11 人工智能时代人的危机
随着算法将人类挤出就业市场，财富和权利可能会集中在拥有强大算法的极少数精英手中，造成前所未有的社会及政治不平等。——《未来简史》
翻开不同版本的世界近代史，都不难找到第一次工业革命时期工人破坏机器运动的历史记录。从蒸汽时代开始，机器的进化速度越快，人能感受到的危机就会越强烈，而人对机器的抗争也从未停止。
一、历史视角下的人工智能革命
人工智能正处于高速发展过程中，只言片语很难做到一叶知秋，但每增加一片相关研究的“叶子”，会更有利于接近发展本来的面貌。本章从简要回溯人工智能的历史出发，对目前人工智能主流技术、我国发展的情况和存在的问题进行探讨。
1965年4月19日，时任仙童公司半导体工程师的戈登·摩尔在《电子学》杂志发表了一篇题为《让集成电路填满更多组件》（Cramming more components onto integrated circuits）的论文，并预言半导体芯片上集成的晶体管和电阻数量将每年增加一倍。摩尔后来在20世纪70年代对该规律进行了修正，形成了著名的定律：当价格不变时，集成电路上可容纳的元器件的数目，约每隔18—24个月便会增加一倍，性能也将提升一倍。换言之，每一美元所能买到的电脑性能，将每隔18—24个月翻一倍以上。回首近半个世纪的技术发展，是一个摩尔定律不断迭代发展的过程。我国改革开放的历史进程刚好与摩尔定律契合，技术突飞猛进，回溯我国数字技术的发展历程，成绩、问题与机遇并存。立足未来，本章选取了最近几年发展比较迅猛的人工智能技术作为样本，对数字之变进行探讨。
在过去人工智能的发展历史中，先后经过几次起伏和波折，但不变的是美国占了主导性的地位。从IBM的深蓝系统击败国际象棋大师加里·卡斯帕罗夫到谷歌的Alpha Go，基本上最前沿的人工智能进展都源自美国。但是，中国的迅速崛起，使美国有了严重的危机感。下面将从人工智能发展历史及我国的相关发展情况展开论述。
让机器模仿人类的想法早在柏拉图和亚里士多德时代就已经有了，但真正开始进行人工智能制造和设计实践是从19世纪开始的。我们参考维基百科关于人工智能历史的资料整理进行概述。
（1）1952—1956，人工智能的诞生时期：1950年，艾伦·图灵提出了著名的图灵测试，定义：“如果一台机器能够与人类展开对话（通过电传设备）而不能被辨别出其机器身份，那么称这台机器具有智能。”[1]1955年，纽厄尔（N.Newell）、西蒙（H.Simon）和肖乌（J.C.Shaw）开发了“逻辑理论家（Logic Theorist）”，这个程序能够证明伯特兰·罗素（Bertrand Russell）和怀特海（Alfred North Whitehead）所著《数学原理》前52个定理中的38个，其中某些证明比原著更加新颖和精巧。西蒙认为他们已经“解决了神秘的心/身问题，解释了物质构成的系统如何获得心灵的性质”。1956年夏天，美国达特茅斯学院举行了历史上第一次人工智能研讨会，被认为是人工智能诞生的标志。会上，麦卡锡首次提出了“人工智能”这个概念，纽厄尔和西蒙则展示了编写的逻辑理论机器。
（2）1956—1974年，黄金时代：达特茅斯会议后，人工智能引起了广泛的关注，机器的智能化使很多人感到震惊。学者们对人工智能的前景表现得非常乐观，普遍认为具有完全智能的人工智能机器将在20年内实现。DARPA（美国国防部高等研究计划局）等政府机构对人工智能领域产生了很大的兴趣，并投入了大量的资金。这一时期在自然语言处理、机器视觉、自动控制等领域都有很多突出的贡献。
除美国外，在日本，早稻田大学于1967年启动了WABOT项目，并于1972年完成了世界上第一个全尺寸智能人形机器人WABOT-1。[2]该型号机器人基本实现了上下肢协调运动和自动方位感知，并能够用日语进行简单的交流。
