從「預測機器」的視角理解AI，凱文凱利力薦的《AI極簡經濟學》化繁為簡

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.

以上是凱文凱利對《AI極簡經濟學》這本書的評價，他說這本書將人工智慧視為一種全新的平價商品——預測能力，這讓我們能更加輕鬆地理解人工智慧，實為天才之舉。我感覺這本書出奇地有用。

這篇文章會分享這本書的一些核心觀點，文末是作者對後續問題的一些回答。

《AI極簡經濟學》 博集天卷 | 湖南文藝出版社 阿傑伊·阿格拉沃爾 / 喬舒亞·甘斯 / 阿維·戈德法布/ 著；閭佳/ 譯

優秀的書籍會在讀者心智中種下一個概念；更棒的書籍會讓這個概念成為人們交流新概念的基礎。

舉個例子，在《黑天鵝》這本書之前，公眾很少關注那些發生概率極低但一旦發生則影響巨大的現象；但是那本書出版之後，公眾不僅可以用「黑天鵝」三個字對那種類型的事件進行簡單代指，而且也會更多地討論與之相關的話題。後來出版的《灰犀牛》屬於同類概念。英文中catchphrase的意思是流行語，這些新概念辭彙非常容易被人的記憶抓住，從而引發社會討論。

《AI極簡經濟學》對AI概念做了同樣的事情——將模糊的、沒有共識的詞「人工智慧」換成了「預測機器」。前者聽起來撲朔迷離，後者明確地告訴人們，這項技術在和人類經濟史上出現過的機器們一樣，不過是一種生產力提升機器；唯一的區別是，這個機器的功能是提高「預測」的準確度。

這種穿透本質的理解來自作者經濟學家的背景。經濟學家對世界有著與眾不同的看法，他們會從供應關係、生產和消費、價格與成本的框架來思考一切問題。他們從最基礎的價格著手，如果某樣東西的價格下降，那麼我們會更多地使用它——這就是簡單的經濟學。

如果說經濟學家擅長做某件事的話，那就是「戳穿噱頭」。當其他人看到改頭換面的新發明時，他們只看到價格下跌。這種情況正在人工智慧行業發生：正在變得不斷廉價的東西叫做「預測」。

預測是填補缺失信息的過程。預測將運用你現在掌握的信息（通常稱為數據）來生成你尚未掌握的信息。

當預測更廉價，意味著預測會變得更多。最開始，它會被應用於傳統事物，例如庫存管理和需求預測；但逐漸地，它也會被用來解決非傳統事物。常見的例子是智能翻譯和無人駕駛汽車，曾經在封閉空間需要基於「如果-那麼」採取行動的車輛，在今天需要做的是，根據輸入的視覺信息，來「預測」一個正常人類駕駛員會怎麼做。

再舉一個不那麼常見的例子——iPhone上「最重大的科學項目」是軟鍵盤。在iPhone誕生之前，在手機上使用軟鍵盤的體驗都非常糟糕，許多蘋果工程師甚至拿出了放棄QWERTY鍵盤的設計方案。但最後的解決方案是，鍵盤看起來依然是QWERTY的圖形，不過在打字的時候，一組特定鍵的表面區域會放大。

當你輸入t的時候，下一個字母很可能是h，因此h鍵所在的區域會放大；輸入h之後，e和i又相應放大，以此類推。讓鍵的大小隨著人輸入的字母而變化，後來的文字自動修訂功能是同樣的原理，再後來，工程師們意識到，鍵不一定非得被人們找准然後點擊。

簡單說，之所以廉價會創造價值是因為，當某種商品的價格低到你注意不到時，它就能改變世界。例如，照明成本的急劇下降，使我們的行為發生了轉變，從先前需要在開燈前衡量下成本，到現在毫不遲疑地打開電燈開關。

這種下降給了我們機會去做原先無法做到的事情；它把「不可能」變成了「可能」。廉價照明帶來的一些影響很容易想像，另一些卻不那麼明顯。下一節要講的就是，對於企業家來說，預測價格的下降與我何干？

當超越閾值的預測能力足夠廉價，它就可以改變一家公司的商業模式。

今天亞馬遜會向用戶個性化地推薦商品，它的推薦準確度也許只有10%，就是說用戶會在推薦的10個商品中購買1個。但是假設有一天，推薦演算法的準確度達到了80%，亞馬遜就可能選擇直接把商品寄到用戶家，於此同時花時間組建一個逆向物流網路，將用戶不要的商品收回。

