從匹諾曹、愛德華到大黃蜂、賈維斯，人類對于機器智能的憧憬和追求就從沒離開過熒幕。而在現實生活中，最引人注意的莫過于“機器人司令”馬克·雷波特（MarcRaibert）。他是麻省理工學院（MIT）的教授，在1992年時創辦了波士頓動力公司，全力研發各樣智能機器人。

2009年時，波士頓旗下的BigDog（大狗）亮相互聯網，它雖然體積龐大，但行走平穩、轉向靈活，仿生狀態非常驚艷。4年后，其發布的人形機器人Atlas更是名聲大噪，初代產品可以伸展雙臂平衡通過狹窄的“獨木橋”；隨后更具備了倒立、翻轉、空中劈叉等動作，甚至跑酷的姿勢也非常優美。

波士頓動力的每一款產品問世，都能成為網紅焦點。而雷波特及其公司也成為談及AI時所無法避開的行業典范。因此在11月4日東莞舉辦的企業創新生態圈大會上，雷波特也遠程參會交流。和他對話的，則是中國AI（人工智能）公司云從科技的創始人周曦。后者也是學霸創業，從中國科學院走出來的行業中堅。

兩位科技大佬對話的一大背景是，當下人工智能正在從又一波高峰滑落：外界總期待AI人工智能無所不能，但實際卻像個“廢柴巨人”。

就拿波士頓動力來說，就連充滿探索精神的谷歌，收購公司之后，看著商業化進程這么緩慢，也坐不住了，最終賣出轉手。而國內的AI，在大眾認知里似乎依然停留在語音、人臉識別這些不夠“性感”的方向。

確實，歷經六十多年發展，AI技術已有大幅提升，甚至學術界擔憂，AI過于強大從而帶來威脅、統治人類。然而，現實卻是，成熟商業化的領域依然不多，對社會的影響也感知頗淺。因而，社會普遍認為，AI就像個“廢柴巨人”，看上去很有創造力和破壞力，但除了飯（燒）量（錢）大（多）也沒啥本事。

那么，AI該如何擺脫廢柴的尷尬？該如何秀出肌肉、舞動拳頭、發揮力量又不至于統治人類呢？

人類的狂喜與失望

人工智能之父可以追溯到在二戰中做出密碼破譯機的圖靈，而行業的起點則從1956年達特茅斯學院的暑期會議，世界第一座AILab實驗室開始。自此后的十年，AI領域一片紅火：美國政府投資了數百萬美元、西洋跳棋程序誕生并戰勝了人類大師、會文本聊天的機器人、專家系統、根據指令抓積木的機器人相繼誕生。

然而，這波熱潮卻在1973年被一份報告潑了冷水、濕得透透：到目前為止，該領域的任何發現都沒有產生當初承諾的重大影響。[1]隨后學術界進行了一輪深刻的批評與自我批評，AI的研究進入平靜階段。

1976年，誕生了十余年的專家系統，終于開始在商業中發揮作用，借助數據庫積累參與醫療診斷咨詢。借助專家系統，AI復興快速展開，日本政府撥款8個多億美元支持研發、英國耗資3億多英鎊打造AI工程。然而，又過了十年后，人們遺憾發現，機器專家也不靈光，AI研發再次陷入低谷。

1960s年代、1980s年代，兩次產業的迸發與消退、人類的狂喜與失望，歸根結底就是一句話：機器沒有人們期望的那么智能。

事后來看，結果是顯而易見的。硬件方面，晶體管、芯片的集成度仍處于早期，視覺、觸感等信息的獲取，也十分困難。軟件方面，支持建立模型的數據量仍嚴重不足，算法規則理念也不夠先進。可以說，不是機器不夠智能，而是人類的功課還沒準備充分。

兩次的周期往返讓產業深深質疑，AI到底是不是一個方向？未來會好嗎？甚至有人開始反思，大象根本不玩象棋（ElephantsDon’t Play Chess），但大象卻可以根據環境變化做出判斷、反應。用人類設定規則的方法，也許是錯誤的。

幸運的是，科學家并沒有停止探索。寒冬中播下的種子，在暖風之下，開始生根發芽。

跨學科研究：概率論、統計學、控制理論、工程學、神經學等等，越來越多學科跨界進入AI研究，交叉體系打破了先行設定規則的思路，神經網絡、深度學習技術開始發展。

硬件大提速：在摩爾定律的促使下，芯片集成度指數型發展，CPU、GPU、MPU等等功能芯片層出不窮。而云的誕生，也使得算力可以近乎無限擴大。光學鏡頭、紅外等傳感器也性能提升，對外界環境的辨別、關鍵信息的捕捉也更加高效。

軟件爆發潮：在互聯網、移動互聯網時代，產生的數據量爆炸性增加，每年產生的量就等于過去人類上千年積累的百萬倍，真實世界的活動得到了前所未有的記錄，為建立模型提供了充分的素材。在互聯網大潮中，碼農數量也隨之增加，如今全球達到了3000萬人左右。