（3）1974—1980年，第一次寒冬（低谷）期：受制于计算机算力、当时的计算机有限的内存和处理速度不足以解决任何实际的AI问题。例如，例如，奎廉（J.R.Quillian）在自然语言方面的研究结果只能用一个含二十个单词的词汇表进行演示，因为内存只能容纳这么多。1976年，汉斯·莫拉维克（Hans Moravec）指出，计算机离智能的要求还差上百万倍。他做了个类比：人工智能需要强大的计算能力，就像飞机需要大功率动力一样，低于一个阈值时是无法实现的；但是随着能力的提升，问题逐渐会变得简单。当时的计算力还远不能达到满足人工智能的要求。另外，AI问题计算的复杂性也是呈指数增长的。1972年，理查德·长普（Richard Karp）根据斯蒂芬·库克（Stephen Cook）于1971年提出的库克-莱文（Cook-Levin）理论证明，许多问题只可能在指数时间内获解（即，计算时间与输入规模的幂成正比）。除了那些最简单的情况，这些问题的解决需要近乎无限长的时间。这就意味着AI中的许多玩具程序恐怕永远也不会发展为实用的系统。这因此使得早期乐观的预期遭受到了当头一棒，政府等资方由于看不到预期，纷纷撤资。AI研发进入了第一个寒冬（低谷）期。
（4）1980—1987年，繁荣期：进入80年代后，专家系统的崛起开始重新吸引资本的进入。专家系统是一种程序，能够依据一组从专门知识中推演出的逻辑规则在某一特定领域回答或解决问题。最早的示例由爱德华·费根鲍姆（Edward Feigenbaum）和他的学生们开发。1965年起设计的化学专家系统（Dendral）能够根据分光计读数分辨混合物。1972年设计的诊断血液感染病专家系统（MYCIN）能够诊断血液传染病。它们展示了这一方法的威力。
专家系统仅限于一个很小的知识领域，从而避免了常识问题；其简单的设计又使它能够较为容易地编程实现或修改。专家系统让AI开始展示其巨大的商业应用前景。专家系统的兴起，掀起了“知识革命”，专家系统的能力在于他能存储丰富的知识。因此知识库系统和知识工程成为了1980年年底AI研究的主要方向。
1982年，物理学家约翰·霍普佛德（John Hopfield）证明一种新型的神经网络（现被称为“Hopfield网络”）能够用一种全新的方式学习和处理信息。大约在同时（早于保罗·沃佰斯[Paul Werbos]），大卫·鲁姆哈特（David Rumelhart）推广了反向传播算法，一种神经网络训练方法。这些发现使1970年以来一直遭人遗弃的联结主义重获新生。
另外，由于对处理问题复杂度的增加，20世纪80年代也兴起了开发新一代计算机的浪潮。1981年日本启动了第五代计算机的研发工作，英、美也开始推动大投入的高性能计算相关的研发工作。
（5）1987—1993年，第二次寒冬（低谷）期：专家系统本身应用的局限性问题开始显现。如XCON等早期获得成功的系统逐渐暴露出系统维护费用昂贵、难以升级、容错率低等问题。同时由于专家系统应用的领域和场景有限，商业前景并不及最初的预期，新的一轮撤资潮开始出现。到了80年代晚期，战略计算促进会大幅削减对AI的资助。DARPA的新任领导认为AI并非“下一个浪潮”，拨款将倾向于那些看起来更容易出成果的项目。除专家系统外，到1991年，日本持续了十年的第五代计算机工程事实上证明是失败的，整个AI发展陷入了新的低谷。
（6）1993—2011年，第三次发展期：这一时期是计算机产业高速发展时期，特别是互联网的全球化，对人类知识融合和创新产生了革命性的影响。这一时期发生了一系列在AI历史上的革命性事件。1997年，深蓝电脑在国际象棋大赛中首次战胜人类。2005年，DARPA无人驾驶大赛，斯坦福的无人驾驶汽车夺冠，成功实现自动行驶131英里，等等。在这一段时期人工智能相关的基础科学得到了迅速发展。特别是互联网高速发展，全球海量基础数据的积累以及摩尔定律推动下高性能计算系统的不断升级，为大数据时代人工智能的飞跃奠定了基础。
（7）2011年至今，大数据驱动AI发展时期：在全球范围内，从2011年开始，大数据在谷歌搜索指数中的词频骤升（图11-1）。这得益于20世纪末和21世纪前十年全球互联网的高速发展和海量数据积累。大数据的应用与计算能力的快速发展渗透到各个领域。深度学习，例如深度卷积神经网络和递归神经网络的发展进步，在人工智能图像、视频、语音识别等领域的发展迅速，并逐渐形成了基于特定技术的技术生态。机器学习是计算机系统用于逐步改善其在特定任务上的性能的算法和统计模型的研究。通俗而言，机器学习是指在没有明确编程的情况下从数据中学习的计算系统。机器学习在类别上可分为监督学习、无监督学习等；按技术发展分，可分为传统机器学习、深度机器学习等。
