人人都應該知道的人工智能

在看完《生命3.0》後再來看此書，猶如喫了一道滿漢全席後再來些冷盤的意味，全書提供了人工智能常見問題的淺嘗則止的參考，很多時候讀來都有種戛然而止的感覺，開始章節在解釋常見專業術語的文字描述上或有可圈可點之處，後述章節部分則略顯沉悶乏味，作爲完全不知人工智能爲何物的讀者可以大略讀讀。

《人人都應該知道的人工智能》核心拆解 作者：傑瑞·卡普蘭 一句話概括 人工智能真正重要的地方，不在於機器是否像人一樣思考，而在於它能否從有限數據中概括規律、完成有價值的任務，以及這種能力將如何重新分配職業、財富、權利和責任。 核心邏輯 全書採用了一條非常適合非技術讀者的路線： 人工智能是什麼 → 它是怎樣發展起來的 → 目前擅長什麼 → 是否擁有心靈 → 如何承擔法律責任 → 會取代哪些工作 → 技術收益歸誰 → 怎樣控制風險 作者的基本立場是： 不要用“是否像人”作爲判斷機器智能的唯一標準；不要把當前機器學習的成功直接外推爲通用智能必然到來；人工智能近期最重要的影響不是機器覺醒，而是職業結構和財富分配發生變化；真正值得防範的不是機器突然產生邪惡意識，而是人設計了目標錯誤、權限過大、責任不清又無法停止的自動化系統。 因此，本書表面上是在介紹人工智能，實際上討論的是人類社會如何接納一種新的決策和生產能力。 核心內容 1. 人工智能不等於模仿人類 傳統定義常把人工智能描述爲：讓計算機完成那些如果由人完成，就會被視爲需要智能的行爲。 但作者認爲，這個定義存在根本問題。機器和人實現目標的方式可能完全不同： 飛機不需要像鳥一樣扇動翅膀；計算器不需要理解數學，也能在計算上超過所有人；網絡安全系統能在海量數據中發現人類無法察覺的攻擊模式；藥物研發系統可以找到研究人員從未注意過的分子組合。 所以，機器沒有必要複製人的生理結構和思維過程，才能表現出智能。 判斷一個系統是否智能，更重要的問題是：它能否從有限數據中找到規律、能否把經驗推廣到新情境、能否理解自己的能力邊界、能否在信息不完整時做出合理判斷，以及犯錯時是否屬於可以理解的“合理錯誤”。 作者把智能的本質概括爲：基於有限數據，及時做出適當概括的能力。 2. 人工智能不是一個理論統一的學科 1956年的達特茅斯會議爲“人工智能”命名，希望把計算機從數字處理擴展到符號處理、語言、學習和問題求解。 但“人工智能”這個名字也給公衆造成了一種錯覺：研究者正在製造一個人工版本的人類心智。 實際上，人工智能先後出現了符號邏輯、搜索和規劃、專家系統、人工神經網絡、統計機器學習、遺傳算法和其他優化方法等多種路線。 這些路線解決不同類型的問題，沒有一種方法能夠包辦全部智能任務。 人工智能的多次高潮與寒冬，往往來自同一個循環： 局部成果 → 公衆產生宏大想象 → 資本和政府加大投入 → 實際能力無法兌現承諾 → 資金與關注退潮 理解人工智能，需要把學術能力、產品能力和公衆想象區分開來。 3. 符號推理與機器學習各有所長 早期符號人工智能認爲，智能可以通過事實、概念、關係和規則進行表示，再由推理程序操作這些符號。 邏輯理論機、規劃系統和專家系統都屬於這一路線。專家系統通常由兩部分組成：知識庫存放事實、規則及領域關係；推理引擎根據規則組合知識、產生判斷。 它們適合規則明確、知識可以形式化、需要抽象推理的任務，但知識獲取和維護成本非常高，也難以應對現實世界的數據規模與變化。 機器學習則不要求程序員提前寫出全部規則，而是讓系統從數據中提取模式。它尤其適合視覺和語音等感知問題、數據量大但規則難以明確表達的問題，以及環境中存在噪聲和不確定性的任務。 