△ 是新朋友吗？记得先点笔记侠关注我哦～
宏观趋势
笔记君说：
废话不多说，直接上干货！
（本期音频由倒映有声AI主播播报）
一、预测的魅力与悖论
1.变革的世纪
首先，我们从英国作家伊恩·莫蒂默（Ian Mortimer，历史学家、作家）的一本书谈起，我把书名翻译成《变革的世纪》（Centuries of Change，国内出版名为《欧罗巴一千年：打破边界的历史》）。
这位作家在书中阐述了，人类在过往的历史长河中，每个世纪所发生的重要变革。
我们可以简单地罗列一下：
11世纪：城堡；
12世纪：法律和秩序；
13世纪：市场；
14世纪：瘟疫，横扫欧洲的黑死病；
15世纪：哥伦布；
16世纪：个人暴力的减少；
17世纪：科学革命；
18世纪：法国大革命；
19世纪：通信。
20世纪是人类历史上翻天覆地的世纪，它最重要的变革是什么？
在这个世纪中，人类爆发了两次世界大战，美国向日本广岛投下了原子弹，人类实现登月，还有发明互联网等。
但作者给出的答案出乎意料，20世纪最重要的变革是：发明未来。
现在，预测我们生活中会发生的变化，已成为常态。
比如，出门前，我们会查看当天的天气预报。炒股时，我们会关心股市大盘的走向。买卖房屋时，会关注房价的涨跌趋势。
伊恩·莫蒂默认为，人类到20世纪才真正开始思考未来。换言之，到这个世纪，我们才第一次讲述关于未来的事情，远远超过讲述已经发生的事情。
为此，人类中出现一个崭新的群体，我们称之为“未来学家”。
2.未来学家
这样的未来学家，我深度接触过的就有两位。
第一位，尼古拉·尼葛洛庞帝（NicholasNegroponte，美国计算机科学家）。我翻译过他的著作《数字化生存》（Being Digital）。
第二位，戴维·温伯格（David Weinberger，哈佛大学伯克曼互联网与社会中心资深研究员）。我也有幸翻译了他的书籍《知识的边界》（Too Big to Know）。
2019年，戴维·温伯格出版了一本新书Everyday Chaos。中信出版社今年1月份会出版这本书的中文译本，书名为《混沌：技术、复杂性和互联网的未来》。温伯格强调的混沌不是一种理论上的东西，而是日常生活里面普遍存在的事物，所以他叫做“日常的混沌”。
温伯格在这本书里讨论了人工智能、大数据、现代科学和互联网，这些都在揭示一个基本事实——世界比我们所看到的复杂得多，也难以预测得多。
这就产生了一个严重的悖论。温伯格是以预测为生，在这本书中他却承认，预测并不见得有用。
他认为，有关网络的声音，并没有以言说者期待的方式改变世界。商业和技术总是比预言家更快。
这是由于，世界的不可预测性增加了。正是“深不可测的复杂性”令我们开始启用人造的机器来打破预测的旧界限。
3.“温伯格之问”
20世纪，预测深入了我们的基因，我们特别热衷于预测。但对预测，我们需要讨论两个问题。
第一，世界的不可预测性空前增加。
各种各样的因素，导致不确定性增加、风险加大，因此很难预测世界的发展。
第二，人类的预测是不是可欲的？
如果人类真的可以预测未来，这是不是我们想要的？即使它可行，但是否可欲？
这两个问题，我们需要认真地思考。
因为，预测方式的故事，也是我们对世界运行方式理解的故事。换而言之，这牵扯到人类的核心认知问题。预测在眼下已经变成我们认知的一个基本工具。
人是一种能够理解世界运行机制的特殊生物。若该假设不再成立，宇宙就从可知的变为不可知的。在此基础上，温伯格提出了更深刻的问题，来自西方文明的两大源头。
