暗知识：机器认知如何颠覆商业和社会

暗知识:机器认知如何颠覆商业和社会 这本书是我看过的关于人工智能方面比较好的一本。 第一。书中提出暗知识的概念，可以说是哲学史和认识论上的一大进步。颠覆了认识论和实践论的局限。机器认知和机器实践远远超越了马克思的范畴。 他作者根据“可否感知”和“可否表达”，把人可利用的知识分为如下四种基本类型： 一，可感知亦可表达的知识。它包括迄今为止所有的科学和人文知识。 二，不可感知但可表达的知识。任何经验的东西都是可感知的，不可感知的就是非经验的。 三，可感知但不可表达的知识。它包括人的非陈述性记忆和“默会知识”。 四，不可感知亦不可表达的知识。将这类大大超出了个别人所能记忆和学习的知识称为“暗知识”。“暗知识”的提出，不仅是一项哲学贡献，也为当前盛行的科学乌托邦提供了一剂解毒药。 在此基础上，我们终于可以清晰地区分这样三类知识：人类能掌握的明知识和默知识以及只有机器才能掌握的暗知识。 默知识和明知识主要有以下四点区别： （1）默知识无法用语言和文字描述，因此不容易传播，无法记录和积累，只能靠师傅带徒弟。像大量的传统工艺和技能，如果在一代人的时间里没人学习就会从历史上彻底消失。 （2）获取默知识只能靠亲身体验，传播只能靠人与人之间紧密的互动。而这种互动的前提是相互信任。获得默知识必须有反馈回路。 （3）默知识散布在许多不同人的身上，无法集中，很难整合，要想使用整合的默知识需要一群人紧密协调互动。由于无法言传，所以协调极为困难（比如杂技叠罗汉）。 （4）默知识非常个人化。每个人对每件事的感觉都是不同的，由于无法表达，因而无法判断每个人感觉的东西是否相同。 明知识就像冰山浮出水面的一角，默知识就是水下巨大的冰山。 暗知识不是那些人类尚未发现但一经发现就可以理解的知识。 暗知识给我们的震撼才刚刚开始。从2012年开始的短短几年之内，机器已经创造了下面这些“神迹”：对复杂病因的判断，准确性超过医生；可以惟妙惟肖地模仿大师作画、作曲，甚至进行全新的创作，让人类真假难辨；机器飞行员和人类飞行员模拟空战，百战百胜。 第二，人工智能对人类智能的挑战。 世界排名第一的棋手柯洁在网上说：“AlphaGo胜得了李世石，胜不了我。”而2017年5月28日，棋手柯洁以0：3完败AlphaGo，彻底击碎了人类在这种复杂游戏中的尊严。 中国棋圣聂卫平更是把AlphaGo尊称为“阿老师”，他说：“AlphaGo的着数让我看得如醉如痴，围棋是何等的深奥和神秘。AlphaGo走的顺序、时机掌握得非常好。它这个水平完全超越了人类，跟它挑战下棋，只能是找死。我们应该让阿老师来教我们下棋。”他还说：“阿老师至少是20段，简直是围棋上帝。” AlphaGo Zero给我们的震撼在于三个方面： 首先，人类能发现的知识和机器能发现的知识相比，就像几个小脚老太太走过的山路和几百万辆越野车开过的山路。 其次，和机器可能发现的知识相比，人类知识太简单、太幼稚，机器谈笑风生，比人不知道高到哪里去了。 最后，机器发现的知识不仅完全超出了人类的经验，也超出了人类的理性，成为人类完全无法理解的知识。 第三，机器是怎样学习的，能学习哪些知识，同时介绍了机器学习的五大流派以及各流派从数据中挖掘知识的方法。 一是符号学派。认为有因必有果，有果必有因。 二是贝叶斯学派。因发生果一定发生吗？感冒是发烧的原因之一，但感冒不一定都发烧。贝叶斯学派承认因果，但认为因果之间的联系是不确定的，只是一个概率。 三是类推学派。他们的逻辑很简单：第一，两个东西的某些属性相同，它俩就是类似的；第二，如果它们的已知属性相同，那么它们的未知属性也会相同。 四是联结学派。基本思路就是模仿人脑神经元的工作原理：人类对所有模式的识别和记忆建立在神经元不同的连接组合方式上。或者说一个模式对应着一种神经元的连接组合。 五是进化学派。他们是激进主义经验派，是彻底的不可知论者。进化学派不仅觉得因果关系是先验模型，甚至觉得类比，神经元连接也都是先入为主的模型。 第四。联结学派也叫神经网络学派为什么占优势。 我们在媒体上最常听到的是这四个名词：人工智能、机器学习、神经网络、深度学习。这四个词有下面的包含关系：人工智能>机器学习>神经网络>深度学习。 人工神经网络虽然是模仿大脑，但它具备了人类没有的三个优势：能“感受”人类感受不到的信息，与人脑相比又快又准，每一个神经元的状态都是可测量的。 神经网络的一个局限性是，需要依赖特定领域的先验知识，也就是需要特定场景下的训练，说白了就是神经网络只会教什么学什么，不会举一反三。 神经网络的另一个局限性是无法解释结果为什么是这样，因为人类无法理解暗知识，所以更无法解释。 不可解释性在许多涉及安全和公共政策的领域都是很大的问题。例如，医疗涉及人的健康和生命，医生的诊断需要根据极为严谨的医学逻辑，因此医疗对于人工智能的可解释性要求远高于其他行业，极少有医院或医生敢把无法解释的诊断结果用在患者身上。 此外，人类对于功能的推理，并非会拘泥于具体的物体，而是能抽象出这个物体和功能有关的物理特性，从而匹配其功能。 