[[189044]]

去年，一輛自動駕駛汽車駛入新澤西州蒙茅斯縣。這輛實驗汽車出自芯片制造商英偉達之手，從外觀看，它和谷歌、特斯拉或通用的其他自動駕駛汽車并沒有多大差別。

但它的內在可大不一樣。這輛車不需要工程師或編程人員的任何指令;相反，它依賴一套算法，通過觀看人類司機來自學如何開車。

能讓一輛汽車做到這個程度，確實是非常大的進步。

但與此同時，這也讓人心有不安，誰知道這車到底是怎樣做決定的呢。根據駕駛程序，這輛車的傳感器所收集的信息會直接進入一個巨大的人工神經網絡，進行處理數據，然后發送指令，是轉動方向盤啦，還是剎車啦，還是其他動作等等。看上去，這輛車能夠模仿人類司機的應對措施。

但是，如果有一天，它做了讓人意想不到的事情——比方說撞樹了，或者停在綠燈前面不走了——這怎么辦?按照目前的情況，我們可能不太能輕易找出背后的原因。這套系統實在復雜，哪怕是開發它的工程師都很難獨立出每個動作背后的原因。而且你也沒法讓工程師設計一個能解釋所有動作的系統。

汽車“神秘”的思維模式，也就是人工智能技術的一大潛在問題。英偉達汽車所使用的人工智能技術，也叫做深度學習。近幾年，這一技術在解決問題上顯示出了強大的能力，而在圖像捕捉、語音識別和翻譯等方面，人工智能已經被廣泛使用。現在有人開始想象用人工智能來診斷致命疾病、進行商業決策等。

但是，這樣的事情是不會發生的——或者說不應當發生，除非我們找到某些方式，讓技術開發人員能夠進一步理解人工智能的思維，同時也為用戶負責。如果貿然普及這一技術，我們將無法預測什么時候發生災難——而且，這是一定會發生的。這也是英偉達汽車至今仍在實驗階段的原因。

很早之前我們就開始用數學模型來幫助決策，比方說誰能申請到假釋，誰能獲得貸款，誰能得到某份工作。如果你能接觸到這些數學模型，那你或許能理解它們的決策模式。但現在，銀行、軍隊、雇主等開始尋求更為復雜的機器學習方法，好實現整個決策過程的自動化。

深度學習是決策方式中最常見的技術，代表著與從前完全不同的計算機編程方式。致力于研究機器學習技術應用的麻省理工教授Tommi Jaakkola說：“這個問題現在已經與我們息息相關，未來還會更加普遍。不管是做投資決定、疾病診斷決定，還是軍事決定，你都不希望完全依賴一個黑箱模型吧。”

對于質詢人工智能系統的決策原因是否應立為一項法律，這個問題已經引起廣泛討論。從2018年夏天開始，歐盟或許會要求各個公司對自動系統的決策作出解釋。但是，這一規定或許根本沒法實現，即便是看起來相對簡單的系統——比方說使用深度學習來投放廣告或推薦歌曲的應用和網站。提供這些服務的計算機已經自己重新編程，而它們的編程方式我們沒辦法理解。哪怕是開發這些應用的工程師，也無法全面解釋它們的行為。

這就引起了反對者的質疑。沒錯，我們人類也不總能解釋自己的思維過程，但是我們能根據直覺信任他人，評估他人。而面對一個思維和決策過程與人類完全不同的機器，直覺還能奏效嗎?

我們從未發明過連開發人員自己都不能理解的機器，那我們如何還能期待和這些不可預測的機器溝通和友好相處呢?

