人和機器終將合二為一

王小川

我們一直在尋求人和機器的關系。

然而在討論這種關系的時候，就要涉及到歷史的趨勢，尤其是什么事情是必然會發生的。只有對趨勢的了解，對于必然有認知，我們才能夠開始探討人與機器的關系，這是哲學的問題。

縱觀歷史發展，我們經歷了從史前文明、農業文明、工業文明到信息文明的各個階段的技術突破。其實，離我們最近一次的信息文明其實并沒有結束，是計算機和互聯網發展推動了信息文明的快速發展。

即使到今天，在中國還有大量的場景并沒有信息化，比如教育。但，這時候已經有一個苗頭，就是智能文明的降生。說到智能文明，人工智能是我們繞不過去的話題。

AI帶來的啟蒙

人工智能有廣義和狹義之分。狹義的人工智能，講的就是2012年之后的深度學習，尤其是2016年阿爾法狗的誕生。可人工智能有更長的歷史，最早從上世紀60年代的專家系統，之后是特征工程，到現在，我們開始使用的更多的監督學習，尤其是對語音圖像的處理能力。

在深度學習和監督學習之后，我們還在做的工作叫做強化學習，或者叫做推理，但是，它們到現在還沒有進入到實用階段。我們今天講到的深度學習，還停留在現有的語音圖像處理階段。所以，我們對于未來的趨勢充滿好奇。

我更多是想探討技術將會帶來什么變化。

其實，2016年給我最大的沖擊是阿爾法狗，我們稱之為一場啟蒙運動。相對以前的文藝復興，它是在探尋人和人，以及人和神之間的關系。阿爾法狗之后，我們關注的是人與機器的關系。

2016年的那場比賽，我參與比較多，我當時在在新浪直播全程見證了李世石被機器打敗。在那場比賽中，和我一起做嘉賓的是中國圍棋隊總教練余斌。賽前，他堅定認為，人一定會打敗機器，甚至覺得機器能夠下圍棋是一件不可理喻的事情。

賽后，余斌教練的精神出現了一定的崩潰，我聽說是新浪編輯幫忙打車送他回去的，他已經不知道怎么打出租車了。

當一個機器文明誕生時，對于我們來說，特別是專家，被機器取代的那一刻，自己的內心是難以接受的。之后在醫療、駕駛等各領域都會發生這樣的變化。

賽前，我們對阿爾法狗有很多質疑，賽后，我們發現很多年輕朋友把阿爾法狗稱為狗狗，對它有很大的接受，圍棋九段選手們把它稱為“阿老師”。今天，我們通過擬人化的方式接納了機器。這種接納的速度會更快一些。

語音為AI入口

什么樣的工作將會被取代？這是很多媒體人好奇的問題。我想，這是近期要去解決的回答，還有一個問題是人類是否會被機器取代，這是更加遠期的問題。實際上，2016年到現在的3年時間，我永遠被追問的最核心問題也是這兩件事情，而不是探討背后的技術。

關于什么樣的工作將被機器取代？我們要理解當下機器本身的強大，以及它目前的局限性。在一些媒體或影視作品中的解讀中，機器很強大，想象它變成人的形狀，能跟人對話，甚至比人更加厲害。實際上，以今天的技術能力、水平，要制造這樣的機器人，恐怕還只能處于幻想中。

我用兩個觀點來闡述現在人工智能本身的局限性。

第一個觀點是，今天人工智能已經具有了強大的感知能力。什么感知呢？就是聽覺、視覺，跟外界接觸之后進行信息低層次處理的感知。現在圖像識別里面，機器做人臉識別已經可以超越人了。

另一個就是認知領域，機器就會難很多了，尤其是跟語言相關的。語言是我們對世界的一種抽象認識，就像人類簡史里講到的。我們在森林里去找仙女，這樣的事情是有概念有故事的，這個事情機器沒有掌握。加上人類還有遷移學習能力，機器目前都不具有。

在這種局限性下，我們可以做一種簡單的斷言，在認知問題里面機器只能輔助人類，比如說寫一部小說或者對話的時候，機器并不能獨立工作，但在認知問題、感知問題里面，機器可以獨立上崗，就像圖像和語音的處理。

我們的做法是以語言為核心，去探討語言相關的感知和認知，感知是處理語音、圖像，認知處理的是對話、翻譯和問答。在這個感知中，機器已經可以達到和人相同的水平，但是在認知領域會非常難。