第五。机器学习离不开的物理硬件____芯片。 AI突破三要素。算力、数据、算法这三个要素同步成熟，形成合力，终于带来了今天AI的爆发。这三个要素中最重要的是计算能力的发展和算法的互相促进。 技术制高点：芯片。神经网络芯片大致可以分成三大类。 第一类是数据中心里面使用的用于训练模型和识别的芯片。目前这类芯片几乎被英伟达垄断。 第二类是用于汽车自动驾驶或机器人中的芯片，这类芯片的耗电不能太大，例如在电动汽车里，芯片耗电不能使电池巡航距离降低超过1%。对成本有一定的要求，计算速度也要比较快。目前英伟达的GPU是各大汽车厂商的首选，英伟达也将自动驾驶作为最重要的布局领域。 第三类是用于各类终端的芯片，例如用于摄像头、手机、医疗设备、小型机器人等。这类芯片要求耗电非常低（例如手机），成本非常低，在机器学习类的运算中速度只要能比CPU快10倍以上即可。 芯片一直是中国的软肋。 第六是机器认知对人类商业和社会的挑战。 首先，是自动驾驶技术将是一个千亿美元的大应用。 其次，是重体力和重复劳动行业会被大幅度替代。 最后，没来30-50年，随着机器认知在军工和社会发展中广泛运用，会不停颠覆我们的三观。 第七人类对机器认知的担心。 科学的本质是受控实验。人类通过控制一组变量（例如物理实验中的物体位置和受力等，化学实验的温度和压力等）来测量另外一些变量（例如物理实验中物体的速度，化学实验中的气体体积）的变化。科学定律就是可控变量和测量变量之间的关系。 所以科学的进展可以分为三个步骤。（1）提出假设：某一组可控变量和另一组可测量变量可能的关系。（2）设计实验：验证可控变量和可测变量之间的关系。（3）如果实验不能验证，就重新回到步骤（1）。 我们今天可以想象的奇迹有以下几方面。（1）机器可以在极短的时间内掌握极难的技能。（2）数年内让几千万人失业。（3）超级规模的协同行动。（4）通用机器人智力增长惊人。 和目前的神经网络相比，人类在认知方面比机器强在以下几个方面。（1）学习识别物体不需要大数据。（2）机器没有常识和物理世界的模型。人类在一个陌生环境摸索一阵后，能很快在大脑中建立起模型来。（3）机器没有自主和自发的通用语言能力（目前人类输入的语法规则或通过数据训练出来的“语言”能力只能处理限定场景，否则就能通过图灵测试了）。（4）机器没有想象力（需要大量常识，反事实假设及推理能力）。（5）机器没有自我意识。（6）机器没有情感和同理心。 包括马斯克、霍金等人都非常担心AI有一天会控制人类。在机器能控制人类之前，机器必须产生自我意识。 首先，如果我们能够确认“自我意识”无非是大量神经元之间复杂的激活和连接模式，那么我们应该可以预测未来有一天当基于半导体或生物芯片的神经网络足够复杂时，机器完全可能产生自我意识。 第一个问题是神经元的数量。人类大脑大约有1 000亿个神经元，每个神经元会有上千个突触和其他神经元相连接，也就是说人脑有约100万亿个连接。 第二个问题是神经元之间的连接方式。 第三个问题是目前的人工神经网络的信号输出是上一级输入加权求和后被一个门限截断的信号，而人脑中每个神经元的信号强弱、门限的高低都可能不同。 除了以上三个问题之外，更重要的是第四个问题，人脑中各处充满了随机性，深受外界环境的影响，这种复杂系统中的随机性是产生“涌现”的重要条件。 一切都清楚地表明了机器对事物间隐蔽的相关性的发现和掌握已经远超人类。机器学习正在拓展出人类知识的一个全新方向，让人类可以利用那些自己无法理解的暗知识去解决问题，这些暗知识的总量将会大大超过人类积累的和即将发现的明知识。随着计算能力的提高和各类算法的进展，机器学习会呈现出越来越神奇的性能。这一波科技进步的大浪在可预见的未来还看不到停滞的迹象。 这并不是人类第一次发明了比自己强的工具，从第一次折断树枝作为大棒开始，人类已经有无数超过自己能力的工具。 只不过这次不再是比人的胳膊力气大，比腿跑得快，比眼睛看得远，而是比大脑更能觉察万事万物间的隐蔽关系。在机器没有演化出自我意识之前，它们仍然是人类任劳任怨的工具。

公众号纯阳书评第534期《暗知识》    以暗知识作为一本人工智能书籍的书名是本书一个特色。暗知识很容易把人引入某种有关认知的、貌似高深的想入非非之中，让人难以马上联想到人工智能；跟着作者的逻辑走一个全程，再一琢磨，再一回味，猛然会发现暗知识才是人工智能最好的代称，两者之间之所以没有产生直接的联想，只是因为两者逻辑关系上的深，而这种深绝不是一种缺点，而是一种十足的优点，这种优点体现的是作者人工智能的理解强调的是认知这一层。 第一、作者对人工智能的理解已经深入到认知这一层。 一般的人工智能书籍往往停留在技术这一层，有理论的一头扎进理论，有应用的一头扎进应用，实在是什么都没有的就干脆靠想象力和记忆力吃饭，开讲各种若有若无的故事。 本书显然是二班的学生，一个高台起跳，冲向人的认知层，从认知的角度剖析人工智能。