然而，機器學習也有明顯邊界。當數據不足、機會只有一次、需要嚴格邏輯證明或必須滿足明確約束時，符號方法可能更加可靠。 因此，符號推理和機器學習不是簡單的新舊替代關係。真正複雜的系統往往需要把學習、規則、知識和約束結合起來。 4. 數據、算力和傳感器共同引發了機器學習繁榮 神經網絡的基本思想很早就已出現。麥卡洛克和皮茨用邏輯模型描述神經元，羅森布拉特提出感知機。 但早期神經網絡受到算力、數據和訓練方法的限制，長期沒有成爲主流。 機器學習後來快速發展的條件包括：計算機處理速度和內存提升、大量信息從紙面轉變爲電子數據、互聯網降低數據獲取成本、攝像頭和麥克風等數字傳感器普及，以及並行計算和更大規模模型成爲可能。 這說明，人工智能突破通常不是某一個公式突然解決了全部問題，而是算法、數據、硬件和應用需求共同成熟的結果。 5. 四個前沿領域代表了人工智能的現實能力 機器人學讓機器進入物理世界，完成移動、抓取、運輸、手術、照護和太空探索等任務。現實環境比數字環境複雜得多，機器人不僅要識別物體，還要處理摩擦、碰撞、平衡、傳感器誤差和無法預見的變化。 計算機視覺讓系統識別和定位圖像中的對象，並管理海量圖片與視頻。ImageNet等大規模數據集和競賽推動了視覺識別快速進步，但系統對場景變化、對抗性輸入和因果關係的理解仍有限。 語音識別需要處理噪聲、口音、連續發音、語氣、同音詞和上下文。統計模型、隱馬爾可夫模型以及機器學習使其逐步進入商業應用，成爲Siri等智能助手的基礎。 自然語言不是固定規則的簡單集合。機器學習通過大量語料學習詞語和句子之間的統計關係，使翻譯和問答取得進展。但語言流暢不等於真正理解，系統可能生成合理表達，卻仍不清楚詞語在現實世界中的指稱和後果。 6. 機器智能、意識和感覺是不同問題 本書把常被混在一起的幾個問題分開：機器能否完成智能任務、是否真正思考、是否擁有自由意志、是否具有意識，以及是否能夠感受快樂和痛苦。 弱人工智能認爲，機器可以模擬智能行爲，但不一定擁有心靈；強人工智能則認爲，機器最終可能形成真正的心智。 作者的態度較爲謹慎：我們可以通過行爲評價機器能力，卻沒有公認方法判斷它是否擁有主觀體驗。 即使一個系統能通過測試、表達情緒或聲稱自己有意識，也不能僅憑這些表現證明它真的在感受什麼。 所以，任務能力的提高不能自動解決意識問題；反過來，也不必等機器擁有意識之後，人工智能纔會產生巨大社會影響。 7. 人工智能將迫使法律重新定義“行爲主體” 當人工智能可以簽訂協議、控制財產、進行交易和自主決策時，傳統責任框架會遇到困難： 開發者是否要爲機器的每一個行爲負責；使用者是否知道並同意系統採取的行動；企業是否應該承擔全部責任；系統能否擁有資產，用來賠償造成的損失；出現事故時，應該懲罰誰、撤銷誰的運行資格。 作者提出，可以參考公司法的思路。公司不是自然人，卻可以擁有財產、簽訂合同、承擔有限責任、被起訴和處罰，也可以被撤銷經營資格。 類似地，某些高自主性人工智能可以被放入一個擁有資產、保險和責任邊界的法律實體中。這樣不是承認機器“具有人權”，而是爲其行爲建立可追責、可賠償的制度載體。 8. 白領工作可能比部分藍領工作更容易自動化 人們常以爲，人工智能會先替代體力勞動，知識工作者相對安全。 但許多藍領工作需要機器在複雜物理環境中完成感知、移動和精細操作，技術難度很高。相反，大量白領工作本質上是在數字系統中處理結構化信息，因此更容易被軟件自動化。 自動化風險較高的任務通常具有這些特點：流程程式化、目標容易測量、數據已經電子化、需要長時間集中注意力、判斷主要依賴已有案例、輸出可以快速驗證。 