剑客
关注科技互联网

XVC胡博予: 从进化论的角度思考人工智能

XVC胡博予: 从进化论的角度思考人工智能

本文由「华兴有个 Alpha」(ID:hxalpha)整理自胡博予在华兴 Alpha 线下活动「投脑风暴」数据服务主题投资人沙龙上的主题演讲。

以下为全部演讲内容:

一、机器的进步

说一个我的观察。我们发明机器是为了解决问题、提高效率的。他们在怎样进步呢?首先,是处理速度越来越快。然后,他们联网了,而现在他们正在变得越来越聪明。因为算法越发先进,计算能力也足够强大,可以用各种各样新的机器学习的方法来沉淀经验。

二、机器能帮我们做什么——代替重复劳动

首先我觉得机器是能够将人类从重复劳动中慢慢解放出来的。随着技术的不断成熟,还有学习曲线长度和深度的延展,技术的边界也在不断向外部推移,很多本来需要人去做的劳动,像制造业的许多环节,也包括像洗衣服这样其实每天都要做的事情,都可以由机器代劳。

随着机器越来越聪明,它越来越能够处理复杂工作,可以现场做很多决策,比如做饭、仓库分拣、记账等等。我最近看了一个项目,是用图像识别的无人机来送快递。过去快递不发达也是因为经济模式太弱,效率低。比如说人烟稀少的地方,送快递一个人送一箱出去,可能只能送一件东西,回来再送,每天只能送几个包裹,这个情况就特别适合用无人机或无人车来送。

编程可能是最后被替代的活动,因为一旦机器能自己写程序让自己变得更聪明,世界就到达了一个「奇点」。

XVC胡博予: 从进化论的角度思考人工智能

三、机器能帮我们做什么——缩短经验差距

我看到另外一个趋势,就是机器在不断缩短经验带来的差距。

很多行业,比如说像数据分析员、老师还有医生,这些行业都非常依赖经验,一个很有经验的老师教学生的效率就很高,一个很有经验的医生看病的效率也很高。但经验这个东西其实并不复杂,一个老师教出来的学生最多几千个,我父母都是老师,他们教了几十年的书,每年就教几十个学生,有可能连续 3、4 年就教同一届学生,一辈子教十几届。所以这种经验,其实积累的样本数量是要远远小于机器能够处理和积累的。

当机器开始可以积累经验,把大量的样本作为经验沉淀下来,沉淀到自己的神经元网络里面,就有可能提升该领域没有经验的从业者的工作效率,或者干脆替代这些人,趋势就是让有经验的人和没有经验的人之间的差距越来越小。现在有一些行业的人力已经被替代了,现在 99% 的股票交易的指令都不是人下的,是机器下的。

像大家看到的广告,大部分都是机器在买的广告位,机器根据经验和数据决定,这个时间点对这个人展现什么广告,这些东西都已经被机器取代了。我觉得未来可能在医疗行业,在销售管理这些领域,都有可能用机器的经验来缩短人和人的差距,还可能出现虚拟的销售、虚拟的医生以及虚拟的老师。

VC 这个行业是不是会被替代呢?其实不容易。VC 的学习曲线倒不是最长的,因为我觉得经验太多了有时候也是坏事。核心原因是因为数据量太小了,要训练好一个机器需要足够多的样本,但是实际上好公司一年才出几个,真正优秀的创业者也很稀缺,没有那么多好的样本让你训练。而且用样本来训练,只能用过去的样本,但是 VC 是投资未来的东西,每一个时代可能冒出来的创新的特征也不一样,所以 VC 很难用机器来替代。机器和数据最多可以帮助我们提高一点工作的效率。

XVC胡博予: 从进化论的角度思考人工智能

四、机器能帮我们做什么——为我们个人的决策提供支持

机器还可以帮助我们每一个人做决定。

举例来说,我们考虑去哪儿吃饭,某些手机 App 可以把你周围的餐厅根据你的喜好做顺序推荐。你要买什么东西,淘宝的推荐是非常个性化的,可以根据你的购买和搜索记录来猜你想买什么东西,你应该买什么样的东西。当各种各样的数据都已经被结构化的时候,有可能机器比你自己更了解你,而且人还是会被情绪所影响,但是机器能够更客观的去帮你做决定。也许有一天他们能告诉你,你想泡的妹子和你不适合,因为你们俩 DNA 里同时有某个隐性的基因可能会导致一种遗传病,而且根据大量数据和你们俩的行为,机器计算得出结论,你们的恋爱关系有 99% 的概率维持不了 3 个月,或者你们婚后的幸福指数会很低。

五、最优机器得到全部数据——一个激进的猜想

我有一个猜想,就是,市场是一只无形之手,可能最后让一个机器智能得到全部的数据。这个观点有点激进,但是至少在一些垂直领域,比如说教育行业,可能有一个终极的 AI,它是最聪明的,它知道对不同的人用什么方法,让他(她)学什么样的东西,做什么样的题,他(她)的学习效果最好。因为它最聪明,所以用它的人就最多,用户最多,它的数据就最多,数据最多所以就最聪明。其实这件事情不仅教育领域会发生,很多领域都有一个规律,数据越多体验越好,体验越好数据越多。