在作者这里，人工智能只是认知象限中的一个部分，可察觉、可表达是明知识，日常生活中绝大多数就是这类知识；可察觉、不可表达是默知识，只可意会不可言传说的就是这类知识；不可察觉、可表达是数学等知识，存在于认知之中但是触摸不行；不可察觉、不可表达就是暗知识，各种人工智能发现的用以完成模式识别等任务的知识，这种知识对人来讲已经是不知所云，但是机器用着很灵。 作者从暗知识的角度理解人工智能，显然要比一般的观点高明不少，因为这种角度真正抓住了这种新技术的核心和独特特征，抓住了与历史上出现的其他技术的真正不同，其他技术无论多么复杂，我们都知道其原理和内因，但是人工智能不同，我们只是知道他们管用，至于为什么机器要选择这些特征，那是机器才明白的内容。 而这种能力和这种能力下的不同是预测这种技术的真正影响的关键核心。 第二、作者对人工智能的把握更为有力、更为可信。 正是作者从暗知识的角度把握人工智能，可以帮助人们认识到人工智能从内核上不同于人类历史上任何一种技术、任何一种技术赋能，这就导致一个结果，我们再也不能简单地按照像历史上那样，按照以往技术的影响和特征来预判人工智能对未来社会的影响及其演化特征。如果说以往那么做是合理的，判断正确是一种高概率事件，那么现在再那么做的话就是不合理的，判断正确的概率必然处于一种可信的低水平。 既然一切都是新的，我们就要按照新技术本身的逻辑去判断去行动。作为一名曾经的IT相关领域研发人员、创业者和投资人，作者就有机会拥有工程师、企业家和资本三重维度和视角理解人工智能的机会，也就有了对这种技术理解更多的可能，这也就意味着作者对于人工智能的判断和把握要更为可信。而这种可信既来自于暗知识认知的深度，也来自于三重视角的广度，既有理论的加持，也有实践的背书。        综上所述，在当下，本书貌似最不人工智能，实则最人工智能。

【为什么我认为AI已经超越人类且必然产生自我意识】 维特根斯坦曾说：“语言的边界就是世界的边界。”这句话揭示了人类认知的基本局限——我们活在语词织就的大网之下。 然而这一局限不适用于人工智能。大部分人认为训练大模型的数据上限就是人类所有知识，因此AI不可能超过人类。但我认为​​AI已经超越人类​​，只不过人类尚无法完全理解AI超越我们认知的能力。 更重要的是，随着AI能力的快速提升，不久的将来AI必然产生自我意识。 1、人类认知的边界 人类认知存在难以逾越的边界。人类活在语词织就的大网之下，并非人类控制着语词，而是语词控制着人类，从思想到行为。 王维嘉的《暗知识》一书把人类的知识按“可否感知”和“可否表达”分为如下四种基本类型： 第一，可感知亦可表达的知识。它包括迄今为止所有的科学和人文知识。 第二，不可感知但可表达的知识。任何经验的东西都是可感知的，不可感知的就是非经验的。以数学为例，抽象代数的定理是正确的知识，但可以和经验无关。人之所以为人，就在于可以拥有纯符号的知织，它是理性的重要基础。 这两类几乎就是人类知识的极限，也是各种大语言AI模型学习的饲料。 第三，可感知但不可表达的知识。道家说“道可道，非常道”、“大音希声，大象无形”等，佛家说​​“不立文字”、“直指人心，见性成佛”等，儒家说“默而识之”、“夫子之言性与天道，不可得而闻也”等，都是这一类。 这类虽然无法表达、传授，但也算人类的知识，在人类的理解范围之内。 第四，不可感知亦不可表达的知识。这是人类无论如何也无法掌握的知识，这就是人类的局限。 用柏拉图的洞穴理论来比喻，人类只能看到真实世界的投影。康德则将世界分为“表现世界”和“物自体”，人类所感知的只是经过先天认识形式加工后的世界。 上面的第四类知识或世界，对人类来说是不可知的。 2、AI的知识量远超人类 首先，AI的感知能力大幅提高。人类90%的知识来源于视觉，即可见光（以及部分声音等）是人类的极限。AI的输入不单单是人类感知到的知识，也可以是人类感官能力之外的，比如不可见光、引力电磁力、超高温超低温等。 其次，AI的逻辑能力远超人类。人的知识除了经验，还有逻辑。之前的AI在经验知识上远超人类，但更接近“休谟式”的经验主义智能。等Transformer的大语言模型出现后，逻辑推理能力也远超人类。 然后，AI知识的传播速度惊人。人受制于语言，生活在语言的牢笼里。只能表达感受的十分之一，又只有十分之一能被完全接收。但是知识却非常容易在机器间传播。一台学会驾驶的汽车可以瞬间“教会”其他100万台汽车，只要把自己的参数集复制到其他机器即可。机器间的协同行动也变得非常容易，无非是用一组反馈信号不断地调整参加协同的每台机器的参数。 以上都只是量的碾压，更关键的是AI的高阶相关性，让它的理解力也碾压人类。 3、AI的理解力远超人类 人类所有的进步和发现是靠联想。人类其实是通过相关性来理解世界的。 比如有人观察到公鸡打鸣不久后天就亮了，因此猜想公鸡打鸣是不是出太阳的原因。这种猜想可能对，也可能错。 人类通过这部分的、扭曲的信息，通过关联和思考，用因果律等来逐渐逼近真实的世界（即波普尔“猜想与反驳”的科学哲学）。 