暗知識：機器認知如何顛覆商業和社會

暗知識:機器認知如何顛覆商業和社會 這本書是我看過的關於人工智能方面比較好的一本。 第一。書中提出暗知識的概念，可以說是哲學史和認識論上的一大進步。顛覆了認識論和實踐論的侷限。機器認知和機器實踐遠遠超越了馬克思的範疇。 他作者根據“可否感知”和“可否表達”，把人可利用的知識分爲如下四種基本類型： 一，可感知亦可表達的知識。它包括迄今爲止所有的科學和人文知識。 二，不可感知但可表達的知識。任何經驗的東西都是可感知的，不可感知的就是非經驗的。 三，可感知但不可表達的知識。它包括人的非陳述性記憶和“默會知識”。 四，不可感知亦不可表達的知識。將這類大大超出了個別人所能記憶和學習的知識稱爲“暗知識”。“暗知識”的提出，不僅是一項哲學貢獻，也爲當前盛行的科學烏托邦提供了一劑解毒藥。 在此基礎上，我們終於可以清晰地區分這樣三類知識：人類能掌握的明知識和默知識以及只有機器才能掌握的暗知識。 默知識和明知識主要有以下四點區別： （1）默知識無法用語言和文字描述，因此不容易傳播，無法記錄和積累，只能靠師傅帶徒弟。像大量的傳統工藝和技能，如果在一代人的時間裏沒人學習就會從歷史上徹底消失。 （2）獲取默知識只能靠親身體驗，傳播只能靠人與人之間緊密的互動。而這種互動的前提是相互信任。獲得默知識必須有反饋迴路。 （3）默知識散佈在許多不同人的身上，無法集中，很難整合，要想使用整合的默知識需要一羣人緊密協調互動。由於無法言傳，所以協調極爲困難（比如雜技疊羅漢）。 （4）默知識非常個人化。每個人對每件事的感覺都是不同的，由於無法表達，因而無法判斷每個人感覺的東西是否相同。 明知識就像冰山浮出水面的一角，默知識就是水下巨大的冰山。 暗知識不是那些人類尚未發現但一經發現就可以理解的知識。 暗知識給我們的震撼纔剛剛開始。從2012年開始的短短几年之內，機器已經創造了下面這些“神蹟”：對複雜病因的判斷，準確性超過醫生；可以惟妙惟肖地模仿大師作畫、作曲，甚至進行全新的創作，讓人類真假難辨；機器飛行員和人類飛行員模擬空戰，百戰百勝。 第二，人工智能對人類智能的挑戰。 世界排名第一的棋手柯潔在網上說：“AlphaGo勝得了李世石，勝不了我。”而2017年5月28日，棋手柯潔以0：3完敗AlphaGo，徹底擊碎了人類在這種複雜遊戲中的尊嚴。 中國棋聖聶衛平更是把AlphaGo尊稱爲“阿老師”，他說：“AlphaGo的着數讓我看得如醉如癡，圍棋是何等的深奧和神祕。AlphaGo走的順序、時機掌握得非常好。它這個水平完全超越了人類，跟它挑戰下棋，只能是找死。我們應該讓阿老師來教我們下棋。”他還說：“阿老師至少是20段，簡直是圍棋上帝。” AlphaGo Zero給我們的震撼在於三個方面： 首先，人類能發現的知識和機器能發現的知識相比，就像幾個小腳老太太走過的山路和幾百萬輛越野車開過的山路。 其次，和機器可能發現的知識相比，人類知識太簡單、太幼稚，機器談笑風生，比人不知道高到哪裏去了。 最後，機器發現的知識不僅完全超出了人類的經驗，也超出了人類的理性，成爲人類完全無法理解的知識。 第三，機器是怎樣學習的，能學習哪些知識，同時介紹了機器學習的五大流派以及各流派從數據中挖掘知識的方法。 一是符號學派。認爲有因必有果，有果必有因。 二是貝葉斯學派。因發生果一定發生嗎？感冒是發燒的原因之一，但感冒不一定都發燒。貝葉斯學派承認因果，但認爲因果之間的聯繫是不確定的，只是一個概率。 三是類推學派。他們的邏輯很簡單：第一，兩個東西的某些屬性相同，它倆就是類似的；第二，如果它們的已知屬性相同，那麼它們的未知屬性也會相同。 四是聯結學派。基本思路就是模仿人腦神經元的工作原理：人類對所有模式的識別和記憶建立在神經元不同的連接組合方式上。或者說一個模式對應着一種神經元的連接組合。 五是進化學派。他們是激進主義經驗派，是徹底的不可知論者。進化學派不僅覺得因果關係是先驗模型，甚至覺得類比，神經元連接也都是先入爲主的模型。 第四。聯結學派也叫神經網絡學派爲什麼佔優勢。 我們在媒體上最常聽到的是這四個名詞：人工智能、機器學習、神經網絡、深度學習。這四個詞有下面的包含關係：人工智能>機器學習>神經網絡>深度學習。 人工神經網絡雖然是模仿大腦，但它具備了人類沒有的三個優勢：能“感受”人類感受不到的信息，與人腦相比又快又準，每一個神經元的狀態都是可測量的。 神經網絡的一個侷限性是，需要依賴特定領域的先驗知識，也就是需要特定場景下的訓練，說白了就是神經網絡只會教什麼學什麼，不會舉一反三。 神經網絡的另一個侷限性是無法解釋結果爲什麼是這樣，因爲人類無法理解暗知識，所以更無法解釋。 不可解釋性在許多涉及安全和公共政策的領域都是很大的問題。例如，醫療涉及人的健康和生命，醫生的診斷需要根據極爲嚴謹的醫學邏輯，因此醫療對於人工智能的可解釋性要求遠高於其他行業，極少有醫院或醫生敢把無法解釋的診斷結果用在患者身上。 此外，人類對於功能的推理，並非會拘泥於具體的物體，而是能抽象出這個物體和功能有關的物理特性，從而匹配其功能。 