本文来自微信公众号: 北大汇丰PFR ,作者:胡泳
在过去十年或更长时间里,讨论人工智能时很少不与人类能力相比较。对许多人来说,随着人工智能的发展,它对人类产生了威胁,不仅仅关乎劳动者的就业能力、社会的权力结构、人的能动性,甚至涉及我们的生存本身。
北京大学新闻与传播学院教授胡泳在《北大金融评论》发文指出,人工智能实现能力突破的方式,并不只有模仿人类这一条路径。事实上,许多最强大的人工智能系统恰恰并不像人类,它们以与人类截然不同的方式学习、推理和处理信息,却能够完成乃至超越许多传统上被认为属于人类能力范畴的任务。过度关注开发和部署HLAI会使我们陷入一个陷阱,不妨称之为“图灵陷阱”。
本文完整版刊登于《北大金融评论》第29期。
从类人人工智能到增强型人工智能
在过去十年或更长时间里,讨论人工智能时很少不与人类能力相比较。对许多人来说,随着人工智能的发展,它对人类产生了威胁,不仅仅关乎劳动者的就业能力、社会的权力结构、人的能动性,甚至涉及我们的生存本身。斯坦福大学学者埃里克·布林约尔松(Erik Brynjolfsson)的研究认为,这种比较是无益的,现实中更有可能看到人类和机器以相互补充的方式一起工作:人工智能承担其擅长的任务,人则借助技术扩展自身能力,完成原本难以独自完成的事情。因此,人工智能发展的重要目标,不应是让机器替代人,而应是利用它帮助人把工作做得更好,使人的能力得到增强。对于这种以协作为基础的人机系统,我们更应该感到兴奋。
1950年,阿兰·图灵(Alan Turing)提出了一个测试机器是否智能的方法:机器是否能很好地模仿人类,以至于它对问题的回答与人类无异?从那时起,创造出与人类智能相匹配的智能,就或隐或现地成为成千上万的研究人员、工程师和企业家的目标。类人人工智能(HLAI,Human-like Artificial Intelligence)的好处包括生产力的飙升、休闲的增加等,而最深刻的影响或许在于,它能够成为一面镜子,帮助我们深入理解人类自身的思维方式。
然而,人工智能实现能力突破的方式,并不只有模仿人类这一条路径。事实上,许多最强大的人工智能系统恰恰并不像人类,它们以与人类截然不同的方式学习、推理和处理信息,却能够完成乃至超越许多传统上被认为属于人类能力范畴的任务。
过度关注开发和部署HLAI会使我们陷入一个陷阱,不妨称之为“图灵陷阱”。随着机器成为人类劳动的更好替代品,工人们失去了经济和政治上的讨价还价能力,变得越来越依赖那些控制技术的人。相反,当人工智能专注于增强人类而不是模仿人类时,人就仍然能够参与价值创造,并保有分享由此产生的价值的权利。增强型人工智能具有创造新能力、新工作方式和新产品/服务的潜力,因而它的价值空间可能远大于单纯追求替代的人工智能。
人类经过数百万年的进化,能做到安慰婴儿、在杂乱无章的森林中穿梭,或者从灌木丛中摘下最成熟的蓝莓,这些任务对于目前的机器来说,即使不是不可能,也是困难重重。但是,机器在观察X射线、在硅片上蚀刻数百万个晶体管或扫描数十亿网页以找到最相关的内容方面却表现出色。试想一下,如果过去的工程师们仅仅着眼于复制人类的感知、执行和认知水平,那么我们的技术将会多么孱弱和有限。
机器可以感知人类无法感知的事物,以人类无法做到的方式作用于物体,并处理人脑难以理解的复杂模式。例如,在感知层面,技术已经将人类的感官边界大幅向外延伸:红外相机能够捕捉人眼看不见的红外辐射,X射线和MRI能够呈现人体内部结构,射电望远镜能够接收人类听觉和视觉都无法直接感知的宇宙电磁信号。AI则可以进一步分析这些传感器产生的海量数据,从中识别人类感官和直觉难以察觉的模式、关联与异常,从而将机器获得的感知转化为人类可以利用的知识。
在行动层面,工业机器人能以极高的速度和精度完成焊接、装配和微米级操作;手术机器人能够让医生通过机械系统完成极其精细的操作;深海机器人可以进入人类无法承受的高压环境;火星车则能够在没有人类直接到场的情况下进行探测。更重要的是,机器可以将AI的判断转化为持续、精确的物理行动。在自动化实验室中,机器人可以按照算法设计的方案连续完成数千次实验。机器将人的行动范围扩展到身体无法进入或无法承受的领域。