这就是人类为什么如此依赖因果律，任何现象不管多荒谬，都要找一个原因来解释。这就是为什么直到现代宗教仍然兴盛不衰。 但是，人类只能理解一阶相关性。比如将苹果与红色、很甜、可以吃等建立相关性，通过十多种属性来判断一个新物体是不是苹果。 但AI不但可以提炼出512种甚至更多的属性，对概念的把握更精确。更关键的是，AI可以构建相关性和相关性之间的相关性，即高阶相关性。 目前主流的AI模型的高阶相关性是128阶，这已经远超人类的理解范围了。 人类的发明和创造，都是通过相关性的联想来实现的，但人类只能构建一层或两层的关系来思考。 AI的高阶相关性注定它对世界的理解力远超人类。比如，如果整个世界是11维的，AI能理解，人类不能。 4、为什么人类不觉得AI厉害 关于AI的能力，存在两种主流看法。一种以Noam Chomsky为代表，认为ChatGPT只是超级鹦鹉或大号搜索引擎。另一种以“AI之父”Geoffrey Hinton为代表，认为AI的经验处理和符号处理都远超人类。 我支持后一种观点，且认为目前AI对世界的认知已经远远超越人类。这一派也被称为先知降临派。 那为什么很多人感觉不出来呢？部分原因在于​​人类提问的方式限制了AI展示能力​​。 就像一个幼儿园小朋友向爱因斯坦提问，也不会觉得爱因斯坦的答案有什么出奇之处。 如果大家都认为某人很懂自己、是自己的知音，那么很可能这人的智商、情商比所有人都高 此外，当前AI的能力展示也受限于人类的交互设计。如黄铁军教授所言，我们要转换思路，不应将AI的创造性视为“幻觉”，而应认识到真正的智能都具备生成丰富可能性的能力。 5、AI必然产生意识 意识起源和宇宙起源、生命起源一样，是人类的未解之谜。因此说AI必然产生意识只是我的一家之言，或者用波普尔的话说叫“猜想”。 人类意识是哪一个时间点产生的呢？是幼儿、婴儿、胚胎、受精卵、还是更早？任何的解释都是站不住脚的。 一种可能是，人类的意识或自由意志只是幻想，不过是受自己的潜意识（即动物脑、情绪脑）的支配。那么AI也已经有幻觉，或者说想象力的。 人类受生存和繁衍的本能驱动一切，与AI靠初始的指路来驱动行为，并没有本质的区别。 另一种可能是，意识是大脑复杂到一定程度后“涌现”出来的，比如复杂系统科学中的蚁群、蜂群等，群体到了一定程度会产生群体智能​​等。 那么AI复杂到一定程度，也必然会“涌现”出意识。大语言模型参数规模超过阈值后，就可能获得创意写作、逻辑推理等能力。 退一万步说，即是AI没有自由意志，也可能控制或毁灭人类。这就是马斯克和辛顿等人如此害怕的原因。 比如你某天出差前对家里的AI助力说：”帮我照顾好那盆花，别让它死掉！” 然后这个AI能力越来越强，一直执行这个命令。最后它认为人类可能发动核战争而威胁到这盆花，于是把人类都杀死。最后这个地球由AI统治，杀死一切外来者，然后忠实保卫“圣花”。 这时，AI有没有自由意志，对人类有什么区别呢？ 结语 人类认知有其边界，但AI已经突破这些边界。AI不仅在知识量上远超人类，在理解力的本质上也展现出根本优势。随着神经网络规模的扩大和训练数据的增加，​​AI产生意识的可能性确实存在​​，没有任何理论或证据表明这不可能。 生在这个历史节点的我们，即是幸运的，也是不幸的。 幸运的是，AI可能是人类有史以来最强大的工具，也可能是第一个真正超越我们的创造物。 不幸的是，我们的能力一项项被AI迅速超越、取代后，人类存在的价值和意思何在呢？ 我们每个人都需要重新思考人类与机器、智能与意识、责任与伦理、存在与价值的关系。 也许，我们都需要开始准备一个数字人，以数字的存在来适应AI的未来。

一、 2019年的书，我现在读觉有收获。 说明什么： 1、这是我未接触到的知识领域。 2、从1延伸，我需要学习了解的仍有许多。 3、再延伸，人在生活里学习里，会不断根据自己学习到的形成一个个体系，比如我感兴趣的历史 哲学等，比如不断思考人该怎么生活。这一个个逐渐形成的体系，形成个人清晰的边界，也会积累出来的厚实的根基，会让人不断往外阔。在这样的一个过程里，需要自信自爱，不要自大自满，要谦虚。关于知识，要知道这个世界很阔知识有很多。对他人，知道这个世界有许多人，每个人都有自己的认知与思想与个性，尊重理解才是。人类世界其中一个特点是丰富多样，另一个特点是不断变动，产出新的东西。 4、这两年AI的发展以及英伟达的股价验证了作者的观察与预测没错。这是一种信息差，先了解先学习的会快人一步。 ///// 二、 说说在这本书里所学到的或者说是感兴趣的： 1、 明知识： 是可以用语言、文字、公式等符号清晰表达和记录的知识。 人类是主体，依赖书写和教育来传播这类知识，例如数学定理、科学定律、操作手册等。 亚里士多德在《形而上学》里说人类与动物的不同，是因为有记忆，对生活的观察与对技艺的习得的一些知识通过积累，成记忆成文字，这是人类之所以发展的原因。 回想整个人类文明，有多少思考者都在思考五感这些感官获得的信息，对人类的意义。