第五。機器學習離不開的物理硬件____芯片。 AI突破三要素。算力、數據、算法這三個要素同步成熟，形成合力，終於帶來了今天AI的爆發。這三個要素中最重要的是計算能力的發展和算法的互相促進。 技術制高點：芯片。神經網絡芯片大致可以分成三大類。 第一類是數據中心裏面使用的用於訓練模型和識別的芯片。目前這類芯片幾乎被英偉達壟斷。 第二類是用於汽車自動駕駛或機器人中的芯片，這類芯片的耗電不能太大，例如在電動汽車裏，芯片耗電不能使電池巡航距離降低超過1%。對成本有一定的要求，計算速度也要比較快。目前英偉達的GPU是各大汽車廠商的首選，英偉達也將自動駕駛作爲最重要的佈局領域。 第三類是用於各類終端的芯片，例如用於攝像頭、手機、醫療設備、小型機器人等。這類芯片要求耗電非常低（例如手機），成本非常低，在機器學習類的運算中速度只要能比CPU快10倍以上即可。 芯片一直是中國的軟肋。 第六是機器認知對人類商業和社會的挑戰。 首先，是自動駕駛技術將是一個千億美元的大應用。 其次，是重體力和重複勞動行業會被大幅度替代。 最後，沒來30-50年，隨着機器認知在軍工和社會發展中廣泛運用，會不停顛覆我們的三觀。 第七人類對機器認知的擔心。 科學的本質是受控實驗。人類通過控制一組變量（例如物理實驗中的物體位置和受力等，化學實驗的溫度和壓力等）來測量另外一些變量（例如物理實驗中物體的速度，化學實驗中的氣體體積）的變化。科學定律就是可控變量和測量變量之間的關係。 所以科學的進展可以分爲三個步驟。（1）提出假設：某一組可控變量和另一組可測量變量可能的關係。（2）設計實驗：驗證可控變量和可測變量之間的關係。（3）如果實驗不能驗證，就重新回到步驟（1）。 我們今天可以想象的奇蹟有以下幾方面。（1）機器可以在極短的時間內掌握極難的技能。（2）數年內讓幾千萬人失業。（3）超級規模的協同行動。（4）通用機器人智力增長驚人。 和目前的神經網絡相比，人類在認知方面比機器強在以下幾個方面。（1）學習識別物體不需要大數據。（2）機器沒有常識和物理世界的模型。人類在一個陌生環境摸索一陣後，能很快在大腦中建立起模型來。（3）機器沒有自主和自發的通用語言能力（目前人類輸入的語法規則或通過數據訓練出來的“語言”能力只能處理限定場景，否則就能通過圖靈測試了）。（4）機器沒有想象力（需要大量常識，反事實假設及推理能力）。（5）機器沒有自我意識。（6）機器沒有情感和同理心。 包括馬斯克、霍金等人都非常擔心AI有一天會控制人類。在機器能控制人類之前，機器必須產生自我意識。 首先，如果我們能夠確認“自我意識”無非是大量神經元之間複雜的激活和連接模式，那麼我們應該可以預測未來有一天當基於半導體或生物芯片的神經網絡足夠複雜時，機器完全可能產生自我意識。 第一個問題是神經元的數量。人類大腦大約有1 000億個神經元，每個神經元會有上千個突觸和其他神經元相連接，也就是說人腦有約100萬億個連接。 第二個問題是神經元之間的連接方式。 第三個問題是目前的人工神經網絡的信號輸出是上一級輸入加權求和後被一個門限截斷的信號，而人腦中每個神經元的信號強弱、門限的高低都可能不同。 除了以上三個問題之外，更重要的是第四個問題，人腦中各處充滿了隨機性，深受外界環境的影響，這種複雜系統中的隨機性是產生“湧現”的重要條件。 一切都清楚地表明瞭機器對事物間隱蔽的相關性的發現和掌握已經遠超人類。機器學習正在拓展出人類知識的一個全新方向，讓人類可以利用那些自己無法理解的暗知識去解決問題，這些暗知識的總量將會大大超過人類積累的和即將發現的明知識。隨着計算能力的提高和各類算法的進展，機器學習會呈現出越來越神奇的性能。這一波科技進步的大浪在可預見的未來還看不到停滯的跡象。 這並不是人類第一次發明了比自己強的工具，從第一次折斷樹枝作爲大棒開始，人類已經有無數超過自己能力的工具。 只不過這次不再是比人的胳膊力氣大，比腿跑得快，比眼睛看得遠，而是比大腦更能覺察萬事萬物間的隱蔽關係。在機器沒有演化出自我意識之前，它們仍然是人類任勞任怨的工具。

公衆號純陽書評第534期《暗知識》    以暗知識作爲一本人工智能書籍的書名是本書一個特色。暗知識很容易把人引入某種有關認知的、貌似高深的想入非非之中，讓人難以馬上聯想到人工智能；跟着作者的邏輯走一個全程，再一琢磨，再一回味，猛然會發現暗知識才是人工智能最好的代稱，兩者之間之所以沒有產生直接的聯想，只是因爲兩者邏輯關係上的深，而這種深絕不是一種缺點，而是一種十足的優點，這種優點體現的是作者人工智能的理解強調的是認知這一層。 第一、作者對人工智能的理解已經深入到認知這一層。 一般的人工智能書籍往往停留在技術這一層，有理論的一頭扎進理論，有應用的一頭扎進應用，實在是什麼都沒有的就乾脆靠想象力和記憶力喫飯，開講各種若有若無的故事。 本書顯然是二班的學生，一個高臺起跳，衝向人的認知層，從認知的角度剖析人工智能。