無知本身是一種天賦

魏忠

2015年11月，美國南加州大學神經生物學教授Theodore Berger宣布，已經對癲癇患者進行人體實驗，破解人體記憶的奧秘。在此之前，Theodore Berger已經完成猴子、老鼠的記憶實驗，一個特制的芯片從一只被特殊訓練過的猴子大腦移植到另外一只根本沒有接受訓練的猴子大腦海馬體，第二只猴子展現出被訓練后才有的某種能力。Theodore Berger教授宣稱大腦芯片的發明能夠解決癲癇和老年癡呆等病人的腦損傷，但事情不會僅僅如此。Theodore Berger教授還表示，隨著植入硬件的發展，未來人類的意識有望永存。

從坎貝爾發現短期記憶和長期記憶的關系開始，腦科學飛速發展，坎貝爾用最簡單的海兔做了幾十年實驗才有成果，而今天的Theodore Berger能夠直接用人做實驗。兩者的不同是，Theodore Berger不僅需要將短期記憶和長期記憶搞清楚，還必須搞清楚信號是如何傳輸和存儲的。坎貝爾獲諾貝爾獎的同時，成立了一家飽受爭議的醫藥高科技公司去治療腦疾病，而Theodore Berger的成果不只是治療，它對人工智能的走向及教育思維都有著很大的沖擊。

幾十年來，教師一直受一種錯誤觀點的影響，即人腦真正被開發出來的比例只有5%或10%，這兩種錯誤觀點是人類腦科學研究的早期階段性研究成果或誤傳。1920年，腦科學家Karl Lashley進行記憶實驗時，發現只留下老鼠5%的大腦，它還能夠正常鉆出迷宮，于是5%的大腦使用率由此得出。同樣，一位計算機學家和一位生理學家探討腦科學問題，生理學家提出“人類數十億神經突觸，只有數億與記憶相關”，而計算機學家根據生理學家提出的結論得出人腦只使用了10%，也因而高估了人腦的開發潛力。

如果說，記憶存儲和人工智能不斷發展，將來機器記憶和人腦記憶打通，是不是原先無用的記憶就不需要了呢？當我們的教育中大多數時間用來記憶可以通過網絡隨時得到的知識的時候，人的價值到底何在呢？

有一則笑話或許可以解釋這一切：愛因斯坦和白癡去世后，都到了天堂。上帝需要將他們的大腦格式化然后重新投胎。在投胎前，上帝會購買兩人大腦的容量，結果愛因斯坦的大腦5美金，而白癡的大腦5000美金。愛因斯坦大惑不解，上帝解釋：“白癡的大腦沒有用過，因此值錢。”

沒有用過的大腦會更值錢嗎？在沒有人工智能的時候，教育界的人從來不這樣認為，因為只有經過知識灌輸的大腦才能適應社會，因此得出“知識就是力量，知識越多越好”的結論。可是，隨著信息過載時代的來臨，再加上人工智能的發展，今后未必是這樣的情況。

大家知道蜜蜂不經過訓練就可以工作，很多動物生下來就可以自力，而人不行。動物獲得本領有兩種渠道，一種是基因本身帶來的，另一種是通過學習得來的。很顯然，越低級的動物，其技能越來自基因本能，而越高級的動物，其技能越來自后天的學習。為什么人類的大腦中沒有遺留更多的遺傳基因，如生下來就會說話、就會做數學題、就會背詩歌呢？似乎智慧的人類遺傳時只造就了一個智慧的人的空殼，而大腦只保留了部分必要的基因，其他的被完全格式化。腦科學研究顯示，大腦被格式化是非常重要的，因為，只有如此，人類才能不斷學習近幾十年甚至近幾年才出現的事物，而不需要人類大腦快速進化，不然，一個孩子一生下來就會說話當然好，但如果說的是古代安陽的殷墟土語呢？人類的進步遠快于大腦進步的意義在于，它可以學習，而可以學習必須是生來有個“無知”的大腦。

一寸光陰一寸金，寸金難買寸光陰。人類記憶的成長使很多技能具備窗口期，過了窗口期，很難會再有所建樹。例如，語言、音樂、美術、體育、計算機等，都有其窗口期。隨著窗口期的發現及大腦容量開發的有限性，學習就成為科學，而不只是情懷。知識越多，不一定越好，從這個角度來看，所謂天才是否就可以理解為“大腦沒有被格式化得很干凈的人”？而白癡是“擁有格式化得太干凈的大腦”的人？

Theodore Berger的海馬體芯片技術的黑科技，使得“海馬體外包”成為可能，并沖擊了人類數千年形成的教育哲學。在海馬體可以外包的年代，什么是人的價值？什么又是教育的價值？