在這些因素的促使下，AI產業再次昂首闊步：“深藍”戰勝國際象棋冠軍，AlphaGo完虐人類圍棋高手，無人駕駛車也行駛在路上，AI甚至出現在了美國禁令清單中。技術爆發性“奇點”似乎就要到來，以至于比爾蓋茨、霍金等大佬紛紛勸阻，別搞太快了，很危險；AI會取代人類。

實際情況是，機器學習、深度學習、強化學習技術支撐的這一輪AI熱潮，也根本快不起來，純粹深度學習的算法演進，已走入絕境。OpenAI的GPT-3模型訓練成本高昂，其智商卻無法理解“冰箱里的奶酪是否會融化”這樣的常識。

2008年金融危機后，為避免再次發生世界性危機，全球最頂級的金融人才開始修訂《巴塞爾協議》，而如果交給GPT-3，起碼要經歷千百次金融危機它才能學會。

周曦認為，“這個時候我們需要另外一條路，我們叫專家知識。我們要相信人的力量，把人工智能和人結合。人能夠在很復雜的環境，很小樣本的情況下，作出創造性的決定。”

如此一來，人機協同，成為人工智能進化的必然方向，同時，也是人類合理使用AI的必然要求。

機器的輔助與統治

電影《黑客帝國》中展示了這樣一副圖景：人類生活在一個虛擬世界中，而創造并控制這個世界的是叫做“母體”的AI人工智能系統。人類仿佛是AI飼養的動物，沒有真實的自由，而實際上，人類不過是一行行代碼程序。然而，更可怕的是，99%的人類對虛擬世界完全沒有察覺。

電影結尾，黑客Neo用人類的愛情戰勝了機器的理性，但電影仍令人后背發涼，人類的肉身如何抵抗AI的超級之軀。盡管超級AI還為時尚早，但AI已經開始取代部分人類工作：

比如計算機開始取代機關機組人員工作，負責編排航班時刻表、分析異常報告；算法也取代了編輯，自動向用戶推送內容；機器人替代搜救隊員到危險地方工作，替代了醫生進行高效診療，減少失誤；雷達和算法，替代人腦更快判斷車距和避險。毫無疑問，AI的智能化正改善著人類的生活。

然而，AI未必能永久智能。2010年，交易算法故障導致紐交所閃電崩盤，幾分鐘內蒸發了萬億美金；2018年，計算機故障導致歐洲1.5萬個航班嚴重延誤或取消。[2]除了金錢損失之外，AI過度使用，也在沖擊著人類社會文明：

劍橋分析公司不當使用數千萬用戶信息，個人隱私遭到破壞；而DeepFake帶來的換臉等應用，流行于網絡，社會秩序、公共安全遭到極大沖擊。甚至軍事領域，也開發了大量AWS（無人指揮下，自主尋找目標并進行擊殺）武器，大大加大了殺戮的殘暴。

而在討論超級智能AI對人類的威脅時，總有人會說，到時關閉電源不就好了，但詭異的是，AI的目標是為了完成人類賦予的任務而克服萬千困難，“被斷電”顯然也是它認為需要克服的困難。因此，如果AI只是被設定用來實現“最大化目標”，那么AI的終極，就是超級AI、就是全面接管人類。

畢竟，初出茅廬的AI，并不能短時間內具備人類的社會經驗和價值判斷。基于此，人工智能學者斯圖爾特·羅素（StuartRussell）認為，人類應該致力于研發“可證明對人類有益的人工智能”（ProvablyBeneficial AI），而不是人類及超人類級別的AI。

羅素對AI提出了三個原則：最大化實現人類目標；對人類保持敬畏之心；基于人類行為設定機器偏好。濃縮成一句話的話，好AI應該是“以人為本的人機協同”：人類居于主導地位，基于人類的經驗、判斷與偏好，研發服從于人類利益的AI，最終拍板的依然是“我們”。既不做半機器半人類，也不做機器下的人類。

而要讓AI成為助手，總共分三步：第一步，在多個人機協同感知端實現技術突破，將人力從繁復的工作中解放出來；第二步，在感知、認知到決策全流程提升效率，助力決策；第三步，在人機交互體驗幫助創造者，豐富終端的產品和服務內容。

這個“三步走”戰略，邏輯嚴密前景美好，但要實現卻并非易事。它要求每一步都算數，每一步都得踏實走。不少國內公司都在邁出第一步，在感知端的工作已經成為追求精度的競賽。率先邁開第二步的，才能更快完成人機協同的目標。而這則有一個先決條件：市占率說了算。

只要在終端分布的感知端數量越多、喂給認知與決策算法的數據才會越多，而經過訓練反饋的結果也才會趨近于最優。這也是統計學、概率論發揮作用的基礎。

國內不少企業也在如此布局。2015年成立的云從科技，憑借“行業專家+工程師”模式的充分開發，云從對銀行和機場進行了最為廣泛的AI覆蓋。這保證了公司在向認知與決策端延伸時，有足夠優質海量的數據可以使用，為成功邁出第二步做了充分保障。