從優先順序看，最容易做的事情是機器翻譯。即使如此，我們可以看到它跟人相比較，也有一定的差距，尤其是，人覺得特別簡單的事情，機器并不一定處理很好，而人覺得復雜的問題，機器可以做得很好。這與感知不一樣。在感知方面，機器可以比人做的更全面，機器不精準的地方，人也做不好。而認知世界里，機器和人好像是不同類型的人。

在感知領域，我們已經做了語音識別。搜狗是中國今天To C領域語音識別量最大的引擎。因為我們擁有中國最大的輸入法，每天有超過6億次語音識別請求，包括語音修改，目的就是以語言為核心使得人跟人通過感知能進行更好的溝通。

但是，我們覺得這件事不代表技術前沿，我們又做了唇語的識別。之前是用聲音轉化為文字，現在，我們可以做到用嘴形變化轉化為文字。

除了語音識別，還有語音合成，包括風格遷移。在互聯網上，除了機器能識別用戶以外，當用戶在表達的時候，機器能夠做更多輔助的工作。我們可以把自己的音色做遷移，變成個性化合成。

我們發布了一款技術，叫做AI的合成主播。就是把語音、圖像和文字的關系完全聯動起來。之前，我們將嘴形識別變成聲音、變成文字，現在我們倒過來，也是同樣的技術，能把文字變成聲音的表情。我們的AI合成主播，能合成人的聲音、嘴形、表情，同時也是我們在全球首個用AI能取代人的分身技術。

AI的合成主播技術已經上線，全球很多媒體都會采購，包括國內最大的一家保險公司在線客服也將采用我們的技術，用機器取代部分人。在感知視覺里，機器和人溝通機器能做到很大的取代人的作用，獨立開展工作。

人機“新合體”

未來，隨著AI技術發展，機器越來越準確之后，其輔助能夠逐步給出標準答案的結果。可以看到，從語言處理當中，我們的努力方向就是從搜索走向問答，以后用語音提問就能給除直接的結果?，F在，我們能看到40%的用戶提問能給到直接的回答。從搜索到問答，最終的形態是走向個人助理，讓機器和人產生后面的交流，能輔助完成一些任務。

人類是否真得會被機器取代，這是我們需要回答的事情。有一個悖論，學術上很有名，我們的感知說，人腦太聰明了，我們竟然能造成出一臺比自己更聰明的機器，但是另一個人說，人腦太聰明了，我們不能造出一臺比人腦更聰明的機器。

這兩個說法都成立，人聰明的時候，到底是否機器能超過人自己，這是很難回答的問題。我的看法是，未來我們做出的人工智能，和人腦不是進行直接的比較，也不是做出擬人的機器成為人工智能發展的未來，而是走不同的道路。

在人最擅長的領域中，機器的設計原理，從目前可知道的技術是沒法到達的;但是倒過來，機器所擅長的這些事情，人也做不到。就像一個計算器，我們不會跟一個計算器比拼計算速度怎么樣，同時，未來的人工智能在特定領域里的使用，也一定遠遠超過人。

但是，我們通用的智能，我們的生命力，適應環境的能力，在可見的技術里面，機器也是做不到的。這里我想提到的一個基本觀點，首先不要妄自菲薄，我們想機器會把人取代了，因為我們找不著一個方法比人更厲害、能完整替代人的機器。

之前，我們有一種狹隘的理解，我們特別害怕機器在某個領域里面把人給超越了，就像下圍棋一樣。事實上，我們要去接受機器在很多情況里面能夠替代人的部分的功能，或者增強人部分的功能。比如，有很多人都在戴眼鏡，想過沒有，我們已經被技術入侵了，因為眼鏡使得你視力變得更好，因為手機我們每個人變成千里眼、順風耳。未來一樣，技術和人會產生新的融合體。

跟一個猴子說，如果改變基因把你變成人你會愿意嗎？猴子肯定不愿意，因為它聽不懂，也不理解。同樣的，如果用技術改變人，將人變成超人，我們會愿意嗎？今天就在發生這樣的事情，我們大多數人還是采取這種拒絕的態度，因為覺得人更渺小，但是，在未來，人和機器會有一種新的合體，跟技術在一起，我們會變得更加強大，形成新的生態，這是人和機器協同進化的未來。

我們的使命是，在AI中做簡單的工作，讓表達和信息變得簡單，并在大時代找到自己的位置。