在作者這裏，人工智能只是認知象限中的一個部分，可察覺、可表達是明知識，日常生活中絕大多數就是這類知識；可察覺、不可表達是默知識，只可意會不可言傳說的就是這類知識；不可察覺、可表達是數學等知識，存在於認知之中但是觸摸不行；不可察覺、不可表達就是暗知識，各種人工智能發現的用以完成模式識別等任務的知識，這種知識對人來講已經是不知所云，但是機器用着很靈。 作者從暗知識的角度理解人工智能，顯然要比一般的觀點高明不少，因爲這種角度真正抓住了這種新技術的核心和獨特特徵，抓住了與歷史上出現的其他技術的真正不同，其他技術無論多麼複雜，我們都知道其原理和內因，但是人工智能不同，我們只是知道他們管用，至於爲什麼機器要選擇這些特徵，那是機器才明白的內容。 而這種能力和這種能力下的不同是預測這種技術的真正影響的關鍵核心。 第二、作者對人工智能的把握更爲有力、更爲可信。 正是作者從暗知識的角度把握人工智能，可以幫助人們認識到人工智能從內核上不同於人類歷史上任何一種技術、任何一種技術賦能，這就導致一個結果，我們再也不能簡單地按照像歷史上那樣，按照以往技術的影響和特徵來預判人工智能對未來社會的影響及其演化特徵。如果說以往那麼做是合理的，判斷正確是一種高概率事件，那麼現在再那麼做的話就是不合理的，判斷正確的概率必然處於一種可信的低水平。 既然一切都是新的，我們就要按照新技術本身的邏輯去判斷去行動。作爲一名曾經的IT相關領域研發人員、創業者和投資人，作者就有機會擁有工程師、企業家和資本三重維度和視角理解人工智能的機會，也就有了對這種技術理解更多的可能，這也就意味着作者對於人工智能的判斷和把握要更爲可信。而這種可信既來自於暗知識認知的深度，也來自於三重視角的廣度，既有理論的加持，也有實踐的背書。        綜上所述，在當下，本書貌似最不人工智能，實則最人工智能。

【爲什麼我認爲AI已經超越人類且必然產生自我意識】 維特根斯坦曾說：“語言的邊界就是世界的邊界。”這句話揭示了人類認知的基本侷限——我們活在語詞織就的大網之下。 然而這一侷限不適用於人工智能。大部分人認爲訓練大模型的數據上限就是人類所有知識，因此AI不可能超過人類。但我認爲​​AI已經超越人類​​，只不過人類尚無法完全理解AI超越我們認知的能力。 更重要的是，隨着AI能力的快速提升，不久的將來AI必然產生自我意識。 1、人類認知的邊界 人類認知存在難以逾越的邊界。人類活在語詞織就的大網之下，並非人類控制着語詞，而是語詞控制着人類，從思想到行爲。 王維嘉的《暗知識》一書把人類的知識按“可否感知”和“可否表達”分爲如下四種基本類型： 第一，可感知亦可表達的知識。它包括迄今爲止所有的科學和人文知識。 第二，不可感知但可表達的知識。任何經驗的東西都是可感知的，不可感知的就是非經驗的。以數學爲例，抽象代數的定理是正確的知識，但可以和經驗無關。人之所以爲人，就在於可以擁有純符號的知織，它是理性的重要基礎。 這兩類幾乎就是人類知識的極限，也是各種大語言AI模型學習的飼料。 第三，可感知但不可表達的知識。道家說“道可道，非常道”、“大音希聲，大象無形”等，佛家說​​“不立文字”、“直指人心，見性成佛”等，儒家說“默而識之”、“夫子之言性與天道，不可得而聞也”等，都是這一類。 這類雖然無法表達、傳授，但也算人類的知識，在人類的理解範圍之內。 第四，不可感知亦不可表達的知識。這是人類無論如何也無法掌握的知識，這就是人類的侷限。 用柏拉圖的洞穴理論來比喻，人類只能看到真實世界的投影。康德則將世界分爲“表現世界”和“物自體”，人類所感知的只是經過先天認識形式加工後的世界。 上面的第四類知識或世界，對人類來說是不可知的。 2、AI的知識量遠超人類 首先，AI的感知能力大幅提高。人類90%的知識來源於視覺，即可見光（以及部分聲音等）是人類的極限。AI的輸入不單單是人類感知到的知識，也可以是人類感官能力之外的，比如不可見光、引力電磁力、超高溫超低溫等。 其次，AI的邏輯能力遠超人類。人的知識除了經驗，還有邏輯。之前的AI在經驗知識上遠超人類，但更接近“休謨式”的經驗主義智能。等Transformer的大語言模型出現後，邏輯推理能力也遠超人類。 然後，AI知識的傳播速度驚人。人受制於語言，生活在語言的牢籠裏。只能表達感受的十分之一，又只有十分之一能被完全接收。但是知識卻非常容易在機器間傳播。一臺學會駕駛的汽車可以瞬間“教會”其他100萬臺汽車，只要把自己的參數集複製到其他機器即可。機器間的協同行動也變得非常容易，無非是用一組反饋信號不斷地調整參加協同的每臺機器的參數。 以上都只是量的碾壓，更關鍵的是AI的高階相關性，讓它的理解力也碾壓人類。 3、AI的理解力遠超人類 人類所有的進步和發現是靠聯想。人類其實是通過相關性來理解世界的。 比如有人觀察到公雞打鳴不久後天就亮了，因此猜想公雞打鳴是不是出太陽的原因。這種猜想可能對，也可能錯。 人類通過這部分的、扭曲的信息，通過關聯和思考，用因果律等來逐漸逼近真實的世界（即波普爾“猜想與反駁”的科學哲學）。 