第一，希伯来文明。
从希伯来文明诞生后，产生一种强烈的认知，人类作为上帝创造的独一无二的杰作，可以通过启示发现真理。
第二，古希腊文明。
古希腊时期，认为人类是理性的思考者，可以发现这个世界混乱表象下的基本逻辑。
今天，通过更深的挖掘。温伯格提出了以下问题，我把这些问题称作“温伯格之问”。
第一，如果我们发现，我们不仅不知道自己不知道的东西，我们也不理解自己认为知道的东西，那会如何？
第二，如果我们需要放弃对这个世界的理解，我们对不可解释的事情，也需要从不接受到接受，那又会如何？
这两个富有挑战性的问题，是我们今天讨论的核心。我们先聚焦温伯格，来看一下他是如何理解这些问题的。
二、不是预测未来，而是创造可能性
1.人类为何喜欢预测未来
说到预测未来，如果把时间拉回过去，在人类历史上，总会在特定时刻出现一些特定的人，他们向全世界宣告，这个世界的运行不是我们想的那个样子，也不是我们想要的那个结果。
我们耳熟能详的牛顿、爱因斯坦、哥白尼、达尔文，甚至弗洛伊德，都扮演过这类角色。
而现在，温伯格似乎期待着人工智能（AI）来承担该角色。
回到一个根本问题上，为什么人类对预测如此痴迷呢？
人类热衷预测的原因很简单，未雨绸缪。
我们喜欢提前了解所有的可能性，并为它们做准备。这会形成三种结果。第一，准备过度；第二，准备不足；第三，准备不当，即准备的东西没有用。人类经常犯这三种错误。
假如上述这三种情况发生，社会就不得不承担巨大的成本。
2．用AI预测
为什么要发明AI？因为机器可以替人类更好地作出预测。如果机器预测得足够精准，我们可以避免人类所犯的三种过失。机器可以让我们的准备恰如其分。
我们要把预测的行使权从人类的手中，转交到机器手中。现在，这种情况正在发生。
举个例子，纽约某医学院的研究人员做了一个机器学习系统，我们可以把这个系统理解为一个“吞吃数据的庞大怪物”。
他们往这个系统里输入了70万份病例，这是非常庞大的数据量。有意思的是，研究人员并不下达指令，而是让系统无限制地找出它能做的事情。
结果，被称之为“深度患者”的医疗诊断系统，作出的诊断与预测的准确性，远远超出人类医生。
唯一的问题在于，作出诊断后，系统无法解释它是如何诊断的，为什么给出这个诊断。用行业术语来说，这是一个“黑盒子”（指从用户的观点来看一个器件或产品时，并不清楚其内部构造和原理，只关心它的功能及如何使用这些功能）诊断系统，但是它的确比人类医生更精准。
“深度患者”只是深度学习的一种。所有的深度学习，本质都是“黑盒子”。它的好处是不需要你理解，也不需要把世界简化为人类可以理解的层次。
随着机器学习在全球的广泛应用与发展，混沌理论转向混沌实践，并将这一理论令人兴奋的想法应用于日常生活。
3.混沌实践
当混沌理论应用到日常生活后，可能会导致哪些结果？
按照温伯格的分析，越来越多的事情不再基于预测开展，这种转向并非始于人工智能，而是从有互联网就发生了。
各行各业都采取了那些完全避免预测未来的做法，我们来举一些例子。
柔性生产（以“制造系统响应内外环境变化的能力”建设为核心的生产方式与方法论）；
敏捷开发（是一种以用户的需求进化为核心、迭代、循序渐进的开发方法）；
A/B测试（是一种用数据进行产品决策的方法）；
最简可行产品（MVP，用最快、最简明的方式建立一个可用的产品原型）；
开放平台（Open Platform，比如微博、百度等）；
用户可修改的视频游戏（modding）。
