【摘要】大数据、人工智能、哲学您从什么时候开始关注人工智能哲学的？徐英瑾：差不多从2004年左右开始吧，我在翻译王浩文集的同时，读到玛格丽特·

大数据、人工智能、哲学

您从什么时候开始关注人工智能哲学的？

徐英瑾：差不多从2004年左右开始吧，我在翻译王浩文集的同时，读到玛格丽特·博登的《人工智能哲学》这部论文集。当时人工智能远远没有现在这么热门，但是我觉得，这是未来哲学应该处理的问题。博登的书只是一部入门之作，从此书开始，我找了大量相关资料阅读。

关于人工智能哲学研究，我主要是和美国天普大学的计算机专家王培老师合作，他研究人工智能的体系，认为它就是为了在小数据的情况下进行应急推理。那个时候我还不知道有大数据，当然，大数据的前身，如贝叶斯、神经网络等都有了——今天的深度学习是当时的神经网络的高度加强版，根上的东西从 Geoffrey Hinton 那时就有了。后来大数据越来越热，我才关注到相关讨论。不过，这种关注对我的研究实际上是一种干扰，因为我知道它是错的。

说到大数据，您在这方面发表了不少文章，比如有一篇就叫“大数据等于大智慧吗？”最近也频频谈论大数据问题。您在这方面的观点是什么？

徐英瑾：如果用一句话来概括的话，就是，我谈论大数据的目的在于反对大数据。现在有一种很不好的风气，就是“IP”横行，“大数据”也被当作了IP，更糟糕的是，连我对大数据的批评也成了这个IP的一部分。事实上，我的批评背后，有我的理论关怀，就是日本哲学家九鬼周造的学说。九鬼周造写过一本书，叫《偶然性的问题》，说整个西洋哲学都喜欢从必然性的角度来解决问题，必然性解决不了就用概率论，但偶然性是永远不能被驯服的。大数据是试图驯服偶然性的一种尝试，但它终将无法驯服。

中国历史上，这样的例子很多，尤其是军事史。你看那些大的战役的指挥者，彭城之战的项羽也好，赤壁之战的周瑜、鲁肃也罢，他们最终作出决策，靠的是什么呢，难道是大数据吗？其实是核心情报的评估和基于常识的推理，以及一点点碰运气式的瞎蒙。因为战争是充满无知之幕的。那些以小胜多的战役，如果光看大数据，那么一切都会指向多的那一方要获胜，少的那一方无疑是找死，可是事实是什么呢？

所以，我所设想的新一代人工智能，是能够“认命”的机器人。说“认命”，不是说服从偶然性，而是利用偶然性；不是说无所作为，而是顺势而为。

您的这种观点，说不定会遭到工程技术人员抱怨：哲学流派、观点那么多，我们怎么搞得清楚

徐英瑾：工程技术人员的抱怨，有一点我是同情的：两千年来，哲学问题的确没什么实质性的进展。那么，面对这种情况，我们要采取什么策略呢？印度有部电影叫 OMG：Oh My God！，男主角是个外星人，他跑到地球上之后，不知道哪个神管用，就每个神都拜一拜。

哲学流派、观点很多，保不齐哪一个管用，每一个都要有人去尝试。不能所有的人都搞大数据，都搞神经网络、深度学习，这很危险。现在资本都往这几个领域里面涌，这是缺乏哲学思维的，某种意义上也是缺乏风险管理思维。一件这么不靠谱的事情，你怎么能只试一个方向、一种流派？

而且，更糟糕的是，这方面的研究人员常常满脑子技术乌托邦，拿生活经验去细想一下，其实是很荒谬的。举个例子来说，现在 “奇点”被炒得火热，大意是说，奇点革命一旦到来，人类社会将被颠覆。

事实上怎么样呢？我这一代人经历了改革开放初期的物质贫乏，一直到今天的物质极大丰富，我们七八岁时关于二十一世纪的乌托邦式想象，今天实现了几个？深层次的社会结构并没有怎么改变，比如医疗领域，各种新技术的出现其实强化了现有的社会结构，加剧了贫富阶层之间的差距，又谈何颠覆呢？大家把人工智能吹嘘得好像很厉害，其实它一点都不厉害，还有一堆问题没有解决，你去担心它毁灭人类干什么？这就和堂吉诃德一样，把风车当作怪物，自己吓唬自己。