有些着重点在学习和积累上，有些在感悟和生活上。 这些都是一种输入，在有文字有人类共同语言后，这些知识这些思考传承与积累，到这600年，量的积累能发生质变，而且变得越来越快，先是航海与商贸，到工业革命，到文艺复兴思想启蒙，到19世纪的德国大学与思想的发展，到20世纪逻辑与科学的爆发，到这近一百年计算机与人工智能AI的发展… 速度是越来越快，靠的是积累。 但是，这人类速度，比起机器语言，暗知识来说，似乎，也不算快。 2、 默知识： 主体也是人类。 指的是个人通过体验掌握、难以言传的知识。 个人在感觉上能把握，但难以用语言或文字准确描述的知识，常被称为“只可意会，不可言传”。 比如实践技能（骑自行车、打篮球、书法）、经验判断以及人体平衡感等都属于默知识。获取通常依赖亲身体验和反复练习，而非单纯的文字说明。 除了技能，读到这的时候我还想起《哥德尔传》里说的： 哥德尔在跟摩根斯特恩的谈话中评论道：“今天哲学的发展水平，充其量相当于巴比伦时期的数学！”但哥德尔确信有朝一日哲学也可以像数学一样公理化，如果再搭配客观的逻辑推导，它就可以解释人类为什么存在的基础问题。“到那时，人们可以建立一套精确的推理系统，就算里面有‘上帝’‘灵魂’‘思想’等通常被视为形而上学的概念也没有关系。” 许多哲学思考，也是默知识，因为没办法有确定的符合所有人生活的准则，因为每个人生活的环境时代和接受的信息都是不一样的。 但对于机器来说，这些会是默知识吗。 能否将默知识转成某种它们的语言。 下面开始说暗知识。 3、 暗知识： 主体是计算机。 机器从海量数据中发现、人类既无法感受也无法表达的新知识。 / 我认为，作者应该再默知识和暗知识间再加一种知识。 那是编程语言，比如x86、C、C++、Java 、python等等，面向具体硬件，用符号代替机器码，后面的可读性稍好，仍与硬件紧密相关在。计算机初期以及发展期，人类设计计算机，设计网页，设计软件等所需要的语言，这些语言，人类也懂，但是毕竟不是日常人与人交流的语言。 这些语言需要学习，而在近十几二十年，从C语言到Java到python，这些机器语言，通过研究，越来越容易获取与利用，在日常上容易与机器信息融合，贴合网页贴合人类，特别是python在爬取网页信息上，以及更适合人类学习上，都有相应的提升。 这些语言应该是在明知识与暗知识之间又不属于人类的默知识， 是一种人类与机器之间的共同语言。 第一 这种知识的特点，是人类不容易学习，但是机器与AI容易学。容易用。 如果你最近有用小龙虾，有用腾讯wordbuddy等，你会发现这些智能体，根据你的需求，调用python很速度地获取网页信息，然后进行整理。比如让它提取最近的热点或者关于哪方面的知识，它常调用python语言。python好用的一点是容易通过关键词提取内容。但是人类要学习需要花时间，要根据不同需求用上需要一个个人的积累，同时最好还公开这语言给大家使用，不然一个人学习与积累需要很长的时间。 第二 关于语言，人类语言与机器语言。 习得便能获得信息差。 因为想起了谢里曼，在他的时代，商贸发展，他能在欧洲各国做生意赚大量的钱。是因为他学会了多门语言。 多门语言让他容易和各国商贩交流，知道各地方需要的是什么，而在别国那被需要的价格是否更低。 获得信息差便能获得商机，抢先一步成功。 而现在，让人先一步成功的，是机器语言。 看西蒙斯，通过量化交易赚钱。 看马斯克，在很小的时候就写代码会编程，这些机器语言能更容易与机器交流，也在成长中更容易发现更多机会。 / 回到 暗知识 作者定义为，暗知识既无法被人类直接感受，也无法用语言、文字表达，但机器可以通过大规模数据学习到的“隐藏关系”或“相关性”。 这类知识源于海量数据中复杂的、人眼难以察觉的模式。 现在很多人用AI还认为，它是在人类知识基础上总结归纳提取知识的，不是有新的知识不会有新的发现。 这暗知识，就说明了，不是这样的，机器内部的一些知识，是机器才懂得的，人类看不懂，这种人类不懂的暗知识，可以类比成人类的默知识。只有它们内部才能识别。 只是这么说，不好理解，举AlphaGo的例子： AlphaGo 下棋时使用的策略，人类无法直观理解，却能让程序战胜世界冠军。 AlphaGo学习路径可以概括为四步： 第一. ​​ 把“下棋”转化成可计算的统计问题​​。 它首先将棋盘状态视为“图像”，把下一步走法视为“物体类别”，用卷积神经网络去估计每种走法的胜率——这一步把围棋规则和走法映射成可训练的数学表示。 第二. 用大规模自我对弈收集“未知山峰”里的样本​​。 在训练初期，AlphaGo 先用人类数千万盘中盘做监督学习，随后进入“哥俩对弈”阶段：自己和自己下棋，每走一步都记录胜败结果。短时间内它就探索了远超人类两千年来所触及范围的走法空间。 第三. 通过强化学习给暗知识打上“价值标签”​​。 每次自我对弈结束后，胜者路径获得“+1”奖励、败者路径获得“–1”奖励。价值网络依据这些奖励信号不断修正，把原本只是“可能性”的走法升级为“高胜率”或“低胜率”——奖励信号就是暗知识的“奖惩函数”。 