人工智能学习方式带来的威胁

20世纪90年代以来，人类对脑科学的研究有了长足发展。我们可以方便地借助现代仪器，对大脑工作过程中的脑区激活状态以及变化情况洞若观火。新一代的人工智能完全模仿人类大脑的工作机理。然而，换一个视角看，脑科学的最新研究成果更多地用在机器人的研究上，极少用在自然人的学习上。自然人的学习模式依然是陈旧的模式，今天的课堂教学和70年代并没有什么两样。

我认为，研究人工智能的工作模式可以反哺自然人的学习。那么，我们的首要任务就是弄清人工智能的工作方式。我们通常会说：“这是一个人工智能，这是一个智能机器人。”而实际上人工智能并非个体，它本质上是一个大型的分布式协同工作的计算机网络。人工智能实际上是多机协同实现某种功能的网络系统，人工智能之间的协作实际上是跨网络的协同运作。

人工智能可以用它的眼睛看见你，并用它的嘴巴恰到好处地回应你。从看见到回应，其背后的运作方式是什么样的呢？人工智能的眼睛就是一个有独立处理能力的计算机，它用摄像头采样，然后用其独特的算法解释获得的画面，并把所得出的结论送给中央控制系统。中央控制系统再安排反应系统进行回应，而反应系统由很多种计算机构成，说话靠语音计算机完成，肢体语言则靠行动计算机完成。人工智能的眼、耳、舌、鼻、身、意其实都是既能独立完成某种任务，又能协同作战的计算机。每台计算机都有其独特的处理算法，也有其庞大的数据库，而且能够不断地迭代。算法可以简单地理解为从刺激到反应中间大脑的工作过程，数据可以简单地理解为大脑对每次刺激—反应过程的记忆。人工智能的每次工作都依据既定的算法，每次工作都同时丰富其数据库，当数据积累多了就会根据其有效性升级迭代算法，算法升级后又反过来重新审视以往的数据。与自然人相比，人工智能的学习力强，就体现在其算法不断地升级进化，以及数据持续地积累重构上。它的算法升级和数据重构两个过程快速、持续地进行，且不断循环提升。

比如，人工智能能够识别出猫。它是怎样做到的呢？最早是因为其数据库中存储了数百万张形态各异的猫的照片，它看到猫并识别出来的过程无非是将看到的猫进行拍照，然后将照片与其数据库里存储的数百万张照片进行模糊匹配。模糊匹配的过程当然需要算法，这个算法就是把拍来的猫的照片与数据库中的图片进行匹配的策略。匹配成功就识别出猫，否则就识别失败。当然也可能会有把猫识别成非猫的失败，或者把非猫误识别为猫的失败。人工智能会根据大量成功或失败的结果，进一步迭代自己的识别算法，比如做角度的矫正、猫脸结构的优化等。这种持续矫正算法依靠的正是深度学习。现在公共安全领域的人脸识别技术已经相当精准，只要有一张犯罪分子的照片，就能够轻松把出现在公共场合中的犯罪嫌疑人很快识别出来。怎么做到的呢？其实也是人工智能通过照片分析出人脸的结构数据。人脸无非是若干三角形组成的特定结构，无论是正脸、侧脸，还是低头、抬头，虽然脸的形状各异，但其基本结构是不变的。人工智能的算法总能透过表现各异的形状定位到保持不变的基本结构。而人工智能的算法并不是凭空来的，恰是在大量经验数据的基础上不断深度学习进行算法迭代而来的。反过来，算法升级迭代了又会对经验数据进行重构，再带着新的算法工作，积累更多的数据，交替进行“积累数据迭代算法”“算法升级重构数据”的无限学习循环。

人工智能的学习比自然人的学习有三大得天独厚的优势。

首先，永不疲倦地工作。人工智能可以承受高强度的工作，即使在恶劣的工作环境中，也可以“不知疲倦”地工作，在工作中积累数据、优化算法。可以做到24小时不休息地处理海量作业和积累经验数据。这种处理能力和学习速度是自然人完全无法企及的。

其次，工作即学习。人工智能的工作靠的是一套算法，在用算法作业的时候又能产生相应的经验数据。当积累了大量的经验数据之后，人工智能又能通过对大数据的挖掘，总结出更接近事物本质、更方便操作的新算法。就这样，用算法积累数据，又借助大数据分析升级算法，不断逼近事物的核心特征和深层结构，升级更便捷高效的操作程序，一直走在学习迭代的路上。人类的进化也不过是数万年很多代迭代的结果，而人工智能的学习和迭代速度是惊人的。

最后，数据和算法共享。人工智能更厉害的一点是个体经验的实时共享，它们用同一套算法工作，各自在不同情境下积累不同的数据，而这些数据又能实时共享。同一时刻，千百万个人工智能的个体在不同场景下运用同样的算法做同样的工作，积累不同的经验数据，而这些经验数据又成为共同的财富。数据的并行积累能加速算法的迭代，而算法的迭代又可以惠及每一个个体。人工智能的经验分享是自然发生的，个体的经验自然成为群体的经验，个体的智慧自然成为群体的智慧。

自然人的学习就相形见绌了。受生理条件限制，自然人做不到不知疲倦地工作，受学习能力限制，极少有人能做到在工作中学习，况且不同个体做事的算法很难统一，数据经验又很难共享。人类的算法升级靠的是个体经验的萃取，不仅样本有限，而且迭代升级又受个体大脑加工能力的限制，人类的学习迭代的速度可以说是像蜗牛一样。多数自然人的算法从不主动迭代，与人工智能日积月累、不知疲倦的数据积累和迭代速度简直不可同日而语。更关键的是，学习本身就有复利效应，今天的知识是今后学习的基础，学习力越强知识积累越多，知识积累越多学习力越强。只有极少数自然人能够吃上这种学习的复利效应的红利。

尤瓦尔·赫拉利在《未来简史》中提出了他的担忧，他认为未来的人将分化为三类：无用之人、凡人、神人，且大部分人将会沦为无用之人。是什么因素导致人的分化？我认为就是学习力。相对人工智能的快速学习，大部分自然人的学习能力则相形见绌，长期处于“油腻”“躺平”状态的人不迭代算法，不重构数据，久而久之会沦为“无用之人”。只有少数像人工智能一样快速学习的人，其学习力远超社会平均水平，会进化成“神人”。学习力能够持续保持在社会平均水平以上的人，也许能保持住“凡人”的状态。赫拉利的论断并不是危言耸听。要是你不想在未来沦为无用之人，该怎么办？唯一的出路就是持续提升自己的学习力！人和人的差距是认知的差距，而认知的差距归根结底是学习力的差距。提升学习力并不是说要用原来的方式再加倍地努力，而是要借鉴人工智能的学习方式加速“算法升级”和“数据重构”的交叉迭代。唯有学习力的跃迁才能让我们持续领先于时代！