帶著這些問題，我踏上了尋找答案的旅程。從谷歌到蘋果，我走遍了那些開發人工智能算法的公司，甚至還和當代最知名的哲學家們進行了一次交談。

[[189045]]

2015年，紐約西奈山醫院的一組研究人員受到啟發，開始用深度學習技術來分析醫院里的大量病歷數據。這些數據可分為上百項，包括病人的檢測結果、看診記錄等等。研究人員將這一分析系統命名為Deep Patient，開發完成后，他們用70萬份病患數據對其進行了訓練。結果證明，在測試新數據時，Deep Patient顯示出了超高的疾病預測率。在沒有專家指導的情況下，Deep Patient發現了醫院數據中的模型，而這些模型預示著對方是否將患上某些疾病。當然，在根據病歷預測疾病方面，還有很多其他方法，但西奈山醫院研究團隊的主管Joel Dudley說，“這種辦法更好。”

但與此同時，Deep Patient也讓醫生們有些摸不著頭腦。舉個例子，Deep Patient非常擅長預測精神疾病，比方說精神分裂癥。從醫的人都知道，精神分裂癥對于人類醫生來說是極難診斷的，Dudley搞不清Deep Patient是怎樣識別出來的。直到今天他也不知道。

如果諸如Deep Patient這樣的系統真的要幫助醫生，那它最好提供預測的基本理論，否則如何讓人相信它的準確性。“我們可以創建這些模型，”Dudley苦笑著說，“卻不知道它們是怎樣運作的。”

人工智能并非生來如此。對于人工智能應當如何理解和解釋，主要存在兩大派別。

許多人認為應當根據一定的規則和邏輯來制造機器，使其內部運作公開透明，方便所有想要檢驗某些代碼的人。也有人認為，智能只有借助生物靈感——也就是觀察、體驗人類活動，才能更順利地發展。這也就意味著，我們要把計算機編程的任務交給機器本身。

現在的機器學習是這樣的：編程人員編寫指令來解決某個問題，程序根據樣本數據和預期目標來生成自己的算法。之后，機器學習技術會沿著后一條道路——也就是自己編寫程序——來升級為當今最強大的人工智能系統。

最初，上述模式的實際用例非常有限。上世紀60和70年代，機器學習技術大多數還在行業邊緣徘徊。但很快，許多行業開始計算化，大數據催生了新的興趣點，更強大的機器學習技術隨之誕生，尤其是人工神經網絡。到90年代，神經網絡已經可以實現手寫字符的數字化。

不過，人工智能真正的崛起時期，還要數過去10年。在幾次開發方式轉變和改良之后，超大型——或者說“深度”——神經網絡在自動感知方面顯示出了卓越進步。深度學習也就是今天人工智能爆發的基礎，它賦予了計算機無窮的能力，比方說幾近人類級別的語音識別功能。由于語音識別系統太過復雜，此前編程人員遲遲無法開發成功。而如今，這一系統已經在醫藥、金融、制造等多個行業得到運用。

[[189046]]

即使是對計算機科學家來說，機器學習技術的運作也是晦澀不明的，遠不如人工編程易于理解。但這并不意味著未來所有的人工智能技術都是不可知的，只是從本質上來說，深度學習就好比一個看不見內部的黑盒子。

你無法直接探到神經網絡內部，觀察它是如何運作的。神經網絡的推理基于數千個模擬神經元，分布于數十個或數百個復雜的互聯層上。第一層的每個神經元負責接收數據輸入，比如圖片的像素強度，之后這些神經元會對數據進行計算，生成新的信號發送到下一層，逐次類推，直到得到最后的結果。此外，反向傳播能夠保證該神經網絡生成期望結果。

深度網絡的多層結構也讓其能夠從多個抽象層次識別物體。舉例來說，在一個設計來識別小狗的系統中，低層神經元負責識別線條或顏色等簡單目標，高層神經元負責識別毛發或眼睛等負責目標，而在最頂端的神經元則能認出這是一只狗。粗略地說，這種方法也能用于機器的自我學習，比如識別語言中的發音，文本中的字母、單詞或駕駛中轉動方向盤的動作。