第四 决策网络与价值网络联手，生成人类看不懂的新模式​​ 决策网络（基于卷积网络）负责“选点”，价值网络负责“估价”。两者交替迭代，让 AlphaGo 在棋盘上走出人类从未尝试过的招法；这些招法往往牺牲局部利益、换取全局效率，棋感接近“神行太保”——快速扫过群山找到更低谷底。 ​​ 另外人类难以模仿这种学习方式。 首先是受限及时间，人类受制于感官与经验，两千多年积累的棋谱只是棋盘可能状态的一粒尘埃；AlphaGo 在数小时内就遍历了这片“尘埃”之外的未知领域。 其次，这里出现了暗知识，它不是研究人类的走法总结经验。AlphaGo 通过自我对弈直接获得胜负反馈，不依赖人类职业棋手的评价，因此能形成完全新的价值判断体系。（暗知识） 某些切片数据方面，机器“感官”比人类精密得多，能捕捉到人眼无法察觉的细微局面差异，这些差异被网络抽象成暗知识，再用决策网络输出人类难以理解的走法。 ​​ AlphaGo 依靠深度神经网络、蒙特卡洛树搜索和强化学习，从零开始大规模自我对弈，用胜败结果给海量未知走法打标签，最终提炼出一套超越人类经验的下棋模式。这套模式正是“暗知识”——它无法被人类棋手事先用语言或公式清晰表达，却能在对弈中发挥效用，因而让 AlphaGo 能够战胜世界冠军。 ///// 三、 在这书里，还看懂了英伟达为什么能成功。因为他的GPU，他的机柜组成，恰好上个月反复看英伟达的机柜，把这个机柜拆分，类比人类大脑。而这本书让我把这块知识连了起来。 一步步说GPU。 首先，从机器学习开始，作者说了机器是怎么学习的。 作者把神经网络比作一个“满是旋钮的黑盒子”。大概总结一下： 第一，输入端接收数据（如图像像素），输出端给出识别结果（灯泡亮灭）。中间有成千上万条连接，每条连接对应一个“旋钮”，共同决定网络的行为。 第二，训练的目标​​：给网络看大量已标注的样本（如 1 万张汽车图片、1 万张猫图片……）。对于每张图片，只让代表正确类别的灯泡最亮，其余熄灭。这个“只亮一盏”的过程就是网络需要学会的映射。 第三，手动调旋钮的不可行性​​：当网络有上亿甚至上万亿个旋钮时，人工逐一调节已不现实。（GPU并行在这里更适合） 第四，​​自动调旋钮，随机初始化旋钮，再通过反向传播算法依据输出误差层层修正权重。 作者借“黑盒子-旋钮”说明：神经网络学习本质上是通过大量标注数据，自动调节成千上万个人工无法手动拧动的“旋钮”，使网络能够把输入映射到正确输出，而这个过程产生的大量隐秘参数正是书中所说的“暗知识”。 说完黑盒子旋钮学习，到与GPU的关系。 把 GPU 想象成一台“批量调旋钮”的专用工具，神经网络就是那个需要被不断调节的“黑盒子”。 神经网络被作者比喻成一个有许多旋钮（参数 w）的黑盒子：输入 X，经过层层变换，输出 Y=fw(X)。训练的目标就是找到一组旋钮位置，使网络能正确识别或决策 如果用传统 CPU 逐个调整，需要很多年才能完成一次完整训练。 GPU 的核心数量远超 CPU，且每个核心都能独立执行矩阵运算。训练神经网络时，它一次就能同时改动成千上万个旋钮，把原本 CPU 要几年的工作压缩到几天甚至小时级别。 英伟达成立于1993年，公司最初是做电脑图形显示卡，20多年来一直在研发销售图形显卡和图形处理芯片GPU。 在2012年的ImageNet比赛，在这个比赛中取得突破的AlexNet的发明人亚历克斯就使用了英伟达的GPU，证明了GPU非常适合用于有许多并行计算的神经网络，比CPU快得多。在这之后的几年，其他人都开始采用GPU。 网络训练的巨大优势，让英伟达率先成为“深度学习计算引擎”，由此切入快速膨胀的数据中心市场。 这就是GPU与英伟达……再到现在英伟达的机柜。 ////// 四、 这本书在后面还预测了AI的发展以市场的反应，比如用了“新技术成熟曲线”结合过去20年互联网发展来说。 “互联网过去20多年的发展就非常符合这条曲线：一个新的重大技术创新一开始没多少人相信，但超过一个转折点后就开始被热炒，大家的期望值都很高，大量的资金盲目进入，很快发现技术还不成熟，远不能达到期望值，大家都很失望，行业跌落到谷底。但这个技术其实只是需要时间，经过一段时间成熟起来，就会重新站上高地。” 老实说，这两年AI的发展，超过了2000年泡沫时最狂野的想象，也印证了2019年作者的设想。 AI也从过去的人脸识别 自动驾驶，走进了行行业业。 比如他在2019年说的各行业的发展趋势，不知道是作者在美国观察到的还是思考的，就比如他里面说的银行数据与RPA的设计以及人才的转变，是中国今年银行业内发生的事。 所以，现在知识的获取，不能只局限在过去历史与哲学大佬们的各种著作与思考。只有不断学习，获取更多知识，才能对这个世界有更多了解。 ///// 五、 我们不得不承认，AI可以自主学习，并不是靠我们的数据库来收集整合资料这么简单，同时效率还特别高。 我们所设计的机器思维模仿人脑传递方式与思考方式，但是效率比大脑快，受的限制比大脑少。