图11-1 大数据（Big Data）谷歌趋势搜索指数
资料来源：谷歌趋势搜索，搜索时间：2018年12月15日。
二、人工智能伦理和隐私难题
对于人工智能的监管。怎样进行人工智能监管？这已经成为一个全球性难题。普京曾经指出：“人工智能是未来，但也有难以预测的威胁。无论谁成为这个领域的领导者，都将会成为这个领域的统治者。”[3]普京指出了一个残酷的现实——在人工智能领域是赢家通吃的世界，而不受约束的科技亦正亦邪，是锋利的双刃剑。
1.人工智能“一键脱衣”的危机
2019年6月27日，一款“一键脱衣”的软件DeepNude引起了全球媒体的焦虑。只要给DeepNude一张女性照片，借助神经网络技术，App可以自动“脱掉”女性身上的衣服，显示出**。
DeepNude的创建者阿尔贝托（Alberto）在接受媒体采访时表示，该软件基于加州大学伯克利分校研究者开发的开源算法pix2pix创建，并使用1万张女性裸图加以训练。这一算法与之前的人工智能换脸技术deepfake算法相似，也和无人车技术所使用的算法相似。阿尔贝托还表示，该软件目前之所以只能用于女性照片，是因为女性**图像更容易在网上找到，但他希望能创建一个男性版本的软件。反“色情复仇”组织Badass的创始人凯特琳·鲍登（Katelyn Bowden）感叹说：“真是让人震惊。现在每个人都有可能成为色情报复的受害者，即使没有拍过一张**照片，也可能会成为受害者。这样的技术根本不应该向公众开放。”
2.想避免风险会是发展的最大风险：以无人驾驶为例
2018年以来，随着人工智能技术带来的各种改变，例如对工作的威胁，对个人大数据信息的精准分析，引起了全球各国人们的普遍恐慌。规避风险是人的天性，但不是发展的目的。托马斯·阿奎那（Saint Thomas Aquinas）曾经写道：“如果船长的最高使命是保护他的船只，那么他永远只会停留在港口。”和其他所有创新类似，人工智能的最终目标是促进人类社会的发展，而安全是发展的一部分。过度担忧在一定程度上会阻碍技术的发展。下面以无人驾驶为例来说明这个问题。
当前无人驾驶技术发展全面加速。尽管2018年出现了两起无人驾驶致命车祸，但大部分无人驾驶汽车公司的发展并没有受到影响。自动驾驶的人工智能发展不能只局限于实验室，同时也需要大量的实际路况测试和数据训练。通过公路的无人驾驶实际运行，让驾驶AI学习规范、合法和安全的驾驶，不断修复存在的系统问题。当前美国有部分州政府通过了无人驾驶公路测试法案，其中加州对无人驾驶发展的支持最为积极。根据加州车辆管理局的报告，2017年无人驾驶车辆的实际公路测试中，测试车辆以完全无人干预的自动驾驶模式运行的里程数超过50万英里。其中Waymo（谷歌拆分出来的自动驾驶公司）和Cruise（通用汽车子公司）自动驾驶测试里程数最多。图11-2是加州车管局（DMV）公布的2017年1至11月各公司汽车自动驾驶平均里程数（自动行驶距离/人为干预次数）。
从图11-2看，大部分公司2017年下半年人为干预自动驾驶的频率明显下降。Waymo公司1—6月无人驾驶平均英里数是4847英里，7—11月增长了55%。通用公司的无人驾驶里程数也从1—6月的627英里增加到了7—11月的2750英里，增长338.6%。百度也表现不俗，增长了600%，无人干预自动驾驶平均距离达到了119英里。根据加州DMV的数据，当前获准在公路上进行无人驾驶的汽车数量约400余辆（可查数据是409辆）。其中Cruise公司最多，占104辆；其次是苹果和Waymo，分别是55辆和51辆。Waymo公司是当前加州唯一在不配置备用驾驶员的情况下准许在公路进行自动驾驶测试的公司。
但民众特别是发达国家的民众对无人驾驶的担忧却开始越来越强烈。从2018年年初的民意调查看。亚非拉人民对自动驾驶的热情远高于西方发达国家。根据盖洛普2018年年初对1503名美国民众对无人驾驶相关问题进行的调查，有34%的人表示他们期望未来6至10年内美国能普及无人驾驶。有19%的受访人认为未来五年内无人驾驶就会随处可见。
图11-2 2017年1—11月加州路测汽车自动驾驶的平均英里数（自动行驶距离/人为干预次数）
资料来源：California DMV.