人的各种不同的行为和喜好,其实都是有关联的,和我们个人的基因有关,也和我们的社交网络和环境有关。由于市场规则总是对效率有极致的追求,所以最终可能会让一个 AI 得到全部的数据输入。

六、逆天而行的机器智能

我最后分享一个还不是很成熟的观点。就是这个机器智能有可能再次,或者最后一次改变物竞天择的规则。

XVC胡博予: 从进化论的角度思考人工智能

我们看人类的历史。其实在 300 万年前,那个时候大家可能还是大猩猩,我们的祖先主要的做的事情是跟自然环境和其它物种做斗争,最适合的那一小群活下来了,所以那个年代是优秀的个体基因胜利。

从 300 万年前到 100 万年前,这个时候人类已经发达到群体作战的程度了,因为人类的协作能力的领先性,基本上其他物种在那个时间大规模的灭绝。这个阶段人类的敌人就是其它的人类,基本上每个团体人数成长到一定的程度,例如超过 150 个人,就会自动分拆。

我最近看的一本书《教养的迷思》的作者做了研究,发现只要把一群人放到一起,只要人数达到一定的规模,就可以慢慢的分群,人有一种思维习惯,对自己这一群人特别认同,逐渐的这群人的行为就会越来越像。跟别的人群差异就会越来越大。人群和人群之间,因为有这种同类认同,就会憎恨其他的人群,然后就开始打仗。所以这个时候已经不是个体基因的竞争了,其实已经是「集体基因」的竞争,一个部落的竞争力是这个部落的组织形态和运作机制,其实还是基因驱动,是跟集体相关的那些基因在起作用,那些基因能够帮助这个部落组织起来,用高效的方式把其它的部落给干掉。

那么在一万年前到 70 年之前,就是我们的学历史主要学到的这一段,主要是国家跟国家的战争,一个国家跟另外一个国家争控制权,不断打仗。人类历史上,其实战争并没有停过,某种意义上战争是生命演化的本质,所有的物种之间在争斗,物种内也是在争斗。这一段,已经和基因没有太大关系了,主要是社会体制之间的优胜劣汰。

终于到 70 年以前发生了一件事情,人类停止大规模的战争了,现在大国之间都不打仗了。我们从 70 年前到现在,进入这样一个核威慑的时代,不但不打仗,社会生产力还持续提高,再加上人类无止境的欲望,带来所谓的第八大奇迹——经济的「复利」增长。

这一段实际上人类社会很多落后的体制开始慢慢的变异,全球范围内政治经济机制慢慢趋同,国家间文化也逐渐渗透。其实我觉得从一万年前到现在这一段时间,从个体基因的角度,可能是在退化的。《枪炮、病菌与钢铁》的作者,在一些没有被现代文明覆盖的岛找到一群人,智商是比现代人要高的,因为他们还是在原始采集环境之下,个体基因还是不断的在进化。他们的生存率并没有那么高,而且也不是现代社会的一夫一妻制,导致不适合的基因会被淘汰,优秀的基因能够得到更好的延续机会。现代社会,绝大部分国家地区都是一夫一妻制,聪明和笨的人都大概率能保证有机会生孩子,而且更奇怪的是,越贫穷的人生孩子越多。另外在文明社会中,大规模的人口灭绝,主要是因为瘟疫,跟个体基因是否优秀是没有关系的。这些因素都导致个体基因在退化。

那如果我们再往后看,当我们每个人都把很多决策权跟控制权的一部分的或者全部交给机器智能之后,会发生什么事情呢?当计算能力变的无穷大,当数据变的无孔不入,机器智能慢慢把这个社会各种重要的角色承担起来,而当机器具备这样的计算能力的时候,物竞天择适者生存的天条是否还存在呢?我有些简单的猜想。

  • 「市场的无形之手」也许变得不再那么重要,让机器来做计划,也许反而更高效。

  • 「生产力的比较优势」和社会制度、文化的关系变小,可能更多会和自然资源更相关。「退全球化」的趋势也许会持续相当长时间。当国家之间的互相依赖减少,人性中“同族认同、跨族排异”的本能也许会发挥更大的作用,各国间意识形态的差异可能会加大。也许 Internet 会慢慢变成一个一个的局域网。

  • 核威慑仍然存在,所以国家之间的竞争依旧不是战争和物种消灭。资源的争夺会在停留在经济和信息技术层面。

  • 智力基因和它被遗传的能力仍然不存在正相关(甚至可能负相关),所以个体基因会继续「退化」。

  • 社会资源的分配不均的趋势会持续下去,导致最后可能只能依靠政治权力来强行重分配(或者反过来,资源控制者主导重新分配政治权利,回到「帝国时代」),而生产力和社会制度的关系也在减弱,所以社会体制可能也会「退化」。

这就是一些我对数据和机器智能未来的一些胡思乱想,跟大家分享一下,谢谢。

演讲者简介:胡博予是著名的风险投资人,XVC 的合伙人。在创办 XVC 之前,他在金沙江、DCM、蓝湖资本工作过,期间发掘并推动对 51talk以及美菜、快手、优信拍等「独角兽」的投资。在进入风险投资行业前,博予有近 10 年的创业经验。他参与创办了信贷管理软件公司安硕信息。XVC 是一家风险投资机构,单笔投资 1000 万到 1 亿之间,致力于寻找和支持最优秀的企业家,共同创造长期价值。

分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址