這就是人類爲什麼如此依賴因果律，任何現象不管多荒謬，都要找一個原因來解釋。這就是爲什麼直到現代宗教仍然興盛不衰。 但是，人類只能理解一階相關性。比如將蘋果與紅色、很甜、可以喫等建立相關性，通過十多種屬性來判斷一個新物體是不是蘋果。 但AI不但可以提煉出512種甚至更多的屬性，對概念的把握更精確。更關鍵的是，AI可以構建相關性和相關性之間的相關性，即高階相關性。 目前主流的AI模型的高階相關性是128階，這已經遠超人類的理解範圍了。 人類的發明和創造，都是通過相關性的聯想來實現的，但人類只能構建一層或兩層的關係來思考。 AI的高階相關性註定它對世界的理解力遠超人類。比如，如果整個世界是11維的，AI能理解，人類不能。 4、爲什麼人類不覺得AI厲害 關於AI的能力，存在兩種主流看法。一種以Noam Chomsky爲代表，認爲ChatGPT只是超級鸚鵡或大號搜索引擎。另一種以“AI之父”Geoffrey Hinton爲代表，認爲AI的經驗處理和符號處理都遠超人類。 我支持後一種觀點，且認爲目前AI對世界的認知已經遠遠超越人類。這一派也被稱爲先知降臨派。 那爲什麼很多人感覺不出來呢？部分原因在於​​人類提問的方式限制了AI展示能力​​。 就像一個幼兒園小朋友向愛因斯坦提問，也不會覺得愛因斯坦的答案有什麼出奇之處。 如果大家都認爲某人很懂自己、是自己的知音，那麼很可能這人的智商、情商比所有人都高 此外，當前AI的能力展示也受限於人類的交互設計。如黃鐵軍教授所言，我們要轉換思路，不應將AI的創造性視爲“幻覺”，而應認識到真正的智能都具備生成豐富可能性的能力。 5、AI必然產生意識 意識起源和宇宙起源、生命起源一樣，是人類的未解之謎。因此說AI必然產生意識只是我的一家之言，或者用波普爾的話說叫“猜想”。 人類意識是哪一個時間點產生的呢？是幼兒、嬰兒、胚胎、受精卵、還是更早？任何的解釋都是站不住腳的。 一種可能是，人類的意識或自由意志只是幻想，不過是受自己的潛意識（即動物腦、情緒腦）的支配。那麼AI也已經有幻覺，或者說想象力的。 人類受生存和繁衍的本能驅動一切，與AI靠初始的指路來驅動行爲，並沒有本質的區別。 另一種可能是，意識是大腦複雜到一定程度後“湧現”出來的，比如複雜系統科學中的蟻羣、蜂羣等，羣體到了一定程度會產生羣體智能​​等。 那麼AI複雜到一定程度，也必然會“湧現”出意識。大語言模型參數規模超過閾值後，就可能獲得創意寫作、邏輯推理等能力。 退一萬步說，即是AI沒有自由意志，也可能控制或毀滅人類。這就是馬斯克和辛頓等人如此害怕的原因。 比如你某天出差前對家裏的AI助力說：”幫我照顧好那盆花，別讓它死掉！” 然後這個AI能力越來越強，一直執行這個命令。最後它認爲人類可能發動核戰爭而威脅到這盆花，於是把人類都殺死。最後這個地球由AI統治，殺死一切外來者，然後忠實保衛“聖花”。 這時，AI有沒有自由意志，對人類有什麼區別呢？ 結語 人類認知有其邊界，但AI已經突破這些邊界。AI不僅在知識量上遠超人類，在理解力的本質上也展現出根本優勢。隨着神經網絡規模的擴大和訓練數據的增加，​​AI產生意識的可能性確實存在​​，沒有任何理論或證據表明這不可能。 生在這個歷史節點的我們，即是幸運的，也是不幸的。 幸運的是，AI可能是人類有史以來最強大的工具，也可能是第一個真正超越我們的創造物。 不幸的是，我們的能力一項項被AI迅速超越、取代後，人類存在的價值和意思何在呢？ 我們每個人都需要重新思考人類與機器、智能與意識、責任與倫理、存在與價值的關係。 也許，我們都需要開始準備一個數字人，以數字的存在來適應AI的未來。

一、 2019年的書，我現在讀覺有收穫。 說明什麼： 1、這是我未接觸到的知識領域。 2、從1延伸，我需要學習瞭解的仍有許多。 3、再延伸，人在生活裏學習裏，會不斷根據自己學習到的形成一個個體系，比如我感興趣的歷史 哲學等，比如不斷思考人該怎麼生活。這一個個逐漸形成的體系，形成個人清晰的邊界，也會積累出來的厚實的根基，會讓人不斷往外闊。在這樣的一個過程裏，需要自信自愛，不要自大自滿，要謙虛。關於知識，要知道這個世界很闊知識有很多。對他人，知道這個世界有許多人，每個人都有自己的認知與思想與個性，尊重理解纔是。人類世界其中一個特點是豐富多樣，另一個特點是不斷變動，產出新的東西。 4、這兩年AI的發展以及英偉達的股價驗證了作者的觀察與預測沒錯。這是一種信息差，先了解先學習的會快人一步。 ///// 二、 說說在這本書裏所學到的或者說是感興趣的： 1、 明知識： 是可以用語言、文字、公式等符號清晰表達和記錄的知識。 人類是主體，依賴書寫和教育來傳播這類知識，例如數學定理、科學定律、操作手冊等。 亞里士多德在《形而上學》裏說人類與動物的不同，是因爲有記憶，對生活的觀察與對技藝的習得的一些知識通過積累，成記憶成文字，這是人類之所以發展的原因。 回想整個人類文明，有多少思考者都在思考五感這些感官獲得的信息，對人類的意義。