在您看来，目前这种以大数据为基础的人工智能，继续发展下去，可能会取得什么样的结果？

徐英瑾：我认为，再继续这样热炒下去，就是技术泡沫，最后什么也做不出来。关于人工智能的发展，业内有点历史意识的人，脑子里往往有一张图表，下方是时间，上方是发展水平，目前的人工智能在这张表上的确在上升，但不久就会遇上瓶颈。就像我前面说的，它在哲学上是行不通的，很多理论问题还没有得到解决。我个人还是更倾向于小数据。

您关于小数据的观点，在学界有代表性吗？您能就某个方面的实例来详细谈谈，有哪些人工智能的理论问题还没有得到解决吗？

徐英瑾：在人工智能学界，小数据不算主流，但在其他领域就不一样了，心理学界对小数据的思考就很深入，德国 Gerd Gigerenzer 做了大量的工作，人工智能学界还没有关注到。这是很可惜的事情。

说到有待解决的理论问题，我可以拿脑研究来作为例子。现在有一种倾向，是试图从大脑出发来制造人工智能。这方面的风险实在太大，很多人不明白大脑究竟有多复杂。

大脑有10^11个神经元，彼此之间存在着极为复杂的联系，其中存在的可能性是个天文数字。在很大程度上，我们进行情感判断和复杂推理的脑区可能是不一样的，对此学术上依然没有弄清楚。现在出了很多这方面的论文，但是并没有给出统一意见，这是因为，大脑和大脑之间还存在着个体差异和民族、文化差异，被试者要经过一定的统计学处理之后才能去除这类差异。

这种操作是很复杂的，而且成本很高，现在进行脑研究主要靠核磁共振成像，这是很昂贵的手段，不足以支持大样本研究。这就导致，现在的研究成果不是科学上要求必须这么做，而是经费上只能允许这么做。但是最终得出的结论却严重地僭越了自身的地位，夸大了自身的代表性。

神经生物学告诉我们，人的神经元是具有文化可塑性的，上层的文化影响会在底层的神经分布当中得到体现，所以，对脑神经做科学研究，是无法剔除文化因素的影响的。人一旦早年处在某个文化共同体当中，神经受到了塑造，今后再想改变就比较难了。这在语言学习当中得到了非常鲜明的体现。日本人说英语比较慢，因为日语是动词后置的，而英语不是，所以他们说英语要做词序变换，导致语速变慢。这就是他们特有的语言编码方式。

因此，你现在如果真的要创造一个大脑，那么它不能是生物的，而必须是硅基的。即使它的构成是类神经元的，也依然是硅基的，否则就是在克隆人了。如果你要对大脑进行抽象，你只能抽象出它的数学成分。这里面有个问题：纯数学不能构成对世界的描述。纯数学每个单位后面要加量纲，量纲要选择哪些东西，取决于你看待这个世界的视角和方向。这就是哲学和理论层面的问题。大脑其实是一层一层的，最底层是生物、化学的东西，再往上就是意识、感觉的东西。

那么，任何一个生物组织，对它的数学模拟，到底是事后诸葛亮式、近似式的追问，还是能够把握它的本质？这是一个很可怕的理论黑洞，不仅是一个工程学黑洞，首先是一个哲学黑洞。这么大一个黑洞，你认为十年二十年能够把它搞清楚，你说风险大不大？比较稳妥的，还是去寻找一条可靠的路径。

您觉得人工智能的可靠路径是什么？

徐英瑾：首先应该放在自然语言处理上。但是，现在就连这方面的研究，也依然是在做大数据，比如翻译软件，它的处理方式就是看现有的译文是怎么翻的，然后它就怎么翻。这是完全不对的。正确的处理方式，是定下一个高目标：将日语写的俳句翻译成中文或英文，而且必须是当代作家即兴创作的俳句，而不能是松尾芭蕉这类知名诗人的、可以检索的俳句。翻译好之后，把美国最好的俳句专家找来做图灵测试。