人機協同成為人類和AI的親密接觸，而需求則成為了AI競爭的關鍵，也成為了中國AI發展的優勢。

人機協同，復制1000個鐘南山

截止2016年，全球深度學習領域，中國論文總量與引用均位列第一，AI領域的發明專利中國位列第二；而在商業化方面，2011年成立的曠視，2012年成立的依圖，2014年成立的商湯，以及2015年成立的云從，都在短期內快速崛起，被并列稱為中國的“AI四小龍”，趕著來投錢的資本，從中國一直排到了美國。

這幾家基本都是以計算機視覺技術CV起家，所以大眾普遍認為所謂的AI，不過是認臉、下棋、刷論文、或者套著AI名義做個政府集成外包。雖然AI商業化的進程緩慢，但毫無疑問，這些印象還是刻板過時了。

AI商業化的良性之路，正在形成。

以云從為例，已經實現了AI從感知（人臉、人體、物體、語音）到認知（語義、知識圖譜、大數據）到決策（風控、推薦、畫像）的技術閉環。除此之外，云從的“3D結構光人臉識別”、商用跨鏡追蹤（Re-ID）、人體3D重建等技術也走在技術前列、商用舞臺。

人機協同也早已取代計算機視覺，成為這家小巨頭的新標簽。周曦做了一個總結：每次科技的進步都是效率的提升，都是對人的延展。

既往的幾次科技革命，都只是對人類四肢的延展。而人機協同則帶來新的質變——對人腦的延展，既然人的思維沒有邊界，那么在人機協同這個方向下，人工智能就不應再被束縛在具象化的實物上，而是能夠像思維一樣拓展出無限的邊界。

以AI在醫療中的應用為例，如果僅有傳統的計算機視覺技術以及語音識別技術，那么AI的最多還是只能看看CT，順便幫醫生錄入病例。然而，對于那些掙扎在死亡邊緣的的病人來說，他們面對的最大困難則是，能夠耄耋之年沖上一線的鐘南山院士只有一個，能夠殫精竭慮無私奉獻的陶勇醫生也只有一個。

人機協同則可以通過在人工智能技術這個黑匣子中置入專家知識，將鐘南山、陶勇們的知識技能模型化、自動化，通過AI解決掉90%以上診療信息，協助醫生付出10%的精力處理其他關鍵性問題，進而讓醫療專家的服務能力擴大10倍以上。

在海關監管系統中，云從已經開始進行人機協同的階段性實踐，研發了海關立體監管決策指揮系統、集裝箱全流程監管以及智慧查驗等系統，將海關監管的現實場景數字化、結構化、模型化，幫助海關專家做出更好的決策。

云從之外，商湯的算法平臺，曠視的物聯網，也都已取代計算機視覺，成為各自新的目標。中國AI產業，正依靠著廣闊的需求市場，走上世界舞臺。

而無論是銀行風控專家，還是三甲醫院主任醫生，在中國，都是極其稀缺的資源，但老百姓對高品質服務的需求是實打實的。人機協同，既可以將高質量產品與服務普惠于民，又避免了人機崗位的沖突。

對于我們這樣人口大國來說，發展人機協同的普惠型AI，延展我們的智慧，是產業發展的趨勢，也是工程師紅利和群眾需求結合的必然選擇。

結尾

雖然火器大炮在中國早有使用，但清朝時期的大炮“只知道用鐵鑄成炮身，不知道做炮膛，全無科學分寸，所以施放不能有準頭”，[3]火炮內外凹凸不平，其中最大的凹陷，可以倒入4碗水而不溢出。最終在和列強的戰斗中，清朝軍隊慘敗負辱。

誠然，如今的世界，爆發大規模戰爭不再容易，但不可否認的是，國與國之間的競爭、甚至對抗，卻從未停止。而科學、科技，無論在清朝，還是如今，都是自強自立的根本保障。而在AI領域，經過幾批人的努力，中國已經有資格和海外公司站在同一階段，這是彌足珍貴的成績。

任正非曾說，只有長期重視基礎研究才有工業的強大，人工智能是影響和塑造一個國家的核心變量。

作為擁有14億人口的中國，我們需要提升效率創造更多的財富、也需要注重平等共同富裕。也許AI看似“廢柴”，但我們卻不能忽視“巨人”的存在。包容創新、包容那些探索的人，我們的基礎教育、我們的技術強國，也才會有保障。

參考資料

[1]《萊特希爾報告》（LighthillReport），ScienceResearch Council of Great Britain，1973

[2]《AI新生》，斯圖爾特·羅素（StuartRussell），中信出版社

[3]《中國歷史縱橫談全集》，蕭楓，遼海出版社
編輯：hfy