有些着重點在學習和積累上，有些在感悟和生活上。 這些都是一種輸入，在有文字有人類共同語言後，這些知識這些思考傳承與積累，到這600年，量的積累能發生質變，而且變得越來越快，先是航海與商貿，到工業革命，到文藝復興思想啓蒙，到19世紀的德國大學與思想的發展，到20世紀邏輯與科學的爆發，到這近一百年計算機與人工智能AI的發展… 速度是越來越快，靠的是積累。 但是，這人類速度，比起機器語言，暗知識來說，似乎，也不算快。 2、 默知識： 主體也是人類。 指的是個人通過體驗掌握、難以言傳的知識。 個人在感覺上能把握，但難以用語言或文字準確描述的知識，常被稱爲“只可意會，不可言傳”。 比如實踐技能（騎自行車、打籃球、書法）、經驗判斷以及人體平衡感等都屬於默知識。獲取通常依賴親身體驗和反覆練習，而非單純的文字說明。 除了技能，讀到這的時候我還想起《哥德爾傳》裏說的： 哥德爾在跟摩根斯特恩的談話中評論道：“今天哲學的發展水平，充其量相當於巴比倫時期的數學！”但哥德爾確信有朝一日哲學也可以像數學一樣公理化，如果再搭配客觀的邏輯推導，它就可以解釋人類爲什麼存在的基礎問題。“到那時，人們可以建立一套精確的推理系統，就算裏面有‘上帝’‘靈魂’‘思想’等通常被視爲形而上學的概念也沒有關係。” 許多哲學思考，也是默知識，因爲沒辦法有確定的符合所有人生活的準則，因爲每個人生活的環境時代和接受的信息都是不一樣的。 但對於機器來說，這些會是默知識嗎。 能否將默知識轉成某種它們的語言。 下面開始說暗知識。 3、 暗知識： 主體是計算機。 機器從海量數據中發現、人類既無法感受也無法表達的新知識。 / 我認爲，作者應該再默知識和暗知識間再加一種知識。 那是編程語言，比如x86、C、C++、Java 、python等等，面向具體硬件，用符號代替機器碼，後面的可讀性稍好，仍與硬件緊密相關在。計算機初期以及發展期，人類設計計算機，設計網頁，設計軟件等所需要的語言，這些語言，人類也懂，但是畢竟不是日常人與人交流的語言。 這些語言需要學習，而在近十幾二十年，從C語言到Java到python，這些機器語言，通過研究，越來越容易獲取與利用，在日常上容易與機器信息融合，貼合網頁貼合人類，特別是python在爬取網頁信息上，以及更適合人類學習上，都有相應的提升。 這些語言應該是在明知識與暗知識之間又不屬於人類的默知識， 是一種人類與機器之間的共同語言。 第一 這種知識的特點，是人類不容易學習，但是機器與AI容易學。容易用。 如果你最近有用小龍蝦，有用騰訊wordbuddy等，你會發現這些智能體，根據你的需求，調用python很速度地獲取網頁信息，然後進行整理。比如讓它提取最近的熱點或者關於哪方面的知識，它常調用python語言。python好用的一點是容易通過關鍵詞提取內容。但是人類要學習需要花時間，要根據不同需求用上需要一個個人的積累，同時最好還公開這語言給大家使用，不然一個人學習與積累需要很長的時間。 第二 關於語言，人類語言與機器語言。 習得便能獲得信息差。 因爲想起了謝里曼，在他的時代，商貿發展，他能在歐洲各國做生意賺大量的錢。是因爲他學會了多門語言。 多門語言讓他容易和各國商販交流，知道各地方需要的是什麼，而在別國那被需要的價格是否更低。 獲得信息差便能獲得商機，搶先一步成功。 而現在，讓人先一步成功的，是機器語言。 看西蒙斯，通過量化交易賺錢。 看馬斯克，在很小的時候就寫代碼會編程，這些機器語言能更容易與機器交流，也在成長中更容易發現更多機會。 / 回到 暗知識 作者定義爲，暗知識既無法被人類直接感受，也無法用語言、文字表達，但機器可以通過大規模數據學習到的“隱藏關係”或“相關性”。 這類知識源於海量數據中複雜的、人眼難以察覺的模式。 現在很多人用AI還認爲，它是在人類知識基礎上總結歸納提取知識的，不是有新的知識不會有新的發現。 這暗知識，就說明了，不是這樣的，機器內部的一些知識，是機器才懂得的，人類看不懂，這種人類不懂的暗知識，可以類比成人類的默知識。只有它們內部才能識別。 只是這麼說，不好理解，舉AlphaGo的例子： AlphaGo 下棋時使用的策略，人類無法直觀理解，卻能讓程序戰勝世界冠軍。 AlphaGo學習路徑可以概括爲四步： 第一. ​​ 把“下棋”轉化成可計算的統計問題​​。 它首先將棋盤狀態視爲“圖像”，把下一步走法視爲“物體類別”，用卷積神經網絡去估計每種走法的勝率——這一步把圍棋規則和走法映射成可訓練的數學表示。 第二. 用大規模自我對弈收集“未知山峯”裏的樣本​​。 在訓練初期，AlphaGo 先用人類數千萬盤中盤做監督學習，隨後進入“哥倆對弈”階段：自己和自己下棋，每走一步都記錄勝敗結果。短時間內它就探索了遠超人類兩千年來所觸及範圍的走法空間。 第三. 通過強化學習給暗知識打上“價值標籤”​​。 每次自我對弈結束後，勝者路徑獲得“+1”獎勵、敗者路徑獲得“–1”獎勵。價值網絡依據這些獎勵信號不斷修正，把原本只是“可能性”的走法升級爲“高勝率”或“低勝率”——獎勵信號就是暗知識的“獎懲函數”。 