这些事情并不需要预测，只需找到一种方法来验证某个想法是否可行。而且这些事的可行度相当高，最后的结果也能够达到要求。
温伯格甚至极而言之地说：“过去20年日新月异的发明与革新，都不是通过预测完成的。恰恰相反，是为了避免预测未来而做的。”
因此，他得出一个结论：互联网没有试图预测未来并为其准备，而是通过创造更多深不可测的可能性来造就我们的繁荣。
至此，基本的认知模型已被颠覆，人们有了新认知的可能性。
三、用战略创造更多可能性
1.线性思维的局限性
我们如何把温伯格的理论应用在企业战略上？战略的目的就是要做长期的准备，通过对未来的精心设计，来决定企业下一步的方向。
企业计划的核心，是在众多可能性中，找到资源最匹配的可能性并全力以赴，把赌注押在这个可能性上。因此，战略的本意是缩小可能性。
其实，当认知模型转换后，要把它应用在企业经营当中。我们的最佳战略，往往需要尽可能地忍住不去预测。
以前，一些规模化公司把战略理解为3-5年的长期规划。现在，却只做半年的计划。
这意味着什么？我们通常的战略思维是一个线性思维，战略规划被视为一种限制性操作，它先识别可能性，并选择企业想要实现的可能性。
举个例子，在过去企业界，甚至国际政治中，场景规划（Scenario Planning）是一种广泛应用的战略制定方法。
曾经被视为顶尖的战略规划思路的场景规划，是否完美无缺？
我们设想出，关于一个组织或者国家，可能有几种未来的发展，比如崩溃或者繁荣，我们通过几个可能发生的场景来规划未来故事。为了避免崩溃场景的出现，或者为了让繁荣的场景能够实现，我们基于这些思考来制定战略规划。
其实这是一种非常典型的线性思维。不论线性思维把世界规划成几种方案，它都受限于一种错误的世界观，世界的可能性远远超过这些方案。比如新冠肺炎疫情，它暴发前，不会出现在任何战略图上。
我记得参加达沃斯世界经济论坛时，遇到很多有意思的参会者。他们不仅讨论经济问题，甚至一些历史学家，针对“为什么没有人预测到苏联的解体”展开激烈的辩论。
作为历史学家，为什么预测不到？因为他们都是线性思维的信奉者。线性思维可以增加自身的复杂性维度，但是它无论趋向多么复杂，世界都不会有如其所愿的规则结构。
所以，我们需要的是非线性思维。
2.非线性思维
我们举个例子，我非常推崇丽塔·麦克格拉斯（Rita Gunther McGrath，全球知名战略专家）写的《瞬时竞争力：快经济时代的6大制胜战略》（The End of Competitive Advantage，也叫《竞争优势的终结》）。
麦克格拉斯则认为，根本没有所谓的可持续竞争优势，唯一可以做的就是“持续重构战略”。
这种战略的理解，要求公司必须对环境中的任何变化保持警惕，拥有特定的组织结构和文化，使其能够通过脱离当前的轨迹来作出反应，及时抽身，从而创造一个新的轨迹。这就是非线性思维。
生活中所有场景都告诉我们，一定要关注大的变化趋势。但是，麦克格拉斯理论认为，任何微小的变化都可能颠覆我们的生活。关注大的变化，也无法保证我们可以持续地重构。
所以，混沌状态下的战略，应转变思路，不是缩小可能性，而是尽量去创造更多的可能性。
四、以预测准确性为目标，
但放弃可解释性
1.接受不可理解
接下来我要进入问题的核心，即我们能不能完全地以预测的准确性作为目标，而放弃可解释性。人类有没有勇气，去接受那些超出我们理解能力的系统。
比如，把路线导航的任务全部交给百度或高德，让它们帮助我们寻找最佳路线。像出租车行业，以前的出租司机都以熟悉大街小巷为傲。现在，不论驾驶员，还是乘客，都会形成默契，按导航行驶，把线路规划的任务交给系统。