这个标准虽然很高，但并非不可企及，而且这是正确的方向。只是，如果我们把精力和资源都放在大数据上面，我们就永远也达不到这个目标。因为大数据都是从已有的经验出发，全新的领域它是应付不来的。美国的日本文学专家怎么译俳句？当然是先揣摩文本，进入语境，让自己被日式审美所感动，然后思考，美国文化当中类似的语境是什么。这里面就牵涉到对审美情趣的整体把握。什么是审美情趣？它是和物理世界分割开来的，还是随附在物理世界上的？这里面，又是一堆问题。这些问题不弄明白，仅仅是靠大数据，是不可能成功的。

您前面谈了这么多，我看总结起来就是一句话：当下人工智能的发展，问题比办法多得多得多。

徐英瑾：这是没办法的，打个比方，现在的人工智能的目标，是想要造出一个 Big Hero 6 中的“大白”那样的机器人，既然当下人工智能发展给自己定下了这么一个科幻式的目标，那么，我前面所谈到的问题都是必须考虑到的。实际上 Chappie 这样的电影对人工智能的表现，我觉得是比较合理的，我也很赞同。

它很清楚地告诉你，机器人也有一个学习的过程，很大程度上跟培养小孩是一样的。我构想的未来的人工智能，买回来放到家里你是要教的，而不是一开始就什么都会。前面说到OMG这部电影，里面那个外星人的思维方式就像人工智能，他的推理是严谨、科学的，但因为地球上的多神系统很混乱，他经常因为推理失误触犯某些宗教的禁忌而挨揍，挨完揍之后，他就迅速得出了更接近真相的结论。

这样一个建立假设、验证、挨揍，之后再建立新假设的过程，实际上是科学家的做法，以自己被揍为代价，增进了对地球的认识。但是，重要的地方在于，他的思维方式仅仅是基于小数据：被揍一次之后立刻修改自己的解释；如果是大数据，他会想，被揍一次还不行，应该多被揍几次才能得出正确结论。生物体要是按照大数据的思维方式来的话，早就在地球上灭绝了。

在您看来，未来的人工智能，或者说真正的人工智能应该是什么样的？

徐英瑾：现在很多人工智能研究最大的问题，是不受视角的制约，但是，真正的人工智能是受视角和立场制约的。对机器来说，就是受制于预装的系统和它后来不断学习的经验，而预装的系统，就相当于人类的文化背景。我所构想的人工智能，是需要学习和培养的。AlphaGo当然也要学习，一个晚上下一百万盘棋，但那是极为消耗能量的学习。人工智能应该是举一反三式的学习。AlphaGo虽然强大，但是只能干下棋这样一件事情，无法干别的。

当然，我并不是说，AlphaGo的深度学习技术不能用来做下棋之外的事，这个技术本身可以用来做很多事情。我的意思是说，这个技术一旦做成某一具体的产品，这个产品的功能就固定下来了。用乐高积木来打个比方，如果你是精于此道的高手，你可以拼出一艘航母、一幢高楼，但是一旦拼出了一艘航母，除非你把它拆掉，它就一直是航母了，不再会是高楼。

类似地，一旦你用深度学习技术做出了AlphaGo这个专门用来下棋的机器人，如果再想让它去干别的，很多基本训练和基础架构就必须从头做起，这就相当于把拼成航母的乐高积木一块一块地拆下来，再拼成一艘航母，而想而知工作量会有多大。那么，问题来了：你是需要一个什么都能干，虽然不一定能干到最好的机器人呢，还是需要一个只能把一件事情做到最好，其他什么都不会的机器人？这两种机器人，哪种对人类社会起到的作用更大？

不妨拿战争举个例子。未来的战场会需要大量的战斗型机器人。一个士兵在战场上遇到的情况是千变万化的。请问，难道只有医疗兵知道怎么救援吗？别的士兵也知道，只是未必做得有那么好而已。同样，医疗兵也会使用枪械。

再拿家政服务举个例子，给中产家庭用的机器人，和给富豪家庭用的机器人，肯定是不一样的。AlphaGo这样的机器人怎么去迅速适应呢？关于围棋的输赢是有明确规则的，可是家政问题有规则吗？如果机器人给一个大知识分子收拾书房，打扫得太干净，他反而不满意，可能要拍桌子：“乱有乱的味道！书房怎么可以弄得这么干净呢？”但是你不给他打扫，他又不开心了，“书总归要码得整齐一点，蜘蛛网总归要扫掉吧”。

所以，行为的分寸如何把握，是需要人工智能来学习和判断的。而人工智能如何学习和判断呢？这是需要人类去调教的。