幾年以前，研究人員開始設計一些策略，試圖了解這些系統內部都發生了什么。2015年，谷歌研究人員對一套以深度學習為基礎的圖像識別算法進行了修改，把物體識別功能變成了生成或修改功能。只要反向運行這一算法，他們就能知道這些程序是如何識別小鳥、大樓等物體的。很快，這項代號為Deep Dream的反向研究項目結果出爐，程序根據云朵和植物，繪制了一群荒誕恐怖、形似外星人的動物圖片，在森林和山谷之間，還有在幻覺中才會出現的寶塔。

Deep Dream繪制的圖片證明，深度學習或許不是完全不可理解的。雖然它們可以識別出鳥嘴、語言等熟悉的視覺特征，但和人類的認知能力相比還是有很大差距的。比如我們都知道忽略圖片中的人工制品，但深度學習網絡不懂這些。谷歌研究人員指出，當算法準備繪制一幅啞鈴圖片時，它會自動加上人的手臂，因為系統認為手臂是啞鈴的一部分。

針對上述問題，科學家已經借用神經科學和認知科學的知識，進行了進一步改良。比方說懷俄明大學助理教授Jeff Clune帶領了一支團隊，用和上述圖片類似的幻覺圖像對深度神經網絡進行了測試。2015年，Clune團隊研究證明，某些圖片會欺騙這一系統，讓其識別出根本不存在的物體。這是因為這些圖片抓住了系統搜索的模式特點。

我們需要的，不是一孔之見，而是對人工智能思維模式的全面探索，但這并不容易。深度神經網絡計算的相互作用對高層模式識別和決策至關重要，但這些計算結果背后，是大量的數學函數和變量。“如果你的神經網絡規模很小，那你可能還能理解它的運作。”Jaakkola說，“但是一旦規模擴大到上百層，每一層有上千個神經元單位時，你就很難理解了。”

在Jaakkola隔壁辦公室的，是麻省理工教授Regina Barzilay，她決心要把機器學習技術運用到醫藥行業。43歲那年，Barzilay被診斷出乳腺癌，讓她大為震驚。然而更讓她驚愕的是，最前沿的統計和機器學習法居然沒有運用到致癌研究或病患治療上。Barzilay說，人工智能有巨大的潛力革新醫藥行業，但想要挖掘出這些潛力，必然得在病歷分析的基礎上再進一步。Barzilay希望將來能用上更多原始數據，比方說圖像數據、病理學數據等等。

去年，在結束癌癥治療后，Barzilay開始帶領學生，和馬薩諸塞綜合醫院的醫生共同研發一套系統，用于分析病理學報告，找出研究人員想要研究的特殊的臨床特征。但是，Barzilay知道，這套系統是沒法解釋自己的推理過程的。于是，她和Kaakkola以及一名學生一起，給系統增加了一個步驟：選取、標注文本中代表某種病理模式的段落。與此同時，Barzilay還在和學生編寫深度學習算法，試圖在乳房X光照片中找到乳腺癌的早期癥狀，并呈現出分析結果背后的原因。

正如人類行為不能完全得到解釋一樣，人工智能或許也不知道自己為什么做這個決定。Clune說：“即使某個人言辭鑿鑿地告訴你他某個行為背后的原因，這個原因很可能也是片面的，人工智能同樣適用這個道理。它可能有自己的直覺、潛意識，或者就是神神秘秘的。”

如果真的是這樣，那么到將來某個時期，我們可能只能選擇相信人工智能的判斷，要么就徹底不用它。同樣，人工智能的判斷還要結合社會智能。人類社會建立在預期行為契約之上，我們需要人工智能系統尊重社會規范，融入社會規范。如果我們打算制造機器人坦克和其他殺人機器，那么它們的決策過程必須符合道德判斷的標準。

對此，塔夫茨大學著名哲學家和認知科學家Daniel Denneyy說：“問題是，我們應當采納什么樣的標準來要求人工智能系統?或者說我們自己?如果人工智能系統在解釋自身行為上不如人類，那就不要信任它們了。”