从“预测机器”的视角理解AI,凯文凯利力荐的《AI极简经济学》化繁为简

2019年1月9日 | By News | Filed in: News.

http://bit.ly/2SEA50W

This book makes artificial intelligence easier to understand by recasting it as a new cheap commodity — predictions. It’s a brilliant move. I found the book incredibly useful.

以上是凯文凯利对《AI极简经济学》这本书的评价,他说这本书将人工智能视为一种全新的平价商品——预测能力,这让我们能更加轻松地理解人工智能,实为天才之举。我感觉这本书出奇地有用。

这篇文章会分享这本书的一些核心观点,文末是作者对后续问题的一些回答。

《AI极简经济学》
博集天卷 | 湖南文艺出版社
阿杰伊·阿格拉沃尔 / 乔舒亚·甘斯 / 阿维·戈德法布/ 著;闾佳/ 译

一个全新而重要的概念

优秀的书籍会在读者心智中种下一个概念;更棒的书籍会让这个概念成为人们交流新概念的基础。

举个例子,在《黑天鹅》这本书之前,公众很少关注那些发生概率极低但一旦发生则影响巨大的现象;但是那本书出版之后,公众不仅可以用“黑天鹅”三个字对那种类型的事件进行简单代指,而且也会更多地讨论与之相关的话题。后来出版的《灰犀牛》属于同类概念。英文中catchphrase的意思是流行语,这些新概念词汇非常容易被人的记忆抓住,从而引发社会讨论。

《AI极简经济学》对AI概念做了同样的事情——将模糊的、没有共识的词“人工智能”换成了“预测机器”。前者听起来扑朔迷离,后者明确地告诉人们,这项技术在和人类经济史上出现过的机器们一样,不过是一种生产力提升机器;唯一的区别是,这个机器的功能是提高“预测”的准确度。

这种穿透本质的理解来自作者经济学家的背景。经济学家对世界有着与众不同的看法,他们会从供应关系、生产和消费、价格与成本的框架来思考一切问题。他们从最基础的价格着手,如果某样东西的价格下降,那么我们会更多地使用它——这就是简单的经济学。

如果说经济学家擅长做某件事的话,那就是“戳穿噱头”。当其他人看到改头换面的新发明时,他们只看到价格下跌。这种情况正在人工智能行业发生:正在变得不断廉价的东西叫做“预测”。

预测更廉价,廉价创造价值

预测是填补缺失信息的过程。预测将运用你现在掌握的信息(通常称为数据)来生成你尚未掌握的信息。

当预测更廉价,意味着预测会变得更多。最开始,它会被应用于传统事物,例如库存管理和需求预测;但逐渐地,它也会被用来解决非传统事物。常见的例子是智能翻译和无人驾驶汽车,曾经在封闭空间需要基于“如果-那么”采取行动的车辆,在今天需要做的是,根据输入的视觉信息,来“预测”一个正常人类驾驶员会怎么做。

再举一个不那么常见的例子——iPhone上“最重大的科学项目”是软键盘。在iPhone诞生之前,在手机上使用软键盘的体验都非常糟糕,许多苹果工程师甚至拿出了放弃QWERTY键盘的设计方案。但最后的解决方案是,键盘看起来依然是QWERTY的图形,不过在打字的时候,一组特定键的表面区域会放大。

当你输入t的时候,下一个字母很可能是h,因此h键所在的区域会放大;输入h之后,e和i又相应放大,以此类推。让键的大小随着人输入的字母而变化,后来的文字自动修订功能是同样的原理,再后来,工程师们意识到,键不一定非得被人们找准然后点击。

简单说,之所以廉价会创造价值是因为,当某种商品的价格低到你注意不到时,它就能改变世界。例如,照明成本的急剧下降,使我们的行为发生了转变,从先前需要在开灯前衡量下成本,到现在毫不迟疑地打开电灯开关。

这种下降给了我们机会去做原先无法做到的事情;它把“不可能”变成了“可能”。廉价照明带来的一些影响很容易想象,另一些却不那么明显。下一节要讲的就是,对于企业家来说,预测价格的下降与我何干?

