“人工智能”来了，人类需要恐慌吗？

“人工智能”来了，人类需要恐慌吗？

1956年夏，约翰·麦卡锡（John McCarthy）和马文·明斯基（Marvin Lee Minsky）等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”时，首次提出“人工智能”这一概念，标志着人工智能的诞生。从那以后，研究者们发展了众多理论和算法，人工智能的概念也随之扩展。2006年，基于神经网络的深度学习算法取得重要突破，人工智能顺势迎来新一轮投资界和工业界的追捧。

广义的人工智能指人所创造的、代替人从事某些思维行为的设备。它可以是算盘，可以是计算器、计算机，以至于超算中心上基于算法行为实现了类似于人类逻辑推理。从狭义讲，从 2006年开始的这一波人工智能浪潮，是在已有科技的基础上因为深度神经网络的突破而获得的发展。

20世纪80年代，个人电脑的普及带来了人类对人工智能的第二次恐慌，1997年计算机深蓝战胜了国际象棋大师加里·卡斯帕罗夫（Garry Kasparov），电影《终结者》和《机械战警》都是这个时期的代表作品。2006年以后随着深度学习技术的发展，人类迎来了对人工智能的第三次恐慌。美剧《西部世界》和电影《机械姬》就代表了这一阶段人们对技术发展可能超越人类智慧的隐隐恐慌。美国未来学家雷·库兹韦尔（Ray Kurzweil）提出奇点理论，被互联网人追捧，人们担心，到2049年，人工智能就可能超过人类，从此绝尘而去，人类会被机器人奴役，地球会被机器人统治。

美剧《西部世界》剧照：机器人多洛莉丝的觉醒

因为人工智能是研究如何利用计算机去完成过去只有人才能完成的智能工作，我们很自然地会将人工智能和人类在同样任务上的表现进行比较。的确，在某些特定任务上，计算机已经表现出了远超人类的能力。然而，在执行通用性任务时，如回答问题、感知以及医疗诊断，人工智能系统的能力变得越来越难以评估。

从认知的方式上来讲，人类的认知过程与我们现在谈论的人工智能是不一样的。经典逻辑不能突破哥德尔不完备定理，但是，人却具有这样的能力。人类有一种认识相对准确结论的直觉方法，这种方法与计算机式的方法不同，我们可以认知新的事物和了解新的问题，而不受哥德尔不完备定理的限制。就计算机的有限逻辑而导致的其内在不完备而言，人却从来不会受到这样的困扰，因为人天生具有突破有限逻辑的能力，也许这构成了我们通常意义上说的感性。这也许是我认为这一代人工智能无法超越人类思维的数学逻辑层面的本质原因。

爱因斯坦亲自授予哥德尔第一届爱因斯坦勋章

但哥德尔所限定的有限逻辑，可能不限制量子力学的基本逻辑，人类的直觉也可能不受哥德尔不完备定理的限制，从这个角度来讲现在的计算机结构不太可能具有人脑的能力。当然，量子计算机基于量子逻辑，离实现还有些实际的困难，现阶段我们不能够简单预期。

量子信息的解释也许会渗入人类对认知的了解。如果大脑真的是量子化的工作，我们用经典的图灵机的方法来开发的计算机会在很长时间内无法超越人脑。因此，我们也就不用担心人工智能控制人类。

人工智能时代：提升创造性动手能力+培养新工程人才

我自从做了物理学教授，就越来越觉得工程的重要。我深深地觉得我们应该去找到人类与机器的差别，至少它应该影响我们今天的教育内容。谁都不想我们今天教给孩子们的技能，十几二十年后他们长大了才发现机器做得比他们要好得多。我凭着直觉感到，在车间伴随着时时思考并探索和尝试的动手能力，力学的、电学的、材料的，是无法轻易被机器取代的，相反，坐办公室的工作，却很容易被机器取代。

我一直没有找到好的证明，直到有一天，跟我的导师基思·伯内特（Keith Burnett）先生聊起未来的工厂所应该营造的气氛。人们希望能够在未来工厂营造一种游戏的氛围，让年轻人以打游戏通关的心态从事创造性的工作。未来工厂也像今天的苹果公司的销售门店一样，窗明几净，有计算机设计终端，也有满地走的机器人。在这个生产场景里，人们试图创造的每一个工件甚至执行的每一个步骤，都是一个多选择的过程。这时人脑又像极了很多选择网络上行走的量子随机行走，经典计算不能够代替人类做出复杂决策，或者说至少不能像人脑一样可以有效地做出截断的判断。人工智能催化的以数字产业为主的知识研发目前还很难覆盖手工业。除了机器人制造能力的限制，其中的主要原因可能会有其他更深层次的。比如，涉及基于大量操作经验而形成的直觉，这是目前人工智能很难与人进行比照的方向。因此，在制造业中，高级技术工人在工作过程中，所具有的结合数字化和制造业流程本身特点的技能，在人工智能时代会显得尤为重要。这就需要制造型人才不仅要懂得人工智能的计算机技术，也要懂得工业生产流程中的具体情况。