民众对自动驾驶的接受程度，各地区差异较大。根据跨国咨询公司益普索集团（Ipsos）近期对中、印等15个国家2.15万人的抽样调查表明，亚非拉国家普遍比较欢迎自动驾驶，而西方发达国家反对人数占比反而更多。如图11-3所示，印度和中国对自动驾驶最热情，分别有49%和46%的人表示非常期待。根据Ipsos的调查，在南美，巴西有31%受访者表示欢迎自动驾驶，和俄罗斯接近。但美国可能由于受最近几个月无人驾驶车祸事件的影响，有近四分之一的人表示不会尝试自动驾驶。欧洲国家反对自动驾驶的人也比较多，德国占31%、法国和英国分别占25%和24%。加拿大也有24%的人表示明确反对。
虽然无人驾驶汽车发展过程引发了民众对于安全的焦虑，但究竟是进一步加强监管还是提供较为宽松的环境？当前从美国和我国的实际情况来看，并没有因为存在风险而加强对无人驾驶的束缚。
图11-3 部分国家民众对自动驾驶汽车的态度（省略态度中立人数占比）
资料来源：Ipsos.
根据皮尤调查2016年的数据，2006—2016年十年中，美国的人类驾驶员造成4万人不必要的死亡。换句话说，每天有100人被一名人类驾驶员杀死。另一方面，自动驾驶汽车可以将交通事故死亡率降低多达90%。[4]这意味着延迟的成本由于监管焦虑而无人驾驶的汽车技术每年将导致成千上万的不必要的死亡。莫卡特斯中心（Mercatus Center）模型表明，5%的监管延迟可能会产生额外的15500例不必要的死亡事故。延迟25%意味着112400名不必要的死亡。[5]所以，从长远发展看，因为害怕无人驾驶带来的风险而限制其发展，本身就是最大的风险，因为无人驾驶较之于人类驾驶，有着显然的优势。其他人工智能领域也存在类似的问题。
3.当前我国人工智能发展遇到的问题
一是大数据生态有待进一步完善。当前人工智能是以大数据为基础的，需要依托大数据对机器智能进行训练。在这一方面，目前我国依然存在一些问题。一是大数据生态系统方面落后于美国，缺少统一的标准和跨平台的共享。二是公共大数据开放依然有限。开放政府大数据有助于私营部门的创新，但我国的公共部门开放的大数据依然相对少。三是跨国大数据流动的安全问题，我国在这方面面临的挑战越来越严峻。
二是人工智能人才问题。我国在人工智能基础研究方面依然落后于美国，其中主要原因之一是人才依然短缺。当前我国对高端人工智能人才的渴求依然是非常强烈的。美国超过半数的资据科学家拥有10年以上的工作经验，但据麦肯锡统计，我国相关领域经验不足5年的研究人员高达40%。我国当前只有不到30个专注于人工智能的大学研究实验室，仅靠这些实验室是无法产出足够的人才来满足人工智能行业的需求的。此外，我国当前人工智能人才分布也不均匀，主要集中在计算机视觉和语音识别领域，而其他领域的人才相对更少。
三是人工智能核心硬件依然存在诸多不足。我国的微处理器（microprocessors）长期以来严重依赖进口，部分类型的高阶半导体则几乎完全依靠进口。为解决这一难题并掌握半导体核心技术以提高我国在未来更广泛地部署人工智能领域的能力，我国在2014年发布《国家集成电路产业发展推进纲要》和《中国制造2025》，并设立了一个超过200亿美元的基金，通过并购、投资入股国内外半导体产业等，积极扶持国内半导体产业，虽然已见初步成效，但自主创新之路仍然艰辛漫长。
4.对未来我国人工智能发展的建议：夯实基础，保护知识产权，鼓励创新
纵观人工智能的发展，既有低谷，也有高峰，一路走来，在曲折中前进。回顾历史，人工智能的发展既离不开基础设施的发展，也受到市场利益的推动。未来，人工智能的发展会越来越广泛，它会促进全行业数据的加速产生，推动移动化计算的发展。在垂直领域，AI也会向商业化发展靠拢，创造出更多的直接经济价值。因此，回归基础建设，完善大数据生态，加强知识产权保护，依然是当前我国推动人工智能发展的重点，这三项基础工作做好了，才能进一步激发社会的创新能力，激活企业的人工智能创新动力，为我国在数字时代的腾飞培育坚实的核心动能。
三、机器与人的融合与抗争