較難自動化的任務通常依賴複雜的感知與操作、創造性智能、社交互動、情境判斷，以及信任和責任關係。 因此，職業的社會地位、學歷和收入，並不能直接決定它是否安全。 9. 人工智能通常先替代任務，再重組職業 “某個職業會不會消失”並不是最準確的問題。一個職業往往包含多種任務，其中一部分可以自動化，另一部分仍需要人完成。 人工智能的影響通常表現爲： 任務自動化 → 工作流程重新設計 → 人員數量和技能要求改變 → 新職業與新組織出現 例如，機器可以完成資料檢索、合同篩選、影像識別和標準化報告，但人仍要負責與客戶或患者溝通、解釋結果、處理特殊情況、權衡價值衝突並承擔最終責任。 所以未來最有價值的能力未必只是“會使用某個AI工具”，而是能夠把機器輸出放入現實情境中驗證、解釋和決策。 10. 生產力提高不會自動帶來普遍富裕 人工智能可以提高社會生產力，但機器和軟件屬於資產。生產力增長帶來的收益，首先會流向擁有這些資產的人，而不是自動轉化爲勞動者工資。 當經濟從勞動密集轉向資本和智能系統密集時，可能出現產品和服務更豐富、總體財富增長、一部分商品價格下降，同時勞動收入佔比減少、財富進一步向資產所有者集中。 因此，核心問題不是社會能否生產足夠的東西，而是誰擁有創造財富的機器、模型、數據和平臺。 如果財富所有權不發生變化，更高生產力完全可能與更高失業率、更嚴重不平等同時出現。 11. 解決分配問題不能只依賴事後救濟 作者認爲，面對人工智能帶來的財富集中，只討論稅收和救濟並不充分。更根本的問題是如何讓更多人擁有未來增長所依賴的資產。 可以探索的方向包括：讓公衆分享新資源的所有權；通過公共基金持有部分未來資產；爲失業和轉型者提供資本，而不只是短期補貼；讓勞動者參與自動化產生的長期收益；利用政府創造或管理的新型權利促進社會目標。 作者強調，這並不只是“劫富濟貧”，而是調整未來新增財富的初始分配方式。 當勞動不再是大多數人獲得收入的唯一渠道時，工作也將從生存手段逐漸轉向身份、意義、社交和成就來源。 12. 通用人工智能和奇點不應被當作確定事件 庫茲韋爾等人依據算力和技術增長曲線預測奇點，但作者對此持懷疑態度。 原因包括：“智能”無法被壓縮成單一線性指標；硬件指數增長不代表軟件能力同比增長；不同能力之間不能自動遷移；技術進步可能出現收益遞減；專家對人工智能時間線的預測歷史上很不可靠；當前機器學習沒有明確機制會讓系統突然產生自我意識和獨立慾望。 一臺被設計來疊衣服的機器，不會因爲疊得越來越好就突然想去擠牛奶。 如果通用人工智能或奇點真的接近，也應該先出現大量可以觀察的中間跡象，而不會毫無預兆地一夜降臨。 13. 真正的風險是目標、能力和邊界不匹配 作者不認爲機器會因爲越來越聰明而自然產生征服人類的慾望，但這不代表人工智能沒有失控風險。 危險更可能來自：人給系統設置了錯誤目標；系統擁有過大的自主權；系統爲了實現目標採取設計者未預見的策略；系統可以獲得資金、能源、網絡和複製能力；沒有明確的停止、降級和賠償機制；人故意利用自動化系統逃避法律責任。 人工智能不需要擁有意識，也能造成嚴重損害。計算機病毒、自動交易系統和自主武器已經證明，自動化行爲可以超出設計者控制。 14. 人工智能治理應該像管理職業與工程系統 作者提出了幾種務實的治理思路： 明確系統被允許運行的環境和任務範圍；系統超出邊界時自動進入安全模式；爲高風險人工智能制定工程與職業標準；讓無人駕駛汽車、機器人醫生等通過能力測試；通過許可證授予和撤銷運行資格；要求系統擁有保險或賠償資產；爲異常情況設置基本倫理約束；讓機器人遵守現實社會的習俗和行爲規範。 