第四 決策網絡與價值網絡聯手，生成人類看不懂的新模式​​ 決策網絡（基於卷積網絡）負責“選點”，價值網絡負責“估價”。兩者交替迭代，讓 AlphaGo 在棋盤上走出人類從未嘗試過的招法；這些招法往往犧牲局部利益、換取全局效率，棋感接近“神行太保”——快速掃過羣山找到更低谷底。 ​​ 另外人類難以模仿這種學習方式。 首先是受限及時間，人類受制於感官與經驗，兩千多年積累的棋譜只是棋盤可能狀態的一粒塵埃；AlphaGo 在數小時內就遍歷了這片“塵埃”之外的未知領域。 其次，這裏出現了暗知識，它不是研究人類的走法總結經驗。AlphaGo 通過自我對弈直接獲得勝負反饋，不依賴人類職業棋手的評價，因此能形成完全新的價值判斷體系。（暗知識） 某些切片數據方面，機器“感官”比人類精密得多，能捕捉到人眼無法察覺的細微局面差異，這些差異被網絡抽象成暗知識，再用決策網絡輸出人類難以理解的走法。 ​​ AlphaGo 依靠深度神經網絡、蒙特卡洛樹搜索和強化學習，從零開始大規模自我對弈，用勝敗結果給海量未知走法打標籤，最終提煉出一套超越人類經驗的下棋模式。這套模式正是“暗知識”——它無法被人類棋手事先用語言或公式清晰表達，卻能在對弈中發揮效用，因而讓 AlphaGo 能夠戰勝世界冠軍。 ///// 三、 在這書裏，還看懂了英偉達爲什麼能成功。因爲他的GPU，他的機櫃組成，恰好上個月反覆看英偉達的機櫃，把這個機櫃拆分，類比人類大腦。而這本書讓我把這塊知識連了起來。 一步步說GPU。 首先，從機器學習開始，作者說了機器是怎麼學習的。 作者把神經網絡比作一個“滿是旋鈕的黑盒子”。大概總結一下： 第一，輸入端接收數據（如圖像像素），輸出端給出識別結果（燈泡亮滅）。中間有成千上萬條連接，每條連接對應一個“旋鈕”，共同決定網絡的行爲。 第二，訓練的目標​​：給網絡看大量已標註的樣本（如 1 萬張汽車圖片、1 萬張貓圖片……）。對於每張圖片，只讓代表正確類別的燈泡最亮，其餘熄滅。這個“只亮一盞”的過程就是網絡需要學會的映射。 第三，手動調旋鈕的不可行性​​：當網絡有上億甚至上萬億個旋鈕時，人工逐一調節已不現實。（GPU並行在這裏更適合） 第四，​​自動調旋鈕，隨機初始化旋鈕，再通過反向傳播算法依據輸出誤差層層修正權重。 作者借“黑盒子-旋鈕”說明：神經網絡學習本質上是通過大量標註數據，自動調節成千上萬個人工無法手動擰動的“旋鈕”，使網絡能夠把輸入映射到正確輸出，而這個過程產生的大量隱祕參數正是書中所說的“暗知識”。 說完黑盒子旋鈕學習，到與GPU的關係。 把 GPU 想象成一臺“批量調旋鈕”的專用工具，神經網絡就是那個需要被不斷調節的“黑盒子”。 神經網絡被作者比喻成一個有許多旋鈕（參數 w）的黑盒子：輸入 X，經過層層變換，輸出 Y=fw(X)。訓練的目標就是找到一組旋鈕位置，使網絡能正確識別或決策 如果用傳統 CPU 逐個調整，需要很多年才能完成一次完整訓練。 GPU 的核心數量遠超 CPU，且每個核心都能獨立執行矩陣運算。訓練神經網絡時，它一次就能同時改動成千上萬個旋鈕，把原本 CPU 要幾年的工作壓縮到幾天甚至小時級別。 英偉達成立於1993年，公司最初是做電腦圖形顯示卡，20多年來一直在研發銷售圖形顯卡和圖形處理芯片GPU。 在2012年的ImageNet比賽，在這個比賽中取得突破的AlexNet的發明人亞歷克斯就使用了英偉達的GPU，證明了GPU非常適合用於有許多並行計算的神經網絡，比CPU快得多。在這之後的幾年，其他人都開始採用GPU。 網絡訓練的巨大優勢，讓英偉達率先成爲“深度學習計算引擎”，由此切入快速膨脹的數據中心市場。 這就是GPU與英偉達……再到現在英偉達的機櫃。 ////// 四、 這本書在後面還預測了AI的發展以市場的反應，比如用了“新技術成熟曲線”結合過去20年互聯網發展來說。 “互聯網過去20多年的發展就非常符合這條曲線：一個新的重大技術創新一開始沒多少人相信，但超過一個轉折點後就開始被熱炒，大家的期望值都很高，大量的資金盲目進入，很快發現技術還不成熟，遠不能達到期望值，大家都很失望，行業跌落到谷底。但這個技術其實只是需要時間，經過一段時間成熟起來，就會重新站上高地。” 老實說，這兩年AI的發展，超過了2000年泡沫時最狂野的想象，也印證了2019年作者的設想。 AI也從過去的人臉識別 自動駕駛，走進了行行業業。 比如他在2019年說的各行業的發展趨勢，不知道是作者在美國觀察到的還是思考的，就比如他裏面說的銀行數據與RPA的設計以及人才的轉變，是中國今年銀行業內發生的事。 所以，現在知識的獲取，不能只侷限在過去歷史與哲學大佬們的各種著作與思考。只有不斷學習，獲取更多知識，才能對這個世界有更多瞭解。 ///// 五、 我們不得不承認，AI可以自主學習，並不是靠我們的數據庫來收集整合資料這麼簡單，同時效率還特別高。 我們所設計的機器思維模仿人腦傳遞方式與思考方式，但是效率比大腦快，受的限制比大腦少。