所有学科中,只有数学是理论,其他任何学科都只有假设,包括物理,都是人类基于各种发现分析整理之后给出的大胆假设,这些假设确实解释了很多现象,而在也指导了人类劳动、生产生活,创造了很多产品,改善了我们的生活,比如芯片,汽车,都是现有科技条件指导下生产的产品。
我们不否认人类科学的进步,但也必须认识到每一种科学都存在应用边界,总是会被人类发现不适应,并总有新技术会取代旧技术。牛顿力学出现之前,我们也有计算行星公转的公式,只是无比复杂;在逻辑学的基础上,图灵提出了图灵机理论,使得机器实现了算力,而且预言着人工智能必将实现。由于图灵理论的指引,大量的机器学习的方法对人工智能方法进行着探索,每种方法都冠以一个数学基础,决策树基于信息熵,朴素贝叶斯基于贝叶斯公式,图像识别技术不断的组合各种机器学习的方法,在上个世纪80年代之后称为了人工智能的主流,图像识别达到80%的准确率,大量科学家都认为有数学背景的模式识别代表着人工智能的发展之路,后面就是尝试各种组合来提升识别的正确率。
但芯片工艺的提升,算力不断提升,加上GPU为主的并行计算能力,再加之神经网络的硬件易于集成,神经网络突然展示了它的威力。图像识别一下子提升到了90%以上,甚至超过了人眼。从此再也不提模式识别在人工智能中的地位,不管曾经有多少科学家鼓吹,多少相关的书籍被消费者吹捧,它们被扫进了垃圾桶,只剩下机器学习和数学原理相关的知识还被提及。深度学习采用暴力出奇迹的方法毫无疑问的被称之为人工智能的主流。
神经网络采用模拟生物神经网络的方法,取得了人工智能的奇效,但我们研究人工智能的目的是为了弥补人脑的不足,就像人脑的记忆力比不上存储器,算力比不上计算器一样,当前人工智能的基础是神经网络实现了图像识别虽然超过了人眼,但形成结果的原理没有。人类需要人工智能并不是要让自己当傻瓜,人类必须探索世间的真理,到底物质是什么组成的,造成某个结果的原因是什么?决策的过程是否存在风险?人类能否控制风险,让自己脆弱的生命得到最大的保障。要完成这个目标,我们还需要完成几个工作:
1. 人类和人工智能能否交流,就像人类跨语种(比如中国人和英国人的跨语种)的交流;
2. 人工智能决策的过程能否清晰的展示,每一步都在解决什么问题,存在哪些风险?
不能达到这样的目标,我们向人工智能供给数据,那就只是一个探索的过程,没有人会完全信任chatGPT。