但是不同公司的商業模式都可能被如何改變，在今天仍未可知。不過，為了幫助企業家了解AI和自身企業發展的關係，本書提供了一項工具——人工智慧畫布。

人工智慧畫布 - 用來思考AI如何幫助企業發展

畫布上每一個空格包含了一項機器輔助下的決策流程，從「預測」環節開始。首先，明白「我們需要知道什麼信息從而做出決定」。第二步是判斷，你給不同的結果以及失誤賦予多少價值。第三步是行動，判斷之後你要採取的行動具體是什麼？第四步是結果，你用什麼來衡量結果是否成功？以上四項基本上是做決策的核心要素。

下面的一列都和數據有關。輸入：你需要什麼樣的數據從而運行一套預測演算法；訓練：你需要什麼樣的數據去訓練這套預測演算法；反饋：如何利用結果量不斷使演算法進步？

以安防警報產品為例，我們來理解下如何使用這個畫布。

1）預測：預測警報被觸發的原因是人還是其他什麼東西（是vs否的問題）；2）判斷：比較對錯誤警報做反應的成本和對正確警報不做反應的成本；3）行動：當警報被觸發，派遣安全小組；4）結果：觀察行動和警報結果是否一致（即派遣安全隊的決定是否正確）；5）輸入：警報器所在地的感測器數據、比如行動軌跡、溫度、視覺影像等；6）訓練：歷史感測器數據和對應的警報結果；7）反饋：新生成的感測器數據和警報結果。

基於畫布的思考可以幫助企業家認識到自己的業務流程可能被AI預測機器如何改造；了解了之後，整個管理層就要判斷，這種可能出現的改造會在多遠的未來被實現。3年就可以實現的預期和20年相比，會影響今天的轉型和投資決策。例如，如果安全警報的預測正確率在99%以上，那麼安防公司可能就要投資研發現場抓捕設備、而不是花太多時間建立地勤響應團隊了。

問：「預測」的概念是怎麼來的？

答：我們在研究今天這種基於機器學習的AI時，發現它的數據特性與人類預測行為相同。

（預測是人類智慧的基礎，作為創造力和生產力增長的核心，人類的智慧是靠大腦使用記憶進行預測來實現的。我們的大腦不斷地預測我們即將體驗到的事情——我們會看到什麼、感受到什麼、聽到什麼。隨著我們的成長和成熟，大腦的預測會越來越準確，預測往往會變成真的。然而，要是預測未能準確地昭示未來，我們會注意到異常，並將這一信息反饋到大腦，讓大腦更新演算法，進行學習，對模型做更進一步的優化。）

我們認為近期AI能力的提升就是體現在機器預測能力的進步上。當然AI本身是一個寬泛的概念，它指的是智慧的多種形態被機器表現出來。只不過在今天，它只表現了預測能力，其他形態的智慧例如行動和判斷還暫時沒有。

問：以前我們通常說人是生產要素，現在我們是不是能夠把生產要素拆得更細？人們會不會把更多屬於我們的生產要素外包給機器？

答：我們所做的是把決策流程分解成不同部分，但是很難說哪些部分會將被機器取代。但是原則上，除了價值判斷之外的一切都可以被機器執行。當然這還需要一段時間。機器預測也只是在一些領域變得容易，在另一些領域依然很難。

（在已知的已知、已知的未知、未知的未知和未知的已知這四種情況中，只有第一種更容易被預測機器執行。）

問：一些使用演算法推薦的內容app容易造成青少年沉迷，產生負面外部效應。政府是否應該進行了監管，例如多少時間之後不能再觀看；或者，通過交高額稅負解決問題？

答：任何技術都會帶來意想不到的結果，其中一些需要監管。製造業和其製造的污染面臨這種情況。AI也會面臨這種情況。我不太了解青少年沉迷的具體情況，但我懷疑沉迷的原因不單單是AI。

問：在AI技術競賽過程中，不同國家可能會採取不同的策略；因為訓練AI需要大量用戶數據，所以較寬鬆的隱私保護政策可能會成為國家的競爭優勢。國際社會可能會締結什麼法律來防止「逐底競賽race to bottom」么？

答：聯合國肯定沒法立法影響不同國家，不同國家當然會有不同的發展方式。這其實是件好事，因為我們並不那麼清楚「正確」的隱私保護法應該是什麼。當不同的國家走不同的路時，我們更有可能發現。我不是特別擔心「逐底競爭」的問題，因為很難說哪條路向下、哪條路向上。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！