是吧，好，這個腦洞謠言破掉了，那麼它是不是具備自我意識了？顯然，沒有！」
「我記得沙特授予了英國人開發的人工智慧索菲亞以公民身份，看起來很震驚，當時也引起媒體熱議。但實際上你真不能跟它多聊，聊多了你就會發現其實它就是東拉西扯，來來回回就那麼幾句，你可能就會發現它其實並不知道自己在說什麼，就跟鸚鵡學舌一樣的道理。」
「那為什麼說烏鴉就聰明呢？一個真實例子，我說的這個烏鴉是現實中的烏鴉，是拍攝下來的。」
這時，發布會現場投射出一塊巨幕，播放著一段年代久遠的記錄畫面，渣渣畫質。
「畫面里的這隻烏鴉，它拿到一個高堅果，想吃到裡面的果實，但又啄不開果殼，怎麼辦？」
「於是它做了一個觀察，發現高堅果落在公路上面，汽車輪子一壓就出來了，OK，烏鴉做出這個觀察，同時它也意識到這樣的汽車在公路上來來往往是不能去吃果實的，因為太危險了。」
「然後它做出了第二個觀察，發現馬路上是有紅綠燈的，紅燈的時候汽車就不走，這個時候可以安全的去吃果實了。」
「同時烏鴉做出一個推論，在這個紅綠燈路口觀察到的事情，在另一個紅綠燈也通行。」
「看，這是多麼聰明的一隻烏鴉，人可能看到這個例子會說這是表現出真正的智能。但烏鴉做事的範式，跟我們平時理解人工智慧的那種情況正好相反，人工智慧用大數據分析做小任務，烏鴉呢，是用小數據做大任務，完完全全相反。」
「烏鴉得到了什麼數據信息？它只是觀察了屈指可數的幾個例子而已，因為它的生命只有一次，它不能自己跑過去以身試驗，不然早就死N次了。」
「所以，真正的人工智慧是能夠通過很小很有限的數據就能提煉出其中的內在規則，最後進化出立刻就能推演一個很靠譜的執行範式。」
「為什麼能夠做到這一點呢？因為它有因果關係，而傳統的人工智慧僅僅只是一個統計並做相關性的數據分析。」
「再舉個栗子，公雞打鳴太陽就會升起，兩者是一個相關性的關係，但並不是因果關係，不是說因為公雞打鳴所以太陽升起，事實上我們都知道，打不打鳴太陽每天照常升起。」
「所以這裡有一個核心問題，因果邏輯與相關邏輯是不一樣的，這很重要。」
「不然你比如我們去做圖像識別，識別的根本是其功能，例如人一眼就能看出這個房子裡這裡是廚房、書房、臥房等等，因為我們首先想到的是這個地方的功能是幹什麼的，這樣就能馬上看出圖像中的很多特徵。例如人可以輕鬆判斷出一個現代書房和一個古代書房，雖然看起來外觀相差很大，但如果用現在的計算機去或人工智慧去識別，根本不會認為這是兩個同樣的東西，它怎麼都識別不出來，但是人一眼就能準確下判斷，這就是書房，因為它的功能是一樣的。」
「這就是因為人是能夠分析出其背後的因果關係。」
「研究人工智慧同樣不能忽視這一點，所以想要做人工智慧我覺得要從兩點去考慮，一個是物理規律，即物理世界的自然界規律，比如一個物體要怎麼方才能穩定，需要一個什麼樣的支撐；其次就是人的動機，這個是用來驅動人去思考，用我自己的話來說，即……自我情感邏輯分析！」
「而我們海岸線公司的AI研發，走的就是這麼一條路線，並取得了革命性的進展……」
言外之意，葉華這是在暗示真的已經創造了真正意義上的人工智慧了？這話一出，無異於一枚深水炸彈被引爆，現場的業內人士無不為之震驚。
……