从廉价到战略

当超越阈值的预测能力足够廉价,它就可以改变一家公司的商业模式。

今天亚马逊会向用户个性化地推荐商品,它的推荐准确度也许只有10%,就是说用户会在推荐的10个商品中购买1个。但是假设有一天,推荐算法的准确度达到了80%,亚马逊就可能选择直接把商品寄到用户家,于此同时花时间组建一个逆向物流网络,将用户不要的商品收回。

但是不同公司的商业模式都可能被如何改变,在今天仍未可知。不过,为了帮助企业家了解AI和自身企业发展的关系,本书提供了一项工具——人工智能画布。

人工智能画布 – 用来思考AI如何帮助企业发展

画布上每一个空格包含了一项机器辅助下的决策流程,从“预测”环节开始。首先,明白“我们需要知道什么信息从而做出决定”。第二步是判断,你给不同的结果以及失误赋予多少价值。第三步是行动,判断之后你要采取的行动具体是什么?第四步是结果,你用什么来衡量结果是否成功?以上四项基本上是做决策的核心要素。

下面的一列都和数据有关。输入:你需要什么样的数据从而运行一套预测算法;训练:你需要什么样的数据去训练这套预测算法;反馈:如何利用结果量不断使算法进步?

以安防警报产品为例,我们来理解下如何使用这个画布。

1)预测:预测警报被触发的原因是人还是其他什么东西(是vs否的问题);2)判断:比较对错误警报做反应的成本和对正确警报不做反应的成本;3)行动:当警报被触发,派遣安全小组;4)结果:观察行动和警报结果是否一致(即派遣安全队的决定是否正确);5)输入:警报器所在地的传感器数据、比如行动轨迹、温度、视觉影像等;6)训练:历史传感器数据和对应的警报结果;7)反馈:新生成的传感器数据和警报结果。

基于画布的思考可以帮助企业家认识到自己的业务流程可能被AI预测机器如何改造;了解了之后,整个管理层就要判断,这种可能出现的改造会在多远的未来被实现。3年就可以实现的预期和20年相比,会影响今天的转型和投资决策。例如,如果安全警报的预测正确率在99%以上,那么安防公司可能就要投资研发现场抓捕设备、而不是花太多时间建立地勤响应团队了。

来自作者Joshua Gans的问答

问:“预测”的概念是怎么来的?

答:我们在研究今天这种基于机器学习的AI时,发现它的数据特性与人类预测行为相同。

(预测是人类智慧的基础,作为创造力和生产力增长的核心,人类的智慧是靠大脑使用记忆进行预测来实现的。我们的大脑不断地预测我们即将体验到的事情——我们会看到什么、感受到什么、听到什么。随着我们的成长和成熟,大脑的预测会越来越准确,预测往往会变成真的。然而,要是预测未能准确地昭示未来,我们会注意到异常,并将这一信息反馈到大脑,让大脑更新算法,进行学习,对模型做更进一步的优化。)

我们认为近期AI能力的提升就是体现在机器预测能力的进步上。当然AI本身是一个宽泛的概念,它指的是智慧的多种形态被机器表现出来。只不过在今天,它只表现了预测能力,其他形态的智慧例如行动和判断还暂时没有。

问:以前我们通常说人是生产要素,现在我们是不是能够把生产要素拆得更细?人们会不会把更多属于我们的生产要素外包给机器?

答:我们所做的是把决策流程分解成不同部分,但是很难说哪些部分会将被机器取代。但是原则上,除了价值判断之外的一切都可以被机器执行。当然这还需要一段时间。机器预测也只是在一些领域变得容易,在另一些领域依然很难。

(在已知的已知、已知的未知、未知的未知和未知的已知这四种情况中,只有第一种更容易被预测机器执行。)

问:一些使用算法推荐的内容app容易造成青少年沉迷,产生负面外部效应。政府是否应该进行了监管,例如多少时间之后不能再观看;或者,通过交高额税负解决问题?

答:任何技术都会带来意想不到的结果,其中一些需要监管。制造业和其制造的污染面临这种情况。AI也会面临这种情况。我不太了解青少年沉迷的具体情况,但我怀疑沉迷的原因不单单是AI。

问:在AI技术竞赛过程中,不同国家可能会采取不同的策略;因为训练AI需要大量用户数据,所以较宽松的隐私保护政策可能会成为国家的竞争优势。国际社会可能会缔结什么法律来防止“逐底竞赛race to bottom”么?

答:联合国肯定没法立法影响不同国家,不同国家当然会有不同的发展方式。这其实是件好事,因为我们并不那么清楚“正确”的隐私保护法应该是什么。当不同的国家走不同的路时,我们更有可能发现。我不是特别担心“逐底竞争”的问题,因为很难说哪条路向下、哪条路向上。

IT.数码

via 36氪 https://36kr.com

January 9, 2019 at 12:44PM


发表评论

电子邮件地址不会被公开。 必填项已用*标注