引言：用创新应对智能时代的到来

2016年，由谷歌旗下DeepMind公司开发的智能围棋机器人AlphaGo打败了世界顶级围棋九段棋手李世石，由此，棋力强大的“阿尔法狗”横空出世。第二年，AlphaGo又以3:0的战绩打败了当时世界排名第一的中国棋手柯洁。至此，人工智能在围棋领域全面超越人类已经成为一个不争的事实。

这并不是智能游戏机器人第一次战胜人类了，自1956年人工智能（Artificial Intelligence，简称AI）这一概念被提出至今，人工智能的发展已经走过了60多个年头。早在1997年，IBM公司的超级计算机深蓝就已经在国际象棋领域战胜了人类顶尖棋手，但围棋领域仍一直是人类的天下。此次AlphaGo战胜两位人类顶级棋手的意义在于：大众在这一刻终于意识到一个时代的到来，一个智能时代的到来。

然而这一革命性的突破并没有带来全民性的兴奋和激动，反而造成了一些人的不安甚至恐慌。为什么人工智能的强大会让人们感到恐惧呢？笔者曾和很多非计算机专业的人聊过这个话题，交流之后发现大家担心的并不是智能机器会战胜人，而是担心智能机器最终会控制人。这种情形在很多科幻电影里都出现过。例如，在电影《黑客帝国》（图0-1）中，人类受智能机器大脑控制，被放在营养液里，每个人的生活不过是超级智能大脑编造的梦境，人类沦为了智能机器的奴隶。

在一些科幻电影中，人类被智能机器人统治，并最终被消灭。有人担心这样的场景会真的出现，而AlphaGo战胜人类棋手似乎证实了下面的猜想：机器脑会战胜人脑，而且机器脑的智慧一定会超过人脑。害怕被智能机器控制，害怕被消灭，这是对人工智能感到焦虑和恐惧的最大原因。因此我们不妨从计算机科学和心理学的角度来探讨以下3个问题：第一，AlphaGo为什么胜利？第二，智能机器脑能否取代人脑？第三，机器脑和人脑的区别意味着什么？

首先来看第一个问题：AlphaGo为什么胜利？

上文讲到在1997年深蓝就战胜了国际象棋世界冠军，但是直到2016年人工智能才战胜了人类的围棋冠军，为什么两者之间相隔多年？因为AlphaGo战胜围棋冠军的难度更大，在计算机领域，围棋问题比象棋问题要难得多。首先，象棋的规则比较简单，相对来说局面也比较少。国际象棋可能出现的局面数大概是10⁴⁷种，相对的解也就比较少，这对计算机而言是个可计算问题。从算法上讲，可以用穷举法算出所有的可能性来解决国际象棋的问题；从计算复杂度来讲，国际象棋问题是当时的超级计算机深蓝可以解决的。

相比之下，围棋的局面要多得多。围棋棋盘是由19×19的交叉点构成的（图0-2），一共有361个节点。每一次落子，棋手可以选择其中任意一个节点。而每一个节点又有3种不同的落子方式，分别是落黑子、落白子和不落子。一盘围棋可能出现的局面数大概是3³⁶¹种，也就是10¹⁷⁰种可能。宇宙中的原子数量总共才10⁸⁰，围棋的解法比宇宙中的原子数还要多无数倍。从计算机科学的角度，我们可以认为围棋问题是解空间趋近于无限的不可解问题。因此，用算法解决围棋问题不能采用深蓝用的穷举方式。

围棋问题比象棋问题困难很多，它们在算法上还是计算复杂度上都不是一个等级，这也是一直以来计算机无法解决围棋问题的原因。也正是如此，围棋领域本是人类棋手的天下，也不难理解此次AlphaGo击败人类棋手的胜利为何会引起如此大的轰动了。

那么AlphaGo是如何战胜人类棋手的呢？AlphaGo获胜依靠了3个重要“法宝”：第一是算力，也就是超强的计算能力；第二是算法，也就是机器学习中的算法，主要是深度神经网络和增强学习；第三是大数据。

强大的计算能力是AlphaGo获胜的第一大法宝。AlphaGo的“大脑”由120块强大的CPU（Central Processing Unit，中央处理器）和170块GPU（Graphics Processing Unit，图形处理器）组成，它的算力比当年的深蓝要强得多：深蓝的运算能力是每秒计算113.81亿次，而单机版的AlphaGo计算能力就已经达到了深蓝的1000倍以上，网络版AlphaGo的计算能力更是深蓝的25万倍。此外值得一提的是，AlphaGo的运算设备里运用了大量的GPU，GPU是非常擅长并行计算的处理器，能够高度适配并支持机器学习算法，这是计算机的运算能力对算法的支持。

