AI會思考圍棋。但是，AI會思考么？我傾向于認為目前的AI并不會思考，或者換個角度，目前的AI不會像人類一樣思考。

柯潔大戰(zhàn)AlphaGo落幕已經(jīng)有一段時間了，蹭熱度的文章也已經(jīng)不少了。AI這個話題，又開始被人們廣泛討論。其實在第一場棋后我就想寫篇文章，終于還是拖了大半個月。

自媒體一如既往喜歡調(diào)動民眾情緒，人工智能將取代人類甚至統(tǒng)治人類的觀點甚囂塵上。人們眼中的AI更多的是《終結(jié)者》和《西部世界》那樣的會思考且能力極其強大的存在。不了解AI的人，要么極度低估了AI，要么極度高估了AI，這樣的論調(diào)，就是屬于后者。

1. AI會思考嗎

在回答這個問題之前，先分享一個答案。知乎上我回答了一個問題——AlphaGo「理解」圍棋嗎？

答案如下：

一個東西，看起來像鴨子，叫起來像鴨子，那么這就是鴨子。

我們怎么判斷人理解圍棋？可以和對手下棋，理解規(guī)則。有布局有細節(jié)操作，根據(jù)對手有針對性下法，懂得怎么贏下來比賽。所以我們覺得人理解圍棋。機器也可以做到相同的事情，甚至比人做得好。所以機器也理解圍棋。

只是人不理解機器而已。機器學(xué)習(xí)的算法，SVM也好，神經(jīng)網(wǎng)絡(luò)也好。不是機器不理解所輸入的樣本。而是人不理解怎么把機器輸出結(jié)果的邏輯，用人能理解的邏輯表達出來。

AI會思考圍棋。但是，AI會思考么？我傾向于認為目前的AI并不會思考，或者換個角度，目前的AI不會像人類一樣思考。

2. 人和AI的學(xué)習(xí)機制

人是怎么學(xué)習(xí)的呢？作為一個dota資深菜鳥玩家，當我第一次玩王者榮耀的時候，選了英雄，看了技能介紹，第一局就拿到了非常好的數(shù)據(jù)。在這之前，我沒有看過任何王者榮耀的視頻或者介紹。而整個學(xué)習(xí)過程只有幾分鐘。

AI是怎么學(xué)習(xí)的呢?如果有一個dota碾壓職業(yè)玩家的AI，想學(xué)習(xí)王者榮耀，之前訓(xùn)練出的模型瞬間失效。這個時候只能拿到職業(yè)選手的大量比賽視頻，進行算法訓(xùn)練。整個學(xué)習(xí)過程需要大量的計算資源，并且需要一段較長時間的訓(xùn)練評估。

這里面看到了人類為作為自然界46億年進化出的生物算法，相比較嬰兒期的AI算法，具有一個絕對優(yōu)勢：快速遷移學(xué)習(xí)的能力。目前AI并不具有這種能力，而且在可預(yù)期的時間內(nèi)，不可能具有這種能力。

3. 人和AI信息處理機制

腦科學(xué)領(lǐng)域研究目前沒有突破性進展，我們并不知道人類怎么思考。而在機器學(xué)習(xí)領(lǐng)域，算法從規(guī)則算法升級到機器學(xué)習(xí)之后，我們也不知道機器怎么思考。

但是如果把人和機器作為一個黑箱，我們發(fā)現(xiàn)人和機器作為不同的系統(tǒng)，信息處理能力非常不一樣。

在新場景下，人拿到的信息非常少，也能快速適應(yīng)，比如魯濱遜漂流荒島，可以迅速適應(yīng)并生存。而機器學(xué)習(xí)在缺少數(shù)據(jù)和規(guī)則不明確的情況下，無法發(fā)揮作用。

在穩(wěn)定場景下，有大量反饋數(shù)據(jù)的情況下，人的決策能力反而不如AI。這也是人類個體單個大腦算力決定。在面對大量數(shù)據(jù)的時候，人會歸納數(shù)據(jù)，分析數(shù)據(jù)，并從數(shù)據(jù)中提取大量規(guī)則。在遇到問題的時候用規(guī)則快速決策。

這個歸納數(shù)據(jù)，分析數(shù)據(jù)的過程，本身就是信息丟失的過程。換句話說，拿到1000條數(shù)據(jù)和拿到10000條數(shù)據(jù)，對于人而言差別可能不大。而計算機基于統(tǒng)計算法和學(xué)習(xí)模型，最大規(guī)模的保存了信息量，數(shù)據(jù)量不斷增長，決策效率也會不斷提高。