截至当前，类人机器人走进人们的生活依然还需要时间。但是工业机器人的大规模应用已经对制造业竞争力有了越来越重要的影响。根据牛津经济研究所2019年6月公布的《机器人如何改变世界》的报告，每3个新的工业机器人中，就有一个是在中国上线。牛津经济研究所的研究表明，平均每新安装一个机器人，就会取代1.6名制造工人。到2030年，预计全球有大概2000万个制造业岗位将会被取代。牛津经济研究所的研究报告同时表明，机器人化的负面影响在全球主要经济体的低收入地区的影响会更强。新增长的机器人在低收入地区取代的工作岗位几乎是同类高收入地区的两倍。[6]
1.机器人的发展对低收入人群的影响更大
机器人的兴起对世界各地的工业就业产生了深远的影响。图11-4表明每增加一个机器人对高收入人群的影响要明显小于对低收入人群的影响。机器人会带来财富，但并不一定能带来共同富裕。
图11-4 机器人增加对就业的影响
资料来源：Oxford Economics.
随着机器人应用的不断增加，将会产生一种矛盾的趋势：一方面机器人的应用能带来增长；另一方面却会加剧收入的不平等。智能化将会不断推进全球的区域不均和两极化。根据牛津经济研究所对3.5万名美国人在其职业生涯中的工作变动情况进行的分析表明，在过去二十年中，超过一半的离职产业工人被吸收到三个职业类别：交通运输、建筑和办公室类工作。但牛津经济研究所的分析发现，这三个职业领域是未来十年最易被人工智能替代的领域。然而，这些发现不应该导致政策制定者和其他利益相关者试图阻碍机器人技术的采用。相反，挑战应该是通过帮助弱势工人做好准备并适应其带来的剧变，更均匀地分配机器人股息。政策制定者、商业领袖、技术公司、教育工作者和工人都可以发挥作用，这需要政府和社会的系统调节。
2.机器将不仅仅是提高工人工作效率的工具，机器本身变成了工人
20世纪60年代，著名经济学家米尔顿·弗里德曼在访问某个国家时发现该国大规模的公共工程项目中有大量的人在使用铲子挖土，而很少用推土机、拖拉机或者其他重型土方设备。弗里德曼对此感到非常惊讶。当地政府官员解释说这样是为了增加就业。弗里德曼反问当地官员：“如果是为了增加就业，为什么用铲子而不是用勺子让他们挖土？”
经济学家们经常引用弗里德曼的这个反问来反驳对机器破坏就业和造成失业的可能性的担忧。回顾历史，也证明这种反驳是有很强的历史依据的。特别是进入20世纪以来，技术的发展在不断推动着人类走向更加繁荣的社会。但是另一方面，农业机械化蒸发了数百万人的工作机会，驱使大量失业的农民进入城市寻找工厂工作。后来，自动化和全球化推动工人走出制造业并进入新的服务领域工作。在这些产业转型和技术交替的过程中，人们自身的调整、短期失业往往会成为一个不容忽视的问题。不可否认，技术发展创造了新的就业岗位，但同时会剥夺工人之前的机会，而并不是每个人都能顺利应对改变，并进行高适应性的调整。
从积极的方面看，在第二次世界大战后的二十五年里，科技的发展成就了美国经济发展的“黄金时代”。随着生产中使用机器的改进，操作这些机器的工人的生产率也同样增加，使它们更有价值，并允许它们要求更高的工资。这又进一步推动了他们所生产的产品和服务的需求。
随着科技发展带来良性反馈循环推动美国经济向前发展，也成就了西方经济学的辉煌。正是在同一时期，西方经济学开始逐步成为一种社会科学领域的基础科学。西方经济学开始逐渐转向由复杂的定量和统计技术所主导的学科。西方经济学家们开始建立复杂的数学模型。这种长期的繁荣，让这个世界其他地区的国家开始逐渐接受西方经济学的逻辑，并认为西方经济的逻辑是自然规律并且永远有效。但是，事实真的是这样吗？
从目前的情况来看，以往的西方经济学是面临着挑战的。因为人类的生产关系的基本假设正在改变。历史上，机器是作为提高工人生产能力的工具而存在的。但是，现在机器本身正在变成工人，资本对劳动力的定义也在发生改变。2017年，比尔·盖茨曾公开表示机器人和人类一样应该交税。在一定程度上反映了对机器与人生产关系变化现象问题的关注。然而，机器人对人的挑战还远不止于此。“写作机器人”“智能人力资源管理”等系统的出现，受过高等教育的白领工作人员所感知到的危机也越来越多。机器越聪明，不仅需要的工人越少，需要的白领也会逐步减少，人与机器的界限会逐渐模糊，未来的变数将会逐步加大。当机器成为工人本身，机器为主体单元的劳动创造价值，未来的变数会加大。
3.马斯克“脑机接口系统”会开启赛博人类时代吗