AlphaGo获胜的第二大法宝是算法。上文提到，在计算机的世界里，围棋问题是一个不能用穷举来解决的问题。而AlphaGo的核心算法就是通过机器学习尽可能地压缩解空间，并尝试取得局部最优解。AlphaGo使用了两个深度学习网络：一个叫策略网络，可以根据局面给出走棋策略，还可以计算落子点的获胜概率，通过对概率的比较得到最佳落子点；另一个叫价值网络，用于做增强学习，通过它可以训练出越来越强的走棋策略，是一种策略升级网络。另外，AlphaGo运用蒙特卡洛树算法来计算可能的落子区域，这种方法也能压缩解空间，减少运算次数。

AlphaGo利用机器学习方法，通过对深度神经网络进行样本训练得到一套应对策略，并以此来进行对弈。当实时对弈时，AlphaGo会通过算法来计算当前局面，并对当前局面做出一份获胜概率评估，之后计算出获胜概率最大的落子点。也就是说AlphaGo的每一次落子从理论上说都是最优的策略，也是最接近胜利的策略。

AlphaGo获胜的秘诀是监督学习与增强学习的配合。打个通俗的比方，大家都看过金庸先生的《倚天屠龙记》，书中的主人公张无忌是怎样从一无所知的“菜鸟”变成武林绝顶高手的？张无忌习武是从拜师学艺开始的，起初他什么都不懂，就从基本的武功招式开始学起。AlphaGo最开始的学习叫监督学习，和这个过程很相似。张无忌从学习拳谱开始，AlphaGo则从已知的16万盘人类棋谱开始，训练策略网络。通过训练，AlphaGo已经获得了相当不错的应对策略，算是小有所成。

第二个步骤是增强学习。AlphaGo通过3000万盘棋的自我对弈来增强自己的能力，得到更优秀的应对策略，这个过程就像张无忌在学会了基本招式后做了3000万次的双手互搏练习，使他的能力获得了很大提升。AlphaGo通过增强学习，每一次训练后都能进化出比之前更好的获胜策略。这时的AlphaGo已经是超越绝大部分人类棋手的顶尖棋手了。

AlphaGo最后的实时对弈过程，就像是张无忌与敌人的对决过程。AlphaGo是用已经练好的招数来击败对手的，利用训练好的策略网络，结合蒙特卡洛树进行实时预测和胜率判断，给出最佳落子策略，最终击败对手。

通过深度学习，AlphaGo的开发团队用算法极大地压缩解空间，让围棋问题变成了计算机可以解决的问题。AlphaGo的设计者们成功地把围棋问题变成了一系列数学问题，例如概率问题、预测问题和路径选择问题。计算机是最擅长做数学计算的，这就使计算机在围棋领域战胜人类成为可能。本书之后的章节会讨论计算思维，大家将了解怎样通过抽象和建模让计算机帮助人类解决实际问题。

通过以上内容我们可以发现，算法才是AlphaGo能够战胜人类棋手的关键，从压缩解空间的角度来说，神经网络更是其中最关键的部分。神经网络是一种能够得到近似解的算法，它并不需要计算出问题的精确解，这种方法能够极大地压缩解空间，帮助AlphaGo减少计算次数。策略网络和价值网络通过卷积神经网络来排除概率较小的区域，AlphaGo只需要找到获胜概率比较大的地方落子就可以了。可以说，AlphaGo的胜利是算法的胜利，是数学的胜利。

AlphaGo获胜的第三个法宝是大数据。AlphaGo是从学习人类的16万盘棋谱开始的，正是16万盘已知的人类棋谱成就了AlphaGo的“最强大脑”。没有这些数据，AlphaGo的监督学习和增强学习根本无从谈起，更不能训练出能够战胜人类顶尖围棋棋手的棋力。AlphaGo战胜人类的三大法宝——计算能力、算法和大数据也是智能技术的关键，我们会在之后的章节中逐渐深入讲解。

既然以AlphaGo为代表的智能机器已经发展到了如此强大的程度，那么在未来智能机器会不会取代人脑呢？要想解答这一问题，首先要搞清楚以AlphaGo为代表的智能机器脑和人脑的区别。不妨先来看看这一领域内的专业人士是如何看待这个问题的。浙江大学神经管理学的汪磊教授认为：智能机器棋手和人类棋手最大的差别在于它不具备情感，也没有情绪波动。棋手柯洁也在赛后的采访中谈到：“我还是更喜欢和人下棋，你感受不到智能机器对围棋的热爱，它只是一种算法而已。”他们都说到了情绪，一种只有动物才具备的东西。那么，除了情绪外，人脑和智能机器脑在结构上有差别吗？