總結(jié)而言：人可以通過復(fù)雜的類比、聯(lián)想等策略，在無明確目標的新場景下表現(xiàn)良好。AI在明確的場景，并且有足夠數(shù)據(jù)反饋的情況下，可以超過人類的決策。

4. 人類哪些工作會被取代

人工智能會替代的領(lǐng)域有哪些？這是一個老生常談的問題。

總結(jié)而言：長期固定類型的腦力勞動工作者，決策數(shù)據(jù)來自線上數(shù)據(jù)庫或者可以被線上數(shù)據(jù)大量收集，工作效果可以有線上數(shù)據(jù)的反饋或者記錄。

在這些行業(yè)中，需要根據(jù)數(shù)據(jù)做出判斷。而由于數(shù)據(jù)過載，大量的數(shù)據(jù)人在決策是時候無法完全利用，只能挖掘數(shù)據(jù)中的一些規(guī)則，做出應(yīng)對方案。在這樣的領(lǐng)域，人是很容易被替代的。
比如運營排期，廣告投放，素材設(shè)計，醫(yī)生診斷，等等。

在互聯(lián)網(wǎng)中，活動排期通常是需要依賴運營手動配置，在個性化推薦引擎面前，千人一面的活動排期本身就是有先天缺陷的。而個性化推薦引擎可以分期所有的歷史用戶行為，給出最優(yōu)結(jié)果。素材設(shè)計目前淘寶已經(jīng)上線，雖然有時候會有明顯的Badcase，但是根據(jù)每個人的歷史行為數(shù)據(jù)給出的banner素材，引流效果在總體上肯定是優(yōu)于千人一面的banner樣式的。

廣告投放也好，金融分析也好，都是需要分析歷史的結(jié)果，以及進行不斷優(yōu)化過程數(shù)據(jù)，而高效處理數(shù)據(jù)則是算法的強項。

在醫(yī)生診斷領(lǐng)域，大量的檢查數(shù)據(jù)，需要有效的處理，要求醫(yī)生有足夠多的背景知識，而無論哪個醫(yī)生，有多么充分的經(jīng)驗，都不可能了解所有的案例。一方面人工智能知識儲備和案例儲備遠遠超過人，另一方面，對圖像的處理和識別的能力也慢慢提高。人工智能通過大量的樣本學(xué)習(xí)，目前頂尖的人工智能診療在一些領(lǐng)域已經(jīng)超過了人類醫(yī)生的水平。

當然，隨著信息化程度變高，語義識別圖像識別的發(fā)展，計算機信息收集能力的提高。越來越多的固定直接可能被取代：同聲傳譯，金融分析，自動駕駛等等。

5. 在AI普及的未來，人的位置在哪里

目前的計算機計算能力，和AI算法的發(fā)展情況來看，AI在短期內(nèi)會快速普及，并滲透進信息化程度比較高，且人力成本比較高的行業(yè)。比如：互聯(lián)網(wǎng)廣告投放，互聯(lián)網(wǎng)運營，金融，醫(yī)療等等。但與此同時，這些行業(yè)的人并不會完全消失，而是需要更少的人，需要這些人有更多的技能。

機械化時代之前，農(nóng)民種地，一個人能照看土地也就幾畝，只要會翻地播種除草施肥就夠了。而目前現(xiàn)代化的農(nóng)場主。一個人可以照看公頃級別的土地。但是需要駕駛收割機，拖拉機，使用機械裝置施肥，播種。

計算機的發(fā)明，無數(shù)數(shù)學(xué)家物理學(xué)家從繁瑣的計算中掙脫，而探索新的領(lǐng)域。未來人需要不斷通過創(chuàng)造力發(fā)現(xiàn)和探索新的場景，而AI則可以通過數(shù)據(jù)，在定義好的場景下發(fā)揮到極致。

人雖然不能在醫(yī)療診斷中戰(zhàn)勝AI，但人可以研究新的診斷技術(shù)和方法。人雖然不能在Feed流排序的時候戰(zhàn)勝個性化推薦，但人可以探索新的用戶場景，引入新的內(nèi)容模式。一個特定的醫(yī)療診斷，一個確定樣式的Feed流，就是棋盤，人無法在這個棋盤上和AI爭勝負，但并非就此被取代。人類要做的不是戰(zhàn)勝AI，而是用自己獨特的思考能力，不斷開拓AI的使用場景。

人不能在圍棋上戰(zhàn)勝AI，但人可以發(fā)明圍棋。

#專欄作家#

潘一鳴，人人都是產(chǎn)品經(jīng)理專欄作家，THU/PM，知乎專欄：產(chǎn)品邏輯之美

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。