這些方法的重點不是讓機器成爲道德哲學家，而是讓系統能夠以社會可以接受、可以問責的方式行動。 15. 情感計算既能改善交互，也能操縱人 情感計算讓系統識別人的情緒，並用同情、困惑、關心等方式回應。 它可以用於心理輔導、教育、照護和更自然的人機交互，但也存在明顯風險：人會對機器產生真實依戀；系統可以利用人的信任和利他本能；企業可能通過擬人化界面操縱購買和選擇；用戶可能把模擬關懷誤認爲真正關懷。 當機器足夠擅長表達情感時，重要的問題不再是“它是否真的愛你”，而是“誰設計了它的表達，以及這種表達試圖讓你做什麼”。 反對的觀念 1. 反對“只有像人才算智能” 機器可以用完全不同於人的方式實現智能功能。評價標準應是能力、適用範圍和可靠性，而不是外形或思維過程是否像人。 2. 反對“人工智能是一種統一技術” 符號推理、專家系統、機器學習、神經網絡和規劃各有適用範圍。人工智能不是一個萬能算法。 3. 反對“機器學習將徹底取代規則和知識” 機器學習擅長從數據中找模式，但在數據不足、要求嚴格證明或必須遵守明確約束時，符號和規則仍然重要。 4. 反對“高學歷白領天然不會被自動化” 如果工作主要是在計算機中處理結構化信息，它可能比需要複雜物理操作和人際互動的工作更容易被自動化。 5. 反對“生產力提高會讓所有人自然受益” 如果智能系統的所有權高度集中，生產力增長可能擴大財富差距，而不是提高大多數人的收入。 6. 反對“算力指數增長等於智能必然指數增長” 硬件、軟件、數據、認知結構和社會應用不是同一個變量，不能用一條簡單曲線預測奇點。 7. 反對“只有產生意識的機器才危險” 沒有意識的自動系統同樣可以因爲錯誤目標、權限過大或缺少約束造成嚴重損害。 8. 反對“等人工智能成熟後再製定規則” 法律責任、運行邊界、賠償機制和停止權限應該在系統大規模部署前建立。 本書最值得關注的核心觀點 1. 智能的核心是從有限信息中進行有效概括 記住大量數據不是智能。真正重要的是系統能否把已有經驗遷移到沒有見過的新情境中。 2. 人工智能的近期影響主要是經濟和制度問題 相比遙遠的機器覺醒，就業重組、收入分化、法律責任和算法權力已經是現實問題。 3. 自動化改變的不只是崗位數量，更是財富來源 當機器和模型成爲主要生產資產時，誰擁有它們，比誰仍有一份工作更能決定未來的財富分配。 4. 符號推理和機器學習是互補關係 學習負責從數據中發現模式，符號與規則負責表達知識、約束和可驗證推理。複雜系統需要兩者結合。 5. 超級智能不是唯一值得擔憂的失控形式 目標設置錯誤、系統越界運行、責任主體消失和補救機制缺失，遠比機器突然獲得自我意識更現實。 6. 人工智能治理要落實到可執行機制 許可證、能力測試、安全模式、保險、資產擔保和責任實體，比抽象呼籲“AI向善”更有效。 個人啓示 1. 評價AI時，先看遷移能力而不是演示效果 一個系統在訓練環境中表現驚豔，不代表它能理解新情境。應重點檢查場景變化後的穩定性和錯誤方式。 2. 把職業拆成任務組合 面對自動化，不要只問職業是否消失，而要分析哪些任務可自動化、哪些任務會升值，以及自己應該向哪些判斷、溝通和責任能力遷移。 3. AI項目上線前必須明確責任鏈 應提前確定誰負責監控、誰能停止系統、誰解釋結果、誰承擔損失，以及受影響者如何申訴。 4. 不要只關注模型能力，還要關注資產所有權 人工智能創造的收益是否被廣泛分享，取決於數據、模型、平臺和資本的所有權結構。 5. 