温伯格在此扮演了AI代言人的角色，为了让机器更好地发挥潜力，他建议我们接受超出我们理解能力的系统，这些系统只需要以预测准确性为目标，而无须保证可解释性。
2.底线价值观
当然，温伯格同样意识到，如果把我们的日常生活全部交给AI，AI出错了怎么办？算法本身有偏见怎么办？AI没有伦理怎么办？因此，他提出了底线价值观。
如果不加以控制，系统很可能以最残酷的方式对待最弱势的群体。比如对外卖骑手进行系统压榨。
人工智能系统需要底线价值观。然而，人类关于价值观的讨论，往往是混乱、不精确和争论不休的。
3.人应该向机器投降吗
如果人类关于价值观的讨论无法达成统一，是否应该停止向机器输入人的价值观？
其实，温伯格在暗自敦促人类向机器投降。
我们为什么要向机器投降？这有两个前提。
第一，机器会越来越多地接手人类事务。这似乎是一个无法阻挡的趋势。
第二，机器本身可能教会我们新的伦理。
比如自动驾驶的新伦理。麻省理工做了一项大规模的调查，当面对复杂情况的时候我们会选择如何驾驶，通过人们的选择，来训练自动驾驶汽车作出相应的选择。
在这个过程中，机器遇到千奇百怪的情况，与此同时，会给我们带来更多新的可能性。
因此，温伯格其实是在说：机器不光是我们的管家，某种程度上，还可以扮演我们的导师。
也正是这个观点，使我对他的论述产生了怀疑。
五、人类面临的选择
以上的内容，都是温伯格逻辑的延展，接下来分享一下我对温伯格之问的回应。
毋庸置疑，人工智能的未来关键在于，到底我们应该放弃理解，还是致力于建立可以理解的人工智能？这样的问题将把我们带向人工智能算法研究的前沿。
《知识的边界》讨论的是网络化知识，我个人非常喜欢这本书。不仅是因为我翻译了这部著作，更是因为这本书具有入木三分的洞见，解释了知识在网络时代的延展。因此，我姑且把温伯格的《混沌》理解为，他在讨论AI时代的知识。
我把温伯格对AI时代知识的理解，归纳为以下几点：
第一，人类努力获得对复杂系统的理解。然而，我们基于“人类的理解”所作的预测没有像人工智能那样准确。虽然人工智能并不真正理解任何东西，但它确实比我们预测的要准确。
第二，因为基于人工智能的预测比基于人类理解的预测更准确，我们应该放弃对理解的追求，而专注于建立能够为我们做决定的人工智能。正所谓鱼与熊掌不可兼得，这种选择势在必行。
第三，一旦将主导权交给预测性的人工智能，我们将迎来人类进化的下一个阶段。
支持温伯格这些观点的大有人在。关于AI可理解性的讨论分为两派。
第一，认为建造根据规则和逻辑进行推理的机器是最有意义的事。我们可以通过透明的代码，检查它的内部运作。面对机器的时候，人仍然是上帝。
第二，如果机器可以从生物学中获得灵感，并通过观察和体验来学习，那么智能将更容易出现。
基于发展速度的原因，我们今天采用人工智能的发展路径，恰恰是第二种。人工智能系统的机器学习，基本上是自己编程。
我在大学教书，很多人经常问我，未来是不是每个人都要会编程？孩子要不要做程序员，这样才不会失业？这种想法没有与时俱进。
几年前，程序员执行的是上帝的角色，我们想让机器干什么，编个代码，它就遵照我们的指令来执行。
如今，程序员更像是驯兽师，训练机器，机器自己学习。未来，大部分程序员将被淘汰，真正的驯兽师是少数的程序天才。
3.对“黑盒子”的信任问题
一旦面对“黑盒子”，就产生了人对系统的信任问题。这也是我演讲的主题，我们是相信人，还是相信机器？