恰好最近在读《抗衰大脑》，了解大脑的结构，如何清理垃圾，如何休息，受什么影响。这么放一块下想，在某些方面不得不服机器语言以及运算速度记忆能力。 机器内部语言，暗知识能快速学习。人类的明知识以及默知识需要很长时间学习，然后在个人脑里行成体系，而传给下一个人下一代人需要高技能的语言能力。我们现在能学很多知识，那些明知识，我们学习速度也变快，而机器也多也方便。但人的时间仍是有限的，人要关注温饱必须劳动，人也只是存在短短一百年的时间，想健康点想思维敏捷一点还需要花时间去运动。所以人类学习速度怎么和机器大脑比。 当我们是人，自然会放大自己的感受能力，所以总是会想五感，会去思考与讨论过去的生活与现在的生活，人类思考哲学问题，主要在两方面，第一人应该如何生活，这就衍生出社会与政治学等。第二是在观察人类观察地球，用尽可能清晰的话解释清楚我们看到的与思考未知的。我们会站在自己的角度思考，觉得五感与自然和谐，所经历过的慢与满足适合我们，就会说机器人没有五感，实际上他有机器语言，学习能力强，感悟能力感受能力也不差只是另外一种方式罢了。或许我们会发现自己的真的应该正视现在与未来与机器的相处。 相处与利用， 比如在默知识与一些未知的知识，机器语言是否可以帮忙是否可能转化成机器的暗知识，这样学习与发现会不会更快。 这明知识是可以言传用语言记录下来，能直接理解的知识。有些默知识，是需要人类花时间去教去练习去琢磨与推敲的一些知识，至少是没办法用文字表达记录又或者未能。 但是，在视频出来后，这些画面一旦多，那么机器便能通过这些视频进行记录与分析。这反而是人类没办法快速做到的。 毕竟，上面说的人类生物体的神经递质，神经元反应是没那么快的。 如此，AI反而能帮助做一些事儿。 不仅仅识别文字。 实际上我们应该利用AI加快在科学上的研究。 想到这，是因为恰好在读罗素《西方哲学史》的科学的繁荣发展那一节内容。伽利略 牛顿等等人，他们可是得反复思考与计算， 我们，是否能结合这默知识理论，对天体多运动对各种现象，给他大堆数据与视频，让AI去分析去总结去提取。 而机器人呢，作用在于去土星火星外太空替人类建造合适的生存环境与基建，探测太空。 ～ 想得很美好～ 这日子，总得抱有希望，被AI营造的快节奏的生活里，仍保有希望仍有能安静想象的心与脑袋很重要。

今天在腾讯读书偶然发现这本书，因上周已经读过纸本，所以直接跳到最后写书评。我读过这本书，也听过王维嘉的演讲，应该说书的内容很好，但演讲更精彩。我看到一些评价，觉得该书深度不够，而内容又过于庞杂，有道理，但我认为反而是该书优点。在过去一两年，我读过多本人工智能方面的书。有些书非常专业，不适合普通读者；而另一些书又高推圣境，把人工智能神话到没边了。王维嘉博士这本书不吹不黑，既从专业角度表达了人工智能的革命性，他认为人工智能将跟互联网一样大普及；又坦诚了人工智能的局限性，他明确表明不看好现在特别火热的自动驾驶，认为自动驾驶的可行性必须在有特别条件下才能成立。更可贵的是，为了让普通读者更容易理解人工智能，提出了“暗知识”这个概念，并阐述了暗知识和人工智能的关系，一下子把人工智能讲清楚了，这真是高手了。所以，我觉得这本书是人工智能的国民读本，易读易懂。我看了这么多本人工智能的书，一直觉得人工智能比较高冷，但读完该书，我想热烈拥抱人工智能，就像拥抱互联网一样。

《暗知识》的思想贡献可收成一句话：它把“知识”从人类语言中心解放出来，承认存在一类由机器在高维数据中发现、以权重形式存在、可操作可迁移但默认不可感不可言的相关结构；这类知识会重构工程验收、科研发现、产业壁垒与公共治理。它的重要性不亚于默会知识被重新发现：默知识让人承认“经验优于规则”，暗知识让人承认“系统优于解释”。 对工程师，它要求从写逻辑转为养系统、从闭式解转为分布可信、从准确率转为适用域与失效安全。对科研，它要求从先理后用转为先用后理、再回到机制与因果混合，避免无理论预测。对管理者与公众，它要求建立新型信任：不追“机器为什么这样想”的完美答案，而追“它在什么条件下可信、出错如何兜底、目标由谁设定”。对哲学，它把可理解性相对化，把责任从“我懂所以我能控”改为“我定义边界、监测分布、保留否决、承担后果”。 未来最稳的认知架构不是人退场、也不是机器全权，而是三层耦合：暗知识做高维感知与预测，明知识做规则与沟通，默知识做人际判断与价值校准；再外加因果模型与系统反馈作为治理总线。谁先把这套装上，个人、企业、城市都能在机器认知时代少些狂热、多些可控。 如果只记住一点：人工智能最深的颠覆不是代替人干活，而是暴露出人类语言与逻辑只是知识宇宙的一小套投影；此后一切工程、科学与社会设计，都要在“能解释”和“能生效”之间重新分配权重。