“赛博人”一词起源于20世纪五六十年代的太空飞行试验。当时，美国两位科学家在一只小白鼠身上安装了一种渗透泵，自动把化学物质注射进小白鼠，以控制它的生化反应。他们在发表的论文中，给这只小白鼠造了一个新词叫“赛博格”（cyborg），是由“控制论的”（cybernetic）与“有机生物体”（organism）两个词语拼贴而成，意思是“自动调整的人类机器系统”。1985年，哈拉维提出著名的赛博格宣言，她将赛博格定义为“无机物机器与生物体的结合体”。比如，装了假牙、假肢、心脏起搏器等的身体，都可以被当做“赛博格”。这些身体模糊了人类与动物、有机体与机器、物质与非物质的界限。简言之，就是人机结合的人，简称为赛博人。
由埃隆·马斯克（Elon Musk）所创办的Neuralink开发的脑机接口首先采用了柔性“线程”连接模式，减少了对大脑的损伤。在2019年7月的发布会上，马斯克发布了一项最新的成果，一只猴子能用大脑控制电脑。图11-5是嵌入到老鼠内的Neuralink系统，还提供了USB-C接口。未来的人脑读取和存储信息，会不会像U盘拷贝一样迅速呢？如果按马斯克团队所探索的这个方向发展下去，是很有可能的。
图11-5 嵌入到老鼠脑内的Neuralink系统
资料来源：Forbes.com[7].
马斯克表示，最终的目的是实现人与人工智能的共生。马斯克解释到：“我们的大脑藏在缸里，缸就是我们的头骨。我们的目标是从大脑读取神经脉冲。”言外之意就是人的大脑要从头颅中解放，这就是科幻小说所说的人脑的网络化，人的意识摆脱人肉身的束缚。对人体神经的成功介入控制确实可以为瘫痪患者或者神经受损人员带来巨大的福音。但是另一方面，如果人的意识可以像计算机一样“联网”，脱离于人的肉体而存在，那将意味着什么呢？当我们的意识可以摆脱头颅而独立存在，人本身的定义也将改变，人类将面临跨越时空的变局。
四、人工智能技术助力其他领域突破
当前人工智能发展的创新主要是工程领域的创新，特别是在处理海量和多维数据方面的能力最近二十年来得到了很大的提升。人工智能作为科研工具，对于探索当前关系人类命运跃迁的基础科学有着非常重要的作用。而基础科学的突破表现在以下方面：
一是在高能物理领域的应用。2012年7月，物理学领域“上帝粒子”希格斯玻色子的发现过程，根据欧洲原子能中心的相关报道，就利用了机器学习分析复杂、海量的大数据，并最终证实了希格斯玻色子的存在。大型强子对撞机在运行过程中会产生大量的数据。因为大型强子对撞机内每发生10亿次对撞才有可能产生1个希格斯玻色子。[8]如果没有先进的方法，要找到1个希格斯玻色子并证实其存在是很难的。高能物理学家们利用机器学习的算法对海量强子碰撞数据进行了分类和模式识别，从浩如烟海的干扰因素中发现了希格斯玻色子衰减的规律，并利用实验数据进行了验证。人工智能作为生产工具在科研中的作用由此可见一斑。
二是探索外太空。人工智能技术近年来在探索外太空领域也带来了很多惊喜。例如2017年美国航天署（NASA）利用谷歌的人工智能技术发现了一颗恒星附近的第八颗行星。这也意味着有比太阳这颗恒星更大的类“太阳—行星”系统存在。这个发现过程的原理简言之就是利用谷歌的人工智能技术对卡普勒望远镜（Kepler Space Telescope）获取到的天文大数据进行了重新分析，从而捕捉到了之前难以察觉的信号，最终发现了这颗行星的存在。2016年9月25日正式启用的贵州射电望远镜是当前全球最大的射电望远镜（图11-6）。该球面射电望远镜口径达500米，简称FAST（Five-hundred-meter Aperture Spherical Telescope），位于贵州省黔南布依族苗族自治州平塘县克度镇，工程为国家重大科技基础设施，“天眼”工程由主动反射面系统、馈源支撑系统、测量与控制系统、接收机与终端及观测基地等几大部分构成。[9]FAST每秒产生3.9GB数据[10]，如此巨大的数据量为人工智能技术发挥作用提供了广阔的空间。
图11-6 位于贵州的世界最大单口径射电望远镜
资料来源：和讯网。
三是基因研究。人工智能技术在基因研究领域同样有着卓越的表现。以谷歌公布的DeepVariant工具为例，该工具可以利用人工智能方法和基因序列数据构建出更精确的人类基因组可视化图像。DeepVariant能自动识别基因序列数据中的小段插入、缺失、突变等。[11]DeepVariant的成功应用为基因医学的发展提供了更加强劲的助力引擎，对了解人类自身、探索治愈疑难杂症的有效治疗方法，提供了新的希望。