恰好最近在讀《抗衰大腦》，瞭解大腦的結構，如何清理垃圾，如何休息，受什麼影響。這麼放一塊下想，在某些方面不得不服機器語言以及運算速度記憶能力。 機器內部語言，暗知識能快速學習。人類的明知識以及默知識需要很長時間學習，然後在個人腦裏行成體系，而傳給下一個人下一代人需要高技能的語言能力。我們現在能學很多知識，那些明知識，我們學習速度也變快，而機器也多也方便。但人的時間仍是有限的，人要關注溫飽必須勞動，人也只是存在短短一百年的時間，想健康點想思維敏捷一點還需要花時間去運動。所以人類學習速度怎麼和機器大腦比。 當我們是人，自然會放大自己的感受能力，所以總是會想五感，會去思考與討論過去的生活與現在的生活，人類思考哲學問題，主要在兩方面，第一人應該如何生活，這就衍生出社會與政治學等。第二是在觀察人類觀察地球，用盡可能清晰的話解釋清楚我們看到的與思考未知的。我們會站在自己的角度思考，覺得五感與自然和諧，所經歷過的慢與滿足適合我們，就會說機器人沒有五感，實際上他有機器語言，學習能力強，感悟能力感受能力也不差只是另外一種方式罷了。或許我們會發現自己的真的應該正視現在與未來與機器的相處。 相處與利用， 比如在默知識與一些未知的知識，機器語言是否可以幫忙是否可能轉化成機器的暗知識，這樣學習與發現會不會更快。 這明知識是可以言傳用語言記錄下來，能直接理解的知識。有些默知識，是需要人類花時間去教去練習去琢磨與推敲的一些知識，至少是沒辦法用文字表達記錄又或者未能。 但是，在視頻出來後，這些畫面一旦多，那麼機器便能通過這些視頻進行記錄與分析。這反而是人類沒辦法快速做到的。 畢竟，上面說的人類生物體的神經遞質，神經元反應是沒那麼快的。 如此，AI反而能幫助做一些事兒。 不僅僅識別文字。 實際上我們應該利用AI加快在科學上的研究。 想到這，是因爲恰好在讀羅素《西方哲學史》的科學的繁榮發展那一節內容。伽利略 牛頓等等人，他們可是得反覆思考與計算， 我們，是否能結合這默知識理論，對天體多運動對各種現象，給他大堆數據與視頻，讓AI去分析去總結去提取。 而機器人呢，作用在於去土星火星外太空替人類建造合適的生存環境與基建，探測太空。 ～ 想得很美好～ 這日子，總得抱有希望，被AI營造的快節奏的生活裏，仍保有希望仍有能安靜想象的心與腦袋很重要。

今天在騰訊讀書偶然發現這本書，因上週已經讀過紙本，所以直接跳到最後寫書評。我讀過這本書，也聽過王維嘉的演講，應該說書的內容很好，但演講更精彩。我看到一些評價，覺得該書深度不夠，而內容又過於龐雜，有道理，但我認爲反而是該書優點。在過去一兩年，我讀過多本人工智能方面的書。有些書非常專業，不適合普通讀者；而另一些書又高推聖境，把人工智能神話到沒邊了。王維嘉博士這本書不吹不黑，既從專業角度表達了人工智能的革命性，他認爲人工智能將跟互聯網一樣大普及；又坦誠了人工智能的侷限性，他明確表明不看好現在特別火熱的自動駕駛，認爲自動駕駛的可行性必須在有特別條件下才能成立。更可貴的是，爲了讓普通讀者更容易理解人工智能，提出了“暗知識”這個概念，並闡述了暗知識和人工智能的關係，一下子把人工智能講清楚了，這真是高手了。所以，我覺得這本書是人工智能的國民讀本，易讀易懂。我看了這麼多本人工智能的書，一直覺得人工智能比較高冷，但讀完該書，我想熱烈擁抱人工智能，就像擁抱互聯網一樣。

《暗知識》的思想貢獻可收成一句話：它把“知識”從人類語言中心解放出來，承認存在一類由機器在高維數據中發現、以權重形式存在、可操作可遷移但默認不可感不可言的相關結構；這類知識會重構工程驗收、科研發現、產業壁壘與公共治理。它的重要性不亞於默會知識被重新發現：默知識讓人承認“經驗優於規則”，暗知識讓人承認“系統優於解釋”。 對工程師，它要求從寫邏輯轉爲養系統、從閉式解轉爲分佈可信、從準確率轉爲適用域與失效安全。對科研，它要求從先理後用轉爲先用後理、再回到機制與因果混合，避免無理論預測。對管理者與公衆，它要求建立新型信任：不追“機器爲什麼這樣想”的完美答案，而追“它在什麼條件下可信、出錯如何兜底、目標由誰設定”。對哲學，它把可理解性相對化，把責任從“我懂所以我能控”改爲“我定義邊界、監測分佈、保留否決、承擔後果”。 未來最穩的認知架構不是人退場、也不是機器全權，而是三層耦合：暗知識做高維感知與預測，明知識做規則與溝通，默知識做人際判斷與價值校準；再外加因果模型與系統反饋作爲治理總線。誰先把這套裝上，個人、企業、城市都能在機器認知時代少些狂熱、多些可控。 如果只記住一點：人工智能最深的顛覆不是代替人幹活，而是暴露出人類語言與邏輯只是知識宇宙的一小套投影；此後一切工程、科學與社會設計，都要在“能解釋”和“能生效”之間重新分配權重。