2016年3月，AlphaGo大戰韓國棋手李世石，4∶1大勝。在我看來，這件事是遲早的，原因是，就李世石的大腦來說，能夠記住幾千個棋局已經是天才，而AlphaGo的“大腦”中可以輸入數不盡的棋局。AlphaGo模型是靠兩個“大腦”：一個是落子選擇器，另一個是棋局評估器。無論前面一個還是后面一個，人類的大腦都無法與之相比。有一句話叫“觀棋不語”，而AlphaGo不僅說話，在下棋時還利用分布式的計算機，使用40個搜索線程，1202個CPU，176個GPU實現每一步計算，從這個角度看，機器比人腦擁有更多的外援（外腦）。也就是說李世石只有動用40個場外指導，1202個團隊成員，176個棋局演示，再給予足夠的計算時間，才可算是和AlphaGo平等對弈。

“利用外腦，利用技術手段”，這也就是馬克思所說的人與動物最大的區別：人類可以發明和使用工具。而千百年來，我們的教育更多的是在如何開發大腦和讓大腦存儲更多的知識層面上起作用，而這個臨界點，已經到了。

AlphaGo和人下棋，只是谷歌為了讓人們了解人工智能科技而進行的一場市場營銷活動，事實上，其應用遠比下棋廣泛得多。例如，人們可以下載App，將病情輸入，人工智能可以將數以億計的案例，數以千計的藥品，數以百計的廠家關聯起來，這些智能計算的難度并不比下棋困難，因而醫生用藥的準確性是肯定會輸給人工智能的。那么，將學校的每位學生的情況輸入計算機，所得出的針對性的教學方案是否也會比“特級教師”好得多呢？

無論是AlphaGo還是深藍，人工智能使用的都是具有創造性的科學家發明的算法，并且這些算法一旦成型，機器本身效率很高，但卻很難改進，存在系統性誤差。而且在非常個性化的針對性及創造性思維上，機器是不能與人相比的，原因是，自然給了我們格式化大腦的同時，也給了我們學習的能力。例如，一個機器可以代替人類搜集網絡的數據，并進行貝葉斯的算法分析，也可以通過頻度的算法給出結論，然而人類爭論了幾百年的統計學的頻度派和貝葉斯派，只有具有數學思維和學習能力的人，才可能判斷其間的微妙差距。

2014年2月，《自然》雜志發表評論，在統計學中具有重要意義的P值，并沒有科學家想象的那樣重要，而過去的幾十年中，絕大多數科學家都會不正確地使用P值進行科學統計和歸納。與此同時，絕大多數人工智能軟件，也都會在統計處理中，計算P值，并當作原理不分場合地應用。而這個事實，也只有學習能力和思辨能力很強的Regina Nuzzo才會發現。

2013年，我在卡內基·梅隆大學訪學，見到了匹茲堡大學著名的層次分析法之父托馬斯薩蒂，年紀將近90歲的老教授，還在堅持授課。上世紀，薩蒂發明了AHP分析法，也就是專家評判法。這個方法簡單地說就是通過檢驗不同專家對同一件事情的分歧算法，而進一步對一件客觀事情的構成要素的權重進行計算。有了專家評判法，才有了后來的專家系統，以及智能決策，在人工智能方面它也是重要的基礎。然而，薩蒂說，其實專家算法是專家對一件事情的主觀評價，一致性檢驗也和客體毫無關系，可無論是中國學者的論文還是其他國家學者的論文，用錯的比例都不在少數。

既然統計學中的貝葉斯派和頻度派關于統計的基石有截然不同的看法，既然大多數科學家對簡單的統計學P值都誤用幾十年，既然所謂的專家主觀評價都會被濫用，那么，建立在黑箱中的人工智能，效率可以很高，但出錯也都是預料之中，這就是人的價值。這也是為什么李世石也會贏AlphaGo一局的原因，即使那一局直到最后一刻AlphaGo系統中也一直打勝率領先；這也是為什么可以讓計算機開藥，但醫生必不可少的原因，今后指導學生可以更多依靠數據科學，但教師會更加重要。

我相信，有了人工智能后，醫生需要的會更多而不是更少，但醫生工作的側重點將被轉變，教師需要的也會更多，但教師的職責不再是自己僅存的經驗，而是更具有創造性和個性化的指導。

未來教師的職責在于，感謝學生們的無知天賦，并讓自己去指導在適當的時間窗口學習，同時極力避免學生大腦輸入不需要的“垃圾”。