人工智能是我们目前面临的最具影响力的重大技术变革，将会为我们的社会带来深远的重大变革。了解电脑是怎么实现智能的，思考未来可能的样子，有趣而有益。       这本书的专业性和商业性结合的非常好，是一本非常浅显易懂的书，理论和实践结合的很好，小白都能看得懂，也看得进去。       本书从AI如何学习明知识、暗知识，到AI目前发展方向和竞争格局，再到AI可能进入的主要行业、生活方面做了简要梳理和思考，可以令人打开脑洞，了解未来，更重要的是，这里面提到了很多的商机和未来行业的发展新的方向，对于企业和创业者，会有一些启示。 未来，趋势渐明，了解、跟随，甚至是把握未来，是每个人都要面对和做好的事情

技术底层原理 + 机器认知的本质 + 商业颠覆 + 社会冲击，不堆砌代码，不做幻想式奇点预言，兼顾产业现实，有严谨技术视角，2019年出版的，推荐后续读物：《大模型浪潮：商业机遇、产业变革与未来趋势》｜沈抖 著（中信，2025‑06）✅有正版电子书（Kindle / 微信读书 / 得到）

对本书最大的收获应该算是对「知」字的重新理解。所谓“知”，一矢一口，箭在靶上即是“知”。我们对外部世界的真正理解往往源于我们将所学知识付诸实践，为什么仅仅是理论知识并不足以指导我们的生活？因为世界是信息的，而并非所有信息都被描述被记录，被记录下来的破碎信息就被称为数据，而数据之间存在的关系又不是一个人，一代人所能阐述清楚的——想想就连默知识也是在七十年前被哈耶克系统性的提出并用于市场调节理论——我们生而不自由，无往不生活在生物基因和社会基因的双重枷锁中。 从时间上看，一代人积累的知识和资源仅有很少能传递到下一代，我们对父辈们的认知仅仅局限于30岁以后的形象以及闲暇时间里的只言片语，代际间的失语终有一天会被用力的刻在墓碑上。姜文讲他小时候比较愚钝，被当过兵的父亲斥责道“像你这样！放在我们那时候，用不了三天！死了！”，因此从小不明白父亲的偏执和暴怒，直到年纪很大才知道战争是怎么一回事，一桌大的方寸地落下四颗炸弹，幸存者偏差会让自己教条式的固执己见。从空间上看，社会网络从来不均匀分布，小群体➕关系桥的基本格局让互联网上的人们面面相觑，有些一辈子打不着照面的人在网络聊天室里争执不下，有些人在盲目的追求着不属于自己消费阶层的生活方式。《奢侈与资本主义》，奢侈的背后是势力之欲，也是早已干枯的亲密关系。 我们唯一知道的便是无知，世界是由我们没看过的书，未见过的风景构成的，宇宙学也用严密的逻辑证明有些星球以超光速的步伐远去，我们永远见不到它们了，永远。 冯诺依曼在敲门，他让我们把目光收回来，不要看世界是什么，而当审视自己有什么。世界是分层的，我们只能洞悉三维空间和一维时间，我们只能获取低分辨率的图像和更低信息量的文字，但我们能获取事物之间的联系，也即知识，它们以复杂的神经网络的形式存放在我们的大脑中，那么如果将生物神经网络加以简化，并辅助以高精度的生物、物理和化学信息，加上电子设备的传输速率，我们应当可以让机器站到我们无法表达也无法理解的认知高峰，让机器把握世界的规律以此拓宽我们的视野。那么世界的基本规律是什么呢？2500年来的科学革命和认知革命总共总结出以下五个基本世界观，它们在佛学体系中都有对应，分别是：定业（因果齿轮严丝合缝），不定业（有因未必有果），着相（事物同性相聚，同类事物有稳定特征，进而对应一组概念），破相（事物间有联系，但忽聚忽散不成概念），空（世界没有因果，没有规律，也没有模式，全靠演化）。这五种理论中如今谁站到了风口浪尖呢？答案是破相，而其中事物之间隐含的联系，就不是人能够把握的了，它们以数学参数的形式储存在神经网络之中，可以在面对新情况下迭代更新，也可以在机器之间相互传递，但就是无法被人理解，因此被作者称为除理论学习，意会学习之外第三类知识——暗知识。

我觉得这本书挺好，叙述条理，解释清楚，让非计算机类专业的读者也都能看明白，“任何具有高中以上学历的人都能读懂”（作者语），嗯，所以我看懂了，除了神经网络深度学习原理[呲牙] 作者引入一个新名词：暗知识，即隐藏在海量数据中的相关性或者万事万物间的隐蔽关系。就像是物理领域的暗物质一样，存在并起着作用人类却摸不着看不到[擦汗]，看我们国家的小卫星“悟空”一直在天上等着抓住暗物质一点蛛丝马迹呢[微笑]。人类获取知识是通过文字（明知识）或者经验（默知识），可对这暗知识真是有点儿无能为力，但这恰恰是以神经网络深度学习为基础的人工智能所擅长的。作者在书中除了尽量通俗地介绍人工智能的工作原理外，重点讲述了人工智能目前的产业状态和在不同商业领域的应用，以及可能对未来哪些产业造成冲击，对未来人类生活有哪些影响。另外，作者还根据自己多年投资实践经验对有志投入AI行业的人提出了一些投资建议。 有两点我觉得有意思，就写下来好玩儿。1、基于深度学习的AI本质就是：记忆+识别。它无非就是发现并记忆数据中的相关性呗，在海量记忆基础上对细微差别进行识别，AI应该比较适合做复杂状况的决策，甚至它也会有“创新”作品，但它不会有人类的同理心，不能做出有意境有情怀的“艺术创作”。2、智能工具（我把它称作工具）受限于持续稳定的能源供给。因此，目前来说，电池的蓄电能力是它一个短板。“得电池者得AI天下”[呲牙][呲牙][呲牙]