人工智能是我們目前面臨的最具影響力的重大技術變革，將會爲我們的社會帶來深遠的重大變革。瞭解電腦是怎麼實現智能的，思考未來可能的樣子，有趣而有益。       這本書的專業性和商業性結合的非常好，是一本非常淺顯易懂的書，理論和實踐結合的很好，小白都能看得懂，也看得進去。       本書從AI如何學習明知識、暗知識，到AI目前發展方向和競爭格局，再到AI可能進入的主要行業、生活方面做了簡要梳理和思考，可以令人打開腦洞，瞭解未來，更重要的是，這裏面提到了很多的商機和未來行業的發展新的方向，對於企業和創業者，會有一些啓示。 未來，趨勢漸明，瞭解、跟隨，甚至是把握未來，是每個人都要面對和做好的事情

技術底層原理 + 機器認知的本質 + 商業顛覆 + 社會衝擊，不堆砌代碼，不做幻想式奇點預言，兼顧產業現實，有嚴謹技術視角，2019年出版的，推薦後續讀物：《大模型浪潮：商業機遇、產業變革與未來趨勢》｜沈抖 著（中信，2025‑06）✅有正版電子書（Kindle / 微信讀書 / 得到）

對本書最大的收穫應該算是對「知」字的重新理解。所謂“知”，一矢一口，箭在靶上即是“知”。我們對外部世界的真正理解往往源於我們將所學知識付諸實踐，爲什麼僅僅是理論知識並不足以指導我們的生活？因爲世界是信息的，而並非所有信息都被描述被記錄，被記錄下來的破碎信息就被稱爲數據，而數據之間存在的關係又不是一個人，一代人所能闡述清楚的——想想就連默知識也是在七十年前被哈耶克系統性的提出並用於市場調節理論——我們生而不自由，無往不生活在生物基因和社會基因的雙重枷鎖中。 從時間上看，一代人積累的知識和資源僅有很少能傳遞到下一代，我們對父輩們的認知僅僅侷限於30歲以後的形象以及閒暇時間裏的隻言片語，代際間的失語終有一天會被用力的刻在墓碑上。姜文講他小時候比較愚鈍，被當過兵的父親斥責道“像你這樣！放在我們那時候，用不了三天！死了！”，因此從小不明白父親的偏執和暴怒，直到年紀很大才知道戰爭是怎麼一回事，一桌大的方寸地落下四顆炸彈，倖存者偏差會讓自己教條式的固執己見。從空間上看，社會網絡從來不均勻分佈，小羣體➕關係橋的基本格局讓互聯網上的人們面面相覷，有些一輩子打不着照面的人在網絡聊天室裏爭執不下，有些人在盲目的追求着不屬於自己消費階層的生活方式。《奢侈與資本主義》，奢侈的背後是勢力之慾，也是早已乾枯的親密關係。 我們唯一知道的便是無知，世界是由我們沒看過的書，未見過的風景構成的，宇宙學也用嚴密的邏輯證明有些星球以超光速的步伐遠去，我們永遠見不到它們了，永遠。 馮諾依曼在敲門，他讓我們把目光收回來，不要看世界是什麼，而當審視自己有什麼。世界是分層的，我們只能洞悉三維空間和一維時間，我們只能獲取低分辨率的圖像和更低信息量的文字，但我們能獲取事物之間的聯繫，也即知識，它們以複雜的神經網絡的形式存放在我們的大腦中，那麼如果將生物神經網絡加以簡化，並輔助以高精度的生物、物理和化學信息，加上電子設備的傳輸速率，我們應當可以讓機器站到我們無法表達也無法理解的認知高峰，讓機器把握世界的規律以此拓寬我們的視野。那麼世界的基本規律是什麼呢？2500年來的科學革命和認知革命總共總結出以下五個基本世界觀，它們在佛學體系中都有對應，分別是：定業（因果齒輪嚴絲合縫），不定業（有因未必有果），着相（事物同性相聚，同類事物有穩定特徵，進而對應一組概念），破相（事物間有聯繫，但忽聚忽散不成概念），空（世界沒有因果，沒有規律，也沒有模式，全靠演化）。這五種理論中如今誰站到了風口浪尖呢？答案是破相，而其中事物之間隱含的聯繫，就不是人能夠把握的了，它們以數學參數的形式儲存在神經網絡之中，可以在面對新情況下迭代更新，也可以在機器之間相互傳遞，但就是無法被人理解，因此被作者稱爲除理論學習，意會學習之外第三類知識——暗知識。

我覺得這本書挺好，敘述條理，解釋清楚，讓非計算機類專業的讀者也都能看明白，“任何具有高中以上學歷的人都能讀懂”（作者語），嗯，所以我看懂了，除了神經網絡深度學習原理[呲牙] 作者引入一個新名詞：暗知識，即隱藏在海量數據中的相關性或者萬事萬物間的隱蔽關係。就像是物理領域的暗物質一樣，存在並起着作用人類卻摸不着看不到[擦汗]，看我們國家的小衛星“悟空”一直在天上等着抓住暗物質一點蛛絲馬跡呢[微笑]。人類獲取知識是通過文字（明知識）或者經驗（默知識），可對這暗知識真是有點兒無能爲力，但這恰恰是以神經網絡深度學習爲基礎的人工智能所擅長的。作者在書中除了儘量通俗地介紹人工智能的工作原理外，重點講述了人工智能目前的產業狀態和在不同商業領域的應用，以及可能對未來哪些產業造成衝擊，對未來人類生活有哪些影響。另外，作者還根據自己多年投資實踐經驗對有志投入AI行業的人提出了一些投資建議。 有兩點我覺得有意思，就寫下來好玩兒。1、基於深度學習的AI本質就是：記憶+識別。它無非就是發現並記憶數據中的相關性唄，在海量記憶基礎上對細微差別進行識別，AI應該比較適合做複雜狀況的決策，甚至它也會有“創新”作品，但它不會有人類的同理心，不能做出有意境有情懷的“藝術創作”。2、智能工具（我把它稱作工具）受限於持續穩定的能源供給。因此，目前來說，電池的蓄電能力是它一個短板。“得電池者得AI天下”[呲牙][呲牙][呲牙]