首先来看图0-3所示的两幅“智能机器脑”工作方式的示意图，我们称之为冯氏机[1]。它的计算核心是CPU，而CPU最基本的构成单位是加法器，是一种具有判断和计算能力的逻辑门电路。智能机器脑的计算实际上是电信号的变化，如果在输入端输入不同的0和1的组合，输出端就会得到相应的结果。从这个意义上说，计算机只能做最简单的事，就是信号的翻转：从“0”翻转成“1”，或反过来把“1”变成“0”。而且每一次的结果都是可重复、可预测的。

而人脑的基本构成是神经元（图0-4），人的思考需要经过一系列非常复杂的生化反应，这一过程靠的是神经系统化学递质的传递，充满了不确定性。因此到目前为止，即使是全世界最顶级的脑科学家也不能准确描述人在思考时大脑中究竟发生了什么。由此我们可以得知，智能机器脑和人脑的构造和工作方式是完全不同的。构造的不同造成了人脑和智能机器脑在3个方面的差异：第一，驱动方式；第二，决策系统；第三，自我概念。

第一，驱动方式的差异。上文谈到，人脑的活动是由一系列生化反应驱动的，这种生化反应来自神经系统，它会让人的情绪产生变化。而人的本能欲求操纵着这一切，人的一切行为本质上都是被生存的欲望所驱动的。我们说的每一句话，做的每一件事，肢体的每一个动作，大脑的每一个念头，全都是欲望驱动的结果。比如，人类会有害羞、自卑的情绪，有爱和被爱的感觉，这一切都源自生存的欲望。这些欲望是人类上百万年进化的结果，它们的存在是为了让人类更好地生存和繁衍下去。

欲望会驱使人产生情绪并导向某种行为，这些行为的结果则会让人产生相应的身体感受或积累某些生活经验，这些身体感受和经验反过来又会强化或减弱欲望，因此人类的情绪和行为都具有强烈的不确定性和随机性。比如，一名学生原本计划晚上要去教室复习功课，但却因为和女朋友吵了一架，心情很沮丧，于是放弃了去复习的计划，决定自己看电影调节心情。

智能机器和人类完全不同。智能机器是由硬件电路组成的，它完全由人事先设计好的程序驱动。智能机器的每个动作都是加法器的一次准确执行，它不会因为今天心情不好就计算出一个截然不同的结果。事实上，智能机器根本就没有所谓的“情绪”，它的执行结果都是确定的。

第二，决策系统不同。人脑的决策系统是一种直觉系统，其决策方式同样是非常情绪化的，而且具有很大的不确定性。人们基本上都有过这样的体验：当我们准备做出一个选择时，却莫名感到有些不对劲，于是改变了自己的选择，但我们自己却不知道是什么原因，这实际上就是直觉系统在工作。同样的道理，老练的股票交易员有时也会依靠直觉卖出或买进股票，尤其是当数据已经无法支持他做出判断的时候。而且这些依靠直觉系统做出的决策往往最终被证明是正确的。

智能机器脑则是由指令系统控制的，这些指令已经被事先设计好并且无法更改，它的结果是完全可以预见的。比如，AlphaGo对落子点的选择是通过概率计算得到的。对智能机器而言这些计算都是有具体结果的，不存在不确定性。

第三，自我概念建立的区别。人是一种具有自我概念的动物，人们很早就通过心理学实验证明了这一点。实验是这样的：研究者在婴儿额头上点一个红点，让他对着镜子去摸这个点，婴儿不会摸镜子里的红点，而是去摸自己额头上的红点。这说明人类在成长的早期就已经有“我”的概念，这个“我”就是自我意识，有时我们也称之为“灵魂”。而这一点显然是智能机器所不具备的。

有了自我意识后，人就会思考自身价值的问题。比如，我们会问自己：我是谁？我为什么活着？我该怎么活着？这些所谓的“灵魂拷问”会困扰我们人类，并直接影响我们的决策。如果一个人找不到自己活着的意义，就可能会崩溃。但是智能机器不会这样，它没有自我意识，也从不关心意义和价值的问题，它只是接受指令并执行，你让它做什么它就做什么，你给它什么样的指令，它就给你反馈什么样的结果。智能机器是不能独立思考的，这个问题我们会在以后的章节中谈到。

智能机器脑和人脑有着各个方面的区别，那么这样的差异意味着什么呢？上文谈到，人脑和智能机器脑在驱动方式、决策方式和自我意识上都是不同的。人的主要特征是欲望驱动，具有思想、情绪和行为的不确定性；而智能机器是事先设计好的硬件和指令的集合，它的计算能力比人类快很多，但没有情绪，得到的答案也是确定的。