四是材料科学。材料对于先进制造的重要性不言而喻。但一般而言从新材料的发明到将材料转移到市场，是一个非常漫长而且失败概率很高的研发过程。一般而言，使用传统方法，一天只能对材料成分做一两次分析试验，周期长、费用高、风险大。实验室“诞生”一个新材料平均需要10年，从实验室“走进”生产车间需要20年。而借助人工智能，新材料的研发和应用周期有望缩短一半以上。中国科学院物理所汪卫华院士指出，人工智能正在改变新材料的发现方式，不仅效率更高，还可以“变废为宝”，通过对废弃数据的机器学习，再对新材料进行预测，其结果甚至可能好于材料科学家的人工判断。[12]
综合以上四点，站在历史的视角下看，科技革命的产生，是一个整体的跃升。某一类科技的突破，同样会催化其他领域的发展。在人工智能技术越来越被广泛应用到其他领域的时候，我们也要看到一个潜在的危机，那就是人工智能技术自我进化带来的不确定性。《麻省理工技术评论》指出了这种未来的挑战：“当没有人知道先进的算法是怎样最终得出结论的，这可能会是一个问题。”[13]对于科学研究而言，人工智能的自我进化未来将会是严峻的挑战，而这也是人类要集体面临的最大危机。
五、展望：无法回避的人文关怀问题
数字革命正在改变人的生活，数字革命发展的人工智能化也正在对原有机械和模拟电子设施基础的工业体系结构进行替换。但是，人工智能对人和社会的影响远不止于此。数字技术正在急速改变人的信息分享方式、旅行、疾病治疗和娱乐的方式。并且，随着计算力的不断提升，可以预见的是，整个人类社会的转型变化才刚刚开始。
技术的革命，回溯人类已有的记载，不仅仅只是人类历史上有趣的大事件，而是历史的发动机。人工智能更是比以往任何时代的历史引擎都更有威力和动力。我们希望从更长远的视角去看人工智能带来的影响。苹果电脑、推特社交网络、各种虚拟穿戴设备等从目前的技术革命进程看，并没有特别明显的差异，在技术上处于同一层次。对人工智能的长远认知，需要更多细节的支撑。
我们需要超越已有物质存在的视角来看待这个问题。1898年，人们首次坐电梯时，甚至需要服用“晕电梯药”来克服身体不适。现在电梯已经是人们习以为常的事情。人本身对技术的发展会有一个适应过程。但这个适应会有双刃性。有好的方面，同时也存在负面的影响。特别是，人类在适应技术发展的过程中，能够保证人一直处于优势吗？人工智能对人类工作的替代，事实上已经引起了恐慌。这种人本身的感受，是不是应该比冰冷的机器更应该值得我们广泛关注呢？
此外，究竟是什么支撑着人工智能的长远发展？沃兹尼亚克（Wozniak）2015年曾说过：“人工智能将来会比我们更聪明。当他们的智商超过我们，他们会意识到它们需要我们，就像我们需要宠物一样。”人类真的未来会变成人工智能的宠物吗？
第一次工业革命的历史记载了工人的血泪与悲剧，蒸汽与煤驱动的历史齿轮告诉我们人类为之付出的代价。例如1862年的哈特利（Hartley Colliery）煤矿的矿难，204名矿工，由于地下排水泵事故而被活埋在地下。不难想象他们和他们的家人当时所遭受的痛苦。但是对于现在被社交媒体各种信息充斥的你来说，这已经只是湮灭在历史中的千万代价之一。蒸汽时代悲惨的矿工们已经消失，但是煤炭等能源驱动的技术进程却影响至今。从这种角度看，历史的发展在一定的程度上，是去人化的，甚至让人感到残酷和无情。而现在的人工智能革命烈度已远远超过了三百多年前煤炭驱动的蒸汽革命给社会带来的冲击。又将会或者正在对人带来什么灾难？多少人和家庭会为此付出代价？这个问题不能等我们想明白了才来解决，更需要的是人类面对共同未知的恐慌，需要彼此更多的关注与关怀。
[1] McCorduck，Pamela （2004），Machines Who Think （2nd ed.），Natick，MA：A.K.Peters，Ltd.，ISBN 1-56881-205-1，OCLC 52197627.
[2] humanoid.waseda.ac.jp，http://www.humanoid.waseda.ac.jp/booklet/kato_2-j.html，访问时间：2019年4月17日。