人类的信任往往基于我们对其他人如何思考的理解，以及对这些思考的可靠性的经验了解。
AI对于大多数人来说，仍然是相当新颖和陌生的。同自己不明白的事情互动，会引起焦虑，并使我们感觉自己失去了控制。
比如，对于AI医生诊病，我们会在多大程度上信任这位医生？如果AI医生只告诉我们病症，但不能解释病因，我们是否能够接受？
还有一个麻烦群体，人类医生。AI医生应运而生，人类医生该何去何从？
那时，对AI的诊断就会产生两种反应。
第一种，如果AI医生诊断结果跟人类医生一致，那么人类医生会问，AI医生的存在有何意义？
第二种，如果AI医生诊断结果跟人类医生不一致，那更糟了，人类医生会说，AI医生不能解释为什么这样诊断，无法证明自己的准确性，我为什么要听从它？
我们再举一个例子，芯片制造商英伟达推出的自动驾驶汽车。
它与谷歌、特斯拉的车截然不同，这款汽车彰显人工智能的崛起，完全依靠算法。这种算法通过观察人类的行为，学会自己驾驶。所有的传感器将数据传入人工神经元网络加以处理，然后提供操作方向盘、刹车和其他系统所需的命令。驾驶完全由机器自己操作。
大部分时候，它表现不错，跟驾驶车辆的司机行为相差无几。但是，也可能会遇到一些问题，比如，遇到绿灯，却停滞不前，或者突然驶向大树。
它似乎就是按照逻辑演算进行操作，但是没有办法与它交流，不存在可解释系统。如果有一天它做出一些出乎意料的事情，按现在的情况，我们可能很难找到它出错的原因。
4.重新理解技术
未来，这些问题会越来越广泛地出现在各个领域。那么，我们该如何来理解技术？
我这里引用麻省理工学院研究机器学习应用的教授托米·贾科拉（Tommi Jaakkola）的话，“这是一个已经凸显意义的问题，而且在未来它将变得更有意义，无论是投资决策、医疗决策，还是可能的军事决策，你都不希望仅仅依靠‘黑盒子’方法解决问题”。
反对者天天强调，机器不可理解。如果一个人做出来影响千百万人的决定，他是否能够给你解释清楚缘由？
实际上，我们最后会回到一个微妙的地方，智力性质的特点。智力只有一部分被暴露在理性解释之下。而另外一些是本能的、潜意识的，或不可捉摸的。
如果我们意识到智力的特点，面对人工智能的判断，人类面临两种选择。
第一，完全选择相信，这是温伯格给我们提出的建议。
第二，如果不理解，就不使用。
相信或者不使用，这种判断将不得不纳入社会智能。换言之，我们要有社会规范，才能决定路径的选择。
对于机器可理解性，表示支持的不乏其人。
著名的哲学家丹尼尔·丹尼特（Daniel Dennett）说过：“如果我们要使用这些机器并依赖它们，那么让我们尽可能坚定地掌握它们是如何和为什么给我们答案。如果没有完美的答案，我们应该对人工智能的解释持谨慎态度，就像人类对彼此的解释一样。无论机器看起来多么聪明，如果它们不能比我们更好地解释它在做什么，那么就不要相信它。”
这是一个很坚定的观点。
结尾
最后，我阐述一下我的观点，应用人工智能有三个应用条件：
第一，一定要打开“黑盒子”，让AI能够解释自己所做的事情。
第二，致力于发现与减轻训练算法和数据中的偏见。我们现在是按照机器编程的想法在走人工智能之路。如何训练，变得至关重要。
第三，为人工智能系统赋予伦理价值。
所有人都要深刻地认识到，机器学习的兴起是人类历史上最重大的变革之一。越来越多的机器学习模型将成为我们的知识库，就像图书馆和人类的头脑一样。
然而，机器学习模型里没有知识，这将意味着我们需要重新思考知识的性质与用途，甚至重新思考作为能够了解自己世界的生物，我们到底是谁？