从这个意义上讲，人脑是更适合创新的。创新一定是在不确定性中产生的，而人脑恰恰因为情绪和欲望而有了种种的不确定性，产生了随机的思想和行为。这些特质都是创新的源泉，新想法、新思考就是在这些不确定中诞生的。智能机器的世界里没有不确定，也就没有创造新事物的可能，因此在创新这一点上，智能机器永远无法取代人。另外，因为拥有自我意识，人类还会产生爱与被爱的心理需求以及对死亡的恐惧。实际上爱与被爱以及死亡焦虑都是人类创新的强大驱动力，这个话题我们会在创新能力的相关部分中详细讨论。

智能机器不会产生自我意识，它不需要爱或被爱，也没有控制任何东西的欲望，更不可能产生控制人类的欲望，它只是人类创新思维的执行者。智能机器不害怕死亡，也就失去了创造的可能。我们可以把以AlphaGo为代表的智能机器看成人类解决具体问题的超级工具，从这个意义上讲，它和榔头、扳手等工具没有本质区别。我们不会担心一把榔头想要统治世界。到这里相信大家都很清楚，现在以图灵机为主的智能机器是不可能取代人的，它们也没有控制人的欲望。

通过从构造、驱动力、自我意识方面深入比较机器脑和人脑的区别，我们可以得到一个大胆的结论：人和机器本质的区别在于人可以创新，机器脑不可能取代人脑，机器不会取代人，更不会统治人。

当然，在智能时代，确实有部分工作正在被机器和算法取代。那么，在智能时代，什么样的工作容易被机器取代？我们应该如何应对正发生的挑战呢？

首先来看看容易被智能机器取代的工作都有什么特点：卡车司机可能很快就会被无人卡车取代；无人超市会淘汰售货员和收银员；智能制造业会淘汰流水线上的工人；美国股市日常80%以上的交易是计算机完成的，股票交易员的人数会大大降低。智能机器之所以能够代替人进行股票交易（图0-5），是因为在股票交易行业有大量完备的数据，并且这些数据积累到了一个临界点，利用机器学习算法就可以实现对一般交易的买卖操作。

这些工作具有以下共同特点：第一，机械重复性高，工作技能可以通过简单的训练获取，比如驾驶技术和客服问答，也就是说工作本身对创新的要求不高；第二，情感参与度不强，这些工作大都是知识性工作，无须或是很少需要情感参与，比如股票交易员的工作；第三，相关行业有大量历史数据，可以通过智能算法训练出智能化的机器人，比如银行业和医疗业。当一份工作具备以上某个特点或同时具备多个特点时，这样的工作就容易被智能机器替代。

各位读者认为影像诊疗医生（图0-6）的工作容易被机器替代吗？乍一看这是一个相当高端的职业，需要经过多年的学习和大量的经验积累才能胜任。但从本质上讲，影像诊疗也属于知识技能型工作，有大量医疗数据可以使用，能通过大量训练得到经验，而且诊断过程不需要情感的参与，这也就意味着病情诊断能够用机器学习的方式来进行。因此，影像诊疗是很可能被机器代替的。现在IBM公司研发的肿瘤诊断系统沃森（Watson）[2]对肿瘤的诊断准确度已经接近甚至超过了人类。

再来看什么样的工作不容易被机器取代。首先是高创新性的工作，这些工作对原创性有着极高的要求，比如作家、画家、建筑设计师、算法设计师等，这些高创新性的工作难以被智能机器代替。有人可能会反驳，现在智能机器也有创新能力，也可以进行创作，比如通过人工智能技术开发出的机器诗人就可以写诗。在这里我们不妨来欣赏一首诗：那繁星闪烁的几天苍色/那满心的红日/看万里天使在世界/我就像梦/看那星/闪烁的几颗星/西山上的太阳/青蛙儿正在远远的浅水/她嫁了人间许多的颜色。这是微软开发的机器诗人小冰的诗歌作品之一——《她嫁了人间许多的颜色》（收于图0-7所示作品集中）。如果不提前告知大家，其实很难分清这是人的作品还是机器的作品，但这能说明智能机器真的具备了创新能力吗？