简约、明亮的苹果零售店

麻省理工学院：新工程人才应具备12种思维和能力

传统工程教育强调对学生进行基于学科知识的能力训练，体现出工程教育活动组织与开展的学科逻辑。由于学科逻辑过于强调学生对工程学科知识的掌握以及学生认知能力的训练，因此传统工程教育容易造成工程教育活动的开展而忽视学生个体身心发展规律，忽视学生工程实践经验构建以及工程实践中学生的组织和沟通能力的培养。

基于这些考量，麻省理工学院从2017年开始开展的新工程教育改革采取了整合学科逻辑与心理逻辑的策略。整合的路径体现为以研究具体问题的课题项目为线索，围绕现代产业的实践和研究方法，构建机械、材料和系统科学的跨学科内容。每个课题为学生提供了前所未有的机会，让他们沉浸在跨越学科的研究项目中，同时获得所选专业的学位。新工程教育的教学方式发生了变革，强调以学生为本，关注学生的学习方式和学习内容，把学生真正置于工程教育活动的中心。不仅重视知识的获取，而且重视应用知识的能力。项目是学习制造、发现、系统和创造力的主要工具，它有助于促进学生从团队技能到人际关系技能再到领导能力的提升。

麻省理工学院

人工智能对生产效率的提高会使得产业界更加注重工程人才的学习能力和思维等方面的表现，原来强调以知识习得为重心的教育体系将会受到挑战。新工程教育应更注重对学生思维的培养，从而让学生在工程实践中面临各种未知与复杂问题时能够运用恰当的思维去思考、解决问题。麻省理工学院提出新工程人才应具备12种思维和能力：

1、学习如何学习（Learning how to learn）：学生利用一定的认知方法主动思考和学习。

2、制造（Making）：新工程人才发现和创造出新事物的能力。

3、发现（Discovering）：一种通过采取探究、验证等方式促进社会及世界知识更新，并能产生新的根本性的发现和技术的能力。

4、人际交往技能（Interpersonal skills）：一种能够与他人合作并理解他人的能力，包含沟通、倾听、对话、参与和领导团队的工作等。

5、个人技能与态度（Personal skills and attitudes）：包含主动、有判断力、有决策力、有责任感、有行动力以及灵活、自信、遵守道德、保持正直、能终身学习等品质。

6、创造性思维（Creative thinking）：一种通过深入思考，能够提出和形成新的、有价值主张的思维。

7、系统性思维（Systems thinking）：在面对复杂的、混沌的、同质的、异质的系统时，学生能够进行综合性、全局性的思考。

8、批判与元认知思维（Critical and metacognitive thinking）：一种能够对经由观察、体验、交流等方式所收集到的信息进行分析与判断，以评估其价值及正确度的思维。

9、分析性思维（Analytical thinking）：一种能够对事实、问题进行分解，运用理论、模型、数理分析，明确因果关系并预测结果的思维。

10、计算性思维（Computational thinking）：一种能够把基础性的计算程序（例如抽象、建模等）以及数据结构、运算法则等用于对物理、生物及社会系统的理解的思维。

11、实验性思维（Experimental thinking）：一种能够开展实验获取数据的思维，包含选择测评方法、程序、建模及验证假设等内容。

12、人本主义思维（Humanistic thinking）：学生能够形成并运用对人类社会及其传统、制度和艺术表达方式的理解，掌握人类文化、人文思想和社会政治经济制度的知识。

创造力和好奇心，引导终身学习

突破常规而有所创新说起来也不难，但用到自己身上很难。我们承认和鼓励“不同”，但也尊重先验工具本身，知道它的工具和枷锁的双重性。当我们比较了人工智能和人的根本区别，也比较了经典系统和量子力学所预示的系统之间的差别，我们发现人类社会的发展趋势是我们不再那么需要服从纪律的劳动力，这些劳动力可以轻易地被机器人取代。相反，社会对人的科学素养和人文底蕴要求越来越高。这包括人对世界的认知能力和人与人之间的沟通能力，也包括人对自身的感悟能力。社会需要的是具有创造力、充满好奇心并能自我引导的终身学习者，需要他们有能力提出新颖的想法并付诸实施。

我们所设计的教育常常忽视人与人之间异常美妙的多样性与细微的差别，而正是这些多样性的细微差别让人们在智力、想象力和天赋方面各不相同。本来人的思维是自由的、可创造的、可沟通的，我们的教育系统的终极目标居然是把人训练成人工智能，而我们的教育考核指标在这个逻辑下就是给人工智能准备的。