在认知层面,机器能够处理规模和复杂程度远超个体认知能力的信息。现代气象系统需要处理海量的卫星、海洋、地面和大气数据;蛋白质结构预测需要在极其复杂的分子空间中寻找规律;大型物理实验会产生远超个人能够逐一分析的数据。AI可以对这些高维数据进行计算和筛选,并提出供人类研究者进一步检验和解释的假设。这里最有意思的地方在于,机器未必需要把问题转化成人类熟悉的思维形式,才能帮助人解决问题。它可以沿着一种与人类直觉完全不同的计算路径找到答案,然后再由人来解释、验证和应用。
由此我们可以发现,增强型人工智能的意义未必在于让机器越来越像人,而可能在于让人类获得原本没有的感知器官、行动能力和认知能力。真正有意义的人机协作,不是“机器变得像人,人才能使用它”,而是人和机器各自保留不同的能力,再把这些能力连接起来。
用技术增强人类的能力,为我们开辟了一个新能力和新机遇的无尽疆域。毫无疑问,人类和机器可以共同完成的任务比人类单独完成的任务要多得多。
人的归人,机器的归机器
我们应该利用这个机会思考:把人解放出来之后,让人去干什么?人和机器如何共同创造价值?如果人工智能的发展遵循的是增强而非替代的逻辑,那么机器承担的是扩展人的能力,而不是压缩人的存在空间;人的价值也不再取决于能否在每一项任务上与机器竞争,而在于能否借助机器进入新的创造领域。这样看来,AI带来的真正转型并非“机器把人挤出社会”,而是重新定义人在社会中的位置,以便在机器承担更多生产性任务之后,人得以将自己的时间、能力和创造力投入到新的领域。
假使技术只是简单替代人,而没有创造新的能力边界,那么这将只是“替代性自动化”,人类劳动是消失了,却没有显著提升整体生产率,例如超市中的自助结账系统、各类服务性企业的自动语音客服,还有许多自动生成内容的低质量应用。简单来说,它们确实把人换掉了,但并没有让事情变得更快、更好或更便宜。
麻省理工学院的达龙·阿西莫格鲁(Daron Acemoglu)与波士顿大学的帕斯夸尔·雷斯特雷波(Pascual Restrepo)使用“平庸技术”(so-so technologies)这一概念,来描述那些能够取代人类劳动力、为企业节省微薄成本,但并不能真正带来显著生产力跃升或服务质量改善的技术创新。他们的洞见在于,平庸技术只有强烈的“替代效应”(displacement effect),却没有可观的“生产力效应”(productivity effect)来创造更多新岗位。
与此同时,平庸技术还指向一个非常重要的社会政策问题:我们究竟应该鼓励什么样的技术创新?如果企业的激励机制主要围绕降低工资成本,那么最容易出现的技术可能恰恰是那些能够直接替代劳动的技术。而从社会整体来看,更有价值的技术显然是那些创造新任务、提高生产率、扩大需求并产生新的就业机会的技术。目前的情况是前一种技术被大量滥用(部分原因在于税收政策往往更偏向资本投资而非人工雇佣),从而直接导致了过去数十年中低技能、从事常规任务的劳动者收入停滞或下降,成为加剧社会不平等的幕后推手。
目前在技术专家、企业高管和政策制定者中,存在着对类人人工智能而不是增强型人工智能的过度激励。这种偏向首先与技术竞赛的可测量性有关。“AI能不能做得像人”比较容易被转化为明确的指标:能否通过考试,会不会写代码,有无能力完成某种职业任务,是否可以在基准测试中超过人类。这些指标非常适合技术竞争,因为它们能够被量化、排名和宣传。企业也容易从中找到商业叙事:如果一个模型能够完成原本需要十个人完成的工作,那么它的替代价值可以直接计算出来。相比之下,“AI让一个优秀的人变得更优秀”就很难用单一指标衡量。
其次,一旦机器能够完成某一项目,人们就倾向于认为下一步自然应该让机器独立完成整个任务。但很多复杂工作并不是由单一任务构成的。医生的工作不只是识别影像,教师的工作不只是生成答案,记者的工作不只是整理资料,管理者的工作也不只是做出预测。它们还包含目标设定、情境判断、责任承担、价值权衡以及与他人的互动。真正有价值的人机协作,不是把完整的人类工作拆开以后尽可能多地交给机器,而是重新设计任务分工,让机器承担机器更擅长的部分,让人把精力投入机器难以替代,同时又最有价值的部分。
······
本文完整版刊登于《北大金融评论》第29期