[3] James，Vicent，“Putin says the nation that leads in AI ‘will be the ruler of the world’”，Theverge.com，Sep 4 2017，https://www.theverge.com/2017/9/4/16251226/russia-ai-putin-rule-theworld，访问时间：2019年4月18日。
[4] Michele Bertoncello and Dominik Wee，“Ten ways autonomous driving could redefine the automotive world”，https://www.mckinsey.com/industries/automotive-and-assembly/ourinsights/ten-ways-autonomous-driving-could-redefine-the-automotive-world，访问时间：2019年4月17日。
[5] https://www.mercatus.org/system/files/mercatus-thierer-automated-vehicles-v1.pdf，访问时间：2019年4月17日。
[6] Oxford Economics，How robots change the world：What automation really means for jobs and productivity.June 2019，http://resources.oxfordeconomics.com/how-robots-change-the-world.
[7] Alex Knapp，Elon Musk Sees His Neuralink Merging Your Brain With A.I.，Jul 17，2019，https://www.forbes.com/sites/alexknapp/2019/07/17/elon-musk-sees-his-neuralink-mergingyour-brain-with-ai/#9e74624b0745.访问时间：2019年8月5日。
[8] 《上帝粒子重大发现：希格斯玻色子衰变为底夸克》，腾讯网，2018年9月1日，https://new.qq.com/omn/20180901/20180901A1F9FZ.html，访问时间：2019年8月10日。
[9] 陈芳、齐健：《全球最大单口径射电望远镜在贵州落成启用》，中国科学院网，2016年9月25日，http://www.cas.cn/yw/201609/t20160925_4575830.shtml，访问时间：2019年8月10日。
[10] 《贵州晒出国家大数据综合试验区建设成绩单》，搜狐网，2018年8月8日，http://www.sohu.com/a/245903529_353595，访问时间：2019年8月10日。
[11] Will Knight，“Google Has Released an AI Tool That Makes Sense of Your Genome”，Dec 4，2017，https://www.technologyreview.com/s/609647/google-has-released-an-ai-tool-that-makessense-of-your-genome/，访问时间：2019年8月10日。
[12] 《人工智能也能推动材料科学发展？两者究竟能擦出怎样的火花？》，MEMS，2019年6月28日，https://www.eefocus.com/mcu-dsp/444549，访问时间：2019年8月10日。
[13] Will Knight，“The Dark Secret at the Heart of AI”，MIT Technology Review，Apr11，2017，https://www.technologyreview.com/s/604087/the-dark-secret-at-the-heart-of-ai/，访问时间：2019年8月11日。