要想明白机器写诗的性质，首先要清楚人是怎么创作诗歌的。中国当代著名女诗人余秀华本人是一位脑瘫患者，当人们问她是如何创作出感人的诗歌时，她回答说：是我残疾的身体给了我灵感。人类写诗本身就是一种情绪表达，是生活经历和心路历程让人们产生了创作的欲望。正是诗人独特的经历让他们能够创作出独一无二的诗。而机器因为没有自我意识，根本没有作诗的欲望和冲动。所谓的机器写诗不过是通过人类设计的算法自动生成“诗歌”。换句话说，这些所谓的诗不过是模仿和拼凑的结果，根本没有“灵魂”，只不过拼凑的方法比较高明罢了。因此机器不可能在创新领域替代人。

第二类不可替代的工作是高情感参与的工作，比如心理咨询师、医生等。上文提到影像诊疗工作可以被智能机器替代，但医生的工作不仅仅是诊疗，还需要面对病人、安抚病人情绪，有时候还需要根据直觉给出治疗方案，这部分工作内容都需要大量的情感参与，是机器不能完成的。在一些科幻作品中，智能机器真的有了情感，甚至可以和人谈恋爱，但这些都是只存在于想象中的情景。事实上，情感产生的先决条件依旧是自我意识，没有自我意识就不可能产生爱与被爱的需求。人工智能中有所谓的情感计算，方法是给情绪贴上标签并建立情感模型，但为情感建立数学模型是非常困难的，人类至今仍没有较好的办法。

此外，难以被数学建模的问题也是智能机器无法解决的。某些领域的高级决策，比如战争决策、高级商业决策等，就无法由机器来完成。这些复杂的决策实际上是需要人的直觉系统和情感系统参与的，这个过程因为高度复杂、维度过多以至于无法被数学建模，智能机器面对这样的工作是无能为力的。

以上部分我们谈到了智能机器的崛起和人类大量工作有被取代的风险，那么在智能时代，人们应该如何应对发生的挑战呢？有的人认为只要选择在那些智能技术永远不能进入的领域工作，就可以规避被淘汰的风险。这样的看法存在很大误区，事实上，任何领域在将来都可能会被智能技术改造或颠覆，区别只是时间的早晚。看看我们身边日新月异的变化就能明白：交通出行可能被无人驾驶改变；金融服务可能从银行信用变为虚拟信用；医疗方式可以被智能诊疗系统改变。智能技术对行业的渗透可谓无孔不入，智能时代已经让人类生活中的绝大部分有了改变或正在改变。

因此，回避问题不是正确的思路，要解答如何应对挑战的问题，还是需要回到问题的原点：人与机器最大的区别是什么？人与机器最关键的不同在于人能够创新，而机器不能。社会的各个行业无论怎样被智能技术改变，对创新人才的需求是绝不会变的。虽然一般的股票交易会被智能机器替代，但是能做出高级决策的永远是人；虽然自动驾驶会替代司机，但是写出自动驾驶算法的永远是人。所以，唯有不断提高自己的创新能力才是应对挑战的办法。我们可以看到，对时代产生巨大影响的公司都是不断创新的公司，比如谷歌、华为、IBM（图0-8）等。在智能时代中，只有这样的公司才能更好地生存，只有拥有创新能力的人才能更好地发展。在智能时代，创新不是我们的备选项，而是必选项。

在智能时代，财富的衡量标准可能不是一个人拥有的实物财富，甚至不是货币财富，更不是用货币衡量的购买力财富，而是一个人的创新财富，比如算法能力、专利数量等。从这一意义上讲，人工智能的相关知识不应该是某些高科技专业人士独享的，而应当是所有生活在智能时代的人都可以获得的，就好比所有受过教育的人都会认字一样，在智能时代，每个人都应该能够了解甚至掌握人工智能相关的知识和技能。

要想更好地面对智能时代的挑战，需要具备一些特定的能力和知识结构。首先要注重培养自己的3种能力，分别是创新思维能力、计算思维能力和数据思维能力；此外还需要注意建立自己的复合型知识结构，也就是信息学科加上其他领域学科的交叉知识结构。在本书之后的章节中，我们将会逐步讲解如何建立这些能力和知识结构。

通过引言部分对热点议题和案例的探讨和讲解，相信各位读者一定对智能时代创新的重要性有了全新的理解。总而言之，唯有创新能应对智能时代的到来。带着自己的思考，开始本书的阅读和学习吧！

---

[1]也叫冯·诺依曼机，根据冯·诺依曼提出的原理制造的计算机被称为冯·诺依曼结构计算机，现代计算机虽然结构更加复杂，计算能力更加强大，但仍然是基于这一原理设计的。

[2]沃森是认知计算系统的杰出代表，也是一个技术平台。认知计算代表一种全新的计算模式，它包含信息分析、自然语言处理和机器学习领域的大量技术创新，能够助力决策者从大量非结构化数据中揭示非凡的洞察。