AI的阿基里斯之踵：模糊性

很多年前，我和一位朋友去参观一个果园。他的儿子是这个果园的经理，向我们介绍了其工作。我的这位朋友和我都是工程师，开始讨论如何教机器人采摘水果。

朋友的儿子停下来，惊愕地看着我们。“你们在说什么！？这很简单——你看到它，然后你摘下它。“

并非那么简单：直到几十年后的今天，具有商业价值的水果采摘机器人才出现在人们的视线中。有许多日常任务看似微不足道，但却难以对其加以描述和构造以满足自动化需要。人类具有常识性推理的优势，而常识性推理比大多数人所认为的要深奥和抽象得多。

在我今年2月份发表的专栏文章（标题为“Can Machine Learning Teach Us Anything?”，https://spectrum.ieee.org/robotics/artificial-intelligence/can-machine-learning-teach-us-anything）中，我写了我们在创造精通国际象棋和扑克等游戏的计算机程序方面取得的成功。据这些游戏（无论是下棋还是玩扑克）本身所描述的，这些游戏非常简单——数量不多的涉及几个要素的不可变规则。但这里有一个悖论，因为在这种简单的背后隐藏着巨大的复杂性。尽管如此，这种复杂性是精确定义的，而这正是我们工程师所擅长的。

然而，生活是模糊的，往往是不明确的。（如果现实生活中的任务能被模拟成桌上游戏，那么我们就能开展业务了。）我喜欢模糊逻辑的理念，但再三思考，我确实希望我的计算机是精确的。

但也许有某种机制可以将模糊作为输入，并将定义明确的输出传递给计算单元。然后这个计算单元可以表现出我们用以掌握游戏的那种技术。

在现实生活中，我们有这样的机制。以美式足球为例。有一些关于向前传球之后会发生什么的规则，这些规则取决于传出去的球是否被抓住了。但是“抓住”是一个模糊的概念。所以我们有一个将模拟的“抓住”数字化的设备。它被称为裁判。在法律领域，我们在法庭上也有类似的做法，法官和陪审团使用各种主观标准，如“合理性”来判断一项行为是否违法。如果我们不喜欢法院的数字化，我们就把它当作一个模拟结果，然后把案子送到另一个法院去审理。

作为一名管理者，我是许多人事决策的数字仲裁——谁获得加薪，加薪多少，多获得晋升，谁被解雇，等等。人们总是问我用什么标准来做这些决定。你使用的算法是什么？他们想知道。事实上，我也想要一个算法。实际的决策过程中涉及很多模糊性。

除了是模糊的之外，生活中很多事情还受到运气的影响。最好的团队并不总能获胜，最好的人并不总能获得晋升。生活并不总是公平的，但这确实又会把碎片摇匀，所以我不确定这是一个bug还是一个功能。像大富翁这样的许多桌上游戏都是将运气与技巧相结合的。也许模糊转换器可以增加一些随机性。

但我只是对此做下梦而已。无论我们试图将现实生活中的什么任务自动化，总会有人问为什么要花这么长时间。他们会说，这很简单。但事实并非如此。