【原】借鉴AI未来十年发展方向，重构认知体系的四个步骤

SpaceX载人火箭发射成功，马斯克成为大英雄。可就在昨天（2020年6月2日），马斯克造的特斯拉却不省心，发生了一起看上去非常低级的交通事故。

这起事故发生在台湾，上午6点44分，光线也不是太差，高速路上躺着一辆侧翻的货车，后面的车看到后纷纷减速避让。

此时，监控摄像头中出现了一辆白色特斯拉 Model 3，没有任何减速的样子，镜头中还看到有人试图拦它，可特斯拉不管不顾，直直撞上倒下的障碍物货车，将货车都推动了一大段距离。

万幸的是，此次事故没有造成人员伤亡。车主对警方说，当时 Model 3 处于 AutoPilot（特斯拉自动驾驶系统）开启状态，时速定在110公里。

司机放心的将汽车托管给特斯拉的自动驾驶系统。当他发现前面的障碍物后，踩下刹车为时已晚。

为什么这么明显的一个障碍物，自动驾驶系统「看」不见呢？

我在黑天鹅中的大赢家：直面不确定性的三个策略 分享过一张图：

说机器很难识别横躺的大巴车。这次事故简直就是这张图的真实再现。

人工智能为什么看上去这么「弱智」，适应能力这么差呢？

关心人工智能的朋友可能听到这样的观点——人工智能寒冬论此起彼伏，人工智能的发展陷入了一个瓶颈期。

目前最根本的问题，就如这次事故，当输入数据改变时，系统纠错能力差，非常脆弱， 很容易被一些噪声糊弄。

那有什么可行的解决办法没？

人工智能领域有一个想法就是教机器像人一样学会因果，能够逻辑推理。但实现的过程需要很长一段路走。

三类知识：明知识、默知识、暗知识

教机器什么知识呢？毕竟在下围棋这事上，我们已经没有什么能够给机器教的，「棋圣」聂卫平也说要像阿老师（阿尔法狗）学习。

《暗知识》的作者王维嘉将知识分为三类：

明知识：可以用符号清晰描述和表达的知识，比如 E=mc^2 就是明知识，能方便的记录与传播。明知识又称为显性知识。

默知识：又叫默会知识，个人能感受到，也可以应用，但无法清晰描述和表达的知识，就是常说的「只可意会，不可言传」的知识。这就像很多老匠人，能做出非常美好的物件，但说不出具体怎么做。

默知识的学习只能靠亲身体验，靠人与人之间紧密的互动传播——传统的师傅带徒弟就能传播默知识。

暗知识：人工智能，特别是神经网络发现的海量的，人类既无法感受也无法表达的知识，这些知识如同一个有很多旋钮的黑盒子，你调到一个位置，输入数据就能得到一个预期结果，但你不知道为什么会这样。暗知识对应着万事万物间的隐蔽关系。

因暗知识由机器发掘，所以容易传播。只要有一个阿尔法狗（AlphaGo）在围棋上战胜人类，就可以快速复制成千上万个阿尔法狗，跟孙猴子变戏法一样简单。

我们可以看出，要解决人工智能当下的困境，我们要教给机器而且也只能教给机器的只有明知识。

提倡教明知识就是人工智能中的符号主义学派，让机器模拟人的逻辑认知，学会「抽象」，从具体物体抽象出物体和功能有关的特性，进而根据场景匹配功能。

一旦机器掌握了因果推理，就不需要大量数据，会跟小孩子一样学习，见过几只狗狗后就能快速识别出多种类型，多种外观的狗狗。

回到开头特斯拉的事故，如果机器可以因果推理，它就可以这样做：

• 识别场景：前面有车倒下，判定出了事故，这个前提是机器要理解「事故」这个概念

• 设定任务：在保证行车安全的前提下，避免撞上障碍物

• 因果推理：发生事故，需要减速并变道

• 具体措施：刹车减速，观察后方与临近车道，借机变道

具体过程中更复杂，比如要不要施以救援，假如来不及避闪临近车道，要不要为了减轻事故跟其他车相撞等。

2020年2月份深度学习的著名批评者马库斯·盖理（Gary Marcus） 发表了一篇论文——《 The next decade in AI, four steps towards robust AI》，可译为《人工智能的下一个十年，向强健人工智能迈进的四个步骤》（公众号回复「AI」可下载这篇论文）。

我读完后很有收获，对于不研究人工智能的个人来说，也可以借鉴这四个步骤构建强健的认知体系。

我再结合野中郁次郎的「概念」方法论，整理了一个可操作的构建认知体系的四个步骤。

建立认知体系的四个步骤：

Step 1：规定知识的基本形式

Gary Marcus 将可以向机器教授的明知识分为三类：

• 世界物理结构的先验知识，比如物体形状（圆柱，方块），以及平移，旋转等基本运动方式。这些知识对人类来说是先天的，不需要学习，但对机器来说却很难。

• 具体事物和概念，类似于知识图谱，专家库等。比如各个学科的概念，公式，定理等。

• 抽象结构的知识，如逻辑关系，语法等一些基本规则。

这样分类是针对机器的，对人类来可以简化为两大类：

• 事物本身的知识

• 事物间关系的知识

我提倡通过卡片方法来学习两类知识。如果将学习比作做菜，第一步就是建立原料的标准，和提前加工原料，比如葱切段，肉切块，小白菜心淘洗干净等。

Step 2：建立知识操作系统

这个操作系统能够把基本知识整合成无穷多知识。操作系统要做的事就像厨房，确定要做什么菜，然后通过一系列流程将原料加工为成品菜。

这就如同给几个土豆，厨师能炒出多个菜：炒土豆丝，炒土豆泥，醋溜土豆丝……

操作系统的功能就是识别场景，设定目标，使用适合的工具和方法，遵循基本规则对知识加工整合以解决现实问题。

Step 3：模型化

模型可以理解为结构+形成（维持）这个结构的能量/信息运作方式。拿做菜举例，端上一盘醋溜土豆丝不算模型，