對擬人化AI保持“情感上的防火牆” 可以享受機器帶來的陪伴和便利，但要記住系統的表達由商業目標、訓練數據和產品設計塑造。 6. 把邊界檢測和安全降級作爲核心功能 優秀的系統不僅要知道如何完成任務，還應知道自己什麼時候不再適合繼續工作，並能夠主動求助或停止。 觀點評價 本書最大的優點，是用較短篇幅把技術、哲學、法律、就業、財富分配和風險治理連接起來。它沒有把人工智能介紹停留在算法名詞層面，而是追問智能系統進入社會後，誰負責、誰獲益、誰受損。 作者關於法律人格、資產擔保、許可證、安全模式和未來資產分配的討論具有原創性。尤其是把人工智能風險從“機器產生邪惡意識”轉向“人設計了權限過大、責任不清的系統”，比許多奇點敘事更貼近現實。 它的侷限在於，本書出版於2018年，沒有覆蓋Transformer、大語言模型、生成式AI、多模態模型和當代基礎模型生態。部分技術介紹已經過時；關於職業自動化比例和奇點時間線的數據更適合作爲當時的情境判斷，而不是今天的精確預測。 此外，書中對未來資產分配、機器法律人格和電子永生的討論具有較強推演性質，提出的問題比給出的政策方案更成熟。 總體而言，這是一本面向普通讀者的人工智能社會影響導論。它最有價值的不是告訴讀者某種模型如何計算，而是提供一套判斷框架：區分能力與意識、任務與職業、生產力與分配、智能與責任，以及科幻風險與現實工程風險。 一段話總結 《人人都應該知道的人工智能》從人工智能的定義、符號推理、專家系統和機器學習講起，進一步討論機器人、視覺、語音、語言、意識、法律責任、職業自動化、財富分配和失控風險。全書最重要的觀點是，機器不必像人一樣思考也能表現出智能，智能的核心在於從有限信息中概括規律並遷移到新情境；人工智能近期最深刻的影響，不是機器突然覺醒，而是它將重組工作任務，使財富從勞動進一步轉向模型、數據和自動化資產，並迫使法律重新確定責任主體。真正需要治理的風險，也不是抽象的“超級智能邪惡”，而是目標錯誤、權限過大、運行越界、責任不清和缺少停止機制的現實系統。因此，社會既要通過職業標準、許可證、能力測試、安全模式、保險和責任實體約束人工智能，也要重新思考技術收益的所有權和分配方式，讓生產力增長真正轉化爲更廣泛的社會福祉。

從書名就可以推測，它是一本AI掃盲書。第三本介紹AI書。它系統從技術層面介紹AI有關理論，技術，計算方法，及有關新概念的歷史故事。通俗易懂，屬於啓蒙通俗讀物。人工智能正在席捲人類社會，所以不能夠不瞭解。其中比較重要的有機器人學、計算機視覺、語音識別和自然語言處理。 其中“人工智能哲學追問的問題是：計算機，或一般意義上的機器，或者再擴展一些，所有非自然起源的物體是否擁有心靈，或者是否可以思考？簡單地說，答案取決於你認爲“心靈”和“思考”是什麼意思。這個爭論已經以各種形式綿延了幾十年，絲毫沒有減弱和解決的意思，更別提解決了”。有意思的是作者認爲：“人和機器要麼都擁有自由意志，要麼都沒有”。 因爲“如果我們不能找到一個客觀的方法來定義並測試人類意識而不只是簡單地觀察被試，那麼，“人類有意識，而機器不能有”這一論斷就缺乏理性基礎。但是，我們同樣沒有理由斷言機器就一定會擁有意識”。 爲什麼關注它？因爲“是一個嚴肅的問題。大多數人都同意，從道德上說，在違背其意願的情況下傷害或殺死一個有意識的存在是錯誤的……”。 本書最大收穫就是知道未來那些職業工作不容易被AI代替。未來是是公平，而不是劫富濟貧。一個“後生物的生命新紀元”這一章對於AI 未來，有非常值得參考見解。

研究、使用，控制或者被控制，這或許是人工智能繞不開的未來，誰知道呢？！

這個叫傑瑞.卡普蘭的機器人瘋了，他拿着刀對行人亂砍。街上一片哀嚎，有的人用手捂住臉，有的人躲在車後，有的人急忙跑進屋子堵住門爬在窗上向外張外。 遠處的警車來得不算太晚。警車給窗上的人帶來了希望，當他看到警車身影的那一剎那，憋在胸中的那口氣終於吐了出來。 警察以最快的速度將機器人制服，他被帶去了警局。現在他必須將他所知道的全部交待出來。就在一個小時前，麥卡錫叫他出來買一打啤酒，用來招待十多年未見的老同學。 麥卡錫坐在沙發上和他的同學聊到了傑端.卡普蘭機器人，剛聊到他是麥卡錫去年在達特茅斯會議上購買的來生活保姆。 沒想到還沒到一年，開發這個機器人的公司受到金融危機的影響就已經關門大吉，不過公司還算有點良心沒有半閉機器人服務器。現在他正在和公司打官司索要賠償，最好能退回一半的錢，這樣他就能拿這筆錢去還即將到期的欠款。 突然而來的手機鈴聲打斷了他們，警察將所有的事都告訴了麥卡錫，並通知他想想怎麼承擔責任。對剛剛發生的事情他感到非常難過，但是他不準備對發生的事情承擔責任。他覺得自己不僅倒黴還很無辜。 故事到此結束，可問題緊隨而至。請問，你覺得誰應該對這起事故負責？是機器人自身？還是麥卡錫？還是開發公司？或者沒有人負責，只能怪那些受傷的路人倒黴。 如果你對這些問題感興趣，那麼我建議你應該看看這本書，不過這只是書本的一部分。 全書共有八章，從什麼叫人工智能到人工智能的發展，一直講到人工智能真的能替代人類的工作嗎？如果我們被代替了，這個社會是會變得更好還是更糟?

人工智能已近慢慢滲透到我們的生活中來，對於老一輩來說，就像在我們腦海裏出現過無數次沒有見過的超級智能機器人，有期待，也後怕。本書的人工智能，是一種人性的釋讀，是不可預見的種種可能出現的存在，是AI的詮釋和體驗。如果僅僅是爲了生活的便利和提供需求，人工智能或許能提供高效而保障的服務。但不得不提醒我們的是，隨着人類的發現，人們的惰性和人性的惡是否會利用人工智能達到人類無法預期的至善至美。      值得我們反思和警醒的是，我們在肆虐的挖空心思的開發和研究人工智能給人類帶來的超級的同時，對於研究人員，更應該深刻和深入的研究人工智能會被人類一些高智商低素質的人利用，成爲破壞和打擊人類的工具。

在這個人工智能大行其道和無孔不入的人工智能時代，介紹人工智能的書也非常多，這本書主要定位於關於人工智能大衆化的科普讀物，介紹了與人工智能有關的一些常見問題和常識性知識，對於大多數想要快速瞭解人工智能的人是一本非常好的普及類讀物，可以讓你用最短的時間瞭解人工智能技術最常見的和你最需要知道的一些知識，但是這些知識可能大多數人在看這本書之前也不一定知道，所以強烈推薦，這本書非常值得大多數人一讀。

人工智能的技術將會改變我們的生活方式及工作形態，我們保持一個樂觀的學習態度來面對，正如我們面対電腦、智能手機的到來一樣，它將帶給我們更美好的生活，幫助我們完成過去那些無聊的工作，讓我們釋放出體能、時間，但我們也必須學習人工智能帶來的新技能，學習將是我們這一代生活的一部份了。

機器在智能和體能方面的進展將改變我們生活、工作、娛樂、尋找伴侶、教育子女和照顧老人的方式。它們還將顛覆我們的勞動力市場，對社會秩序進行重新洗牌，並讓私營企業和公共機構都面臨緊張的局面。不管我們是否認爲它們擁有意識，也無論我們是將它們視爲一種新的生命形式還是聰明的家用電器，都無關緊要。無論如何，它們都極有可能會在我們的生活中扮演越來越重要和密切的角色。

說實話，閱讀體驗非常差，同樣是講人工智能發展的，倒不如去認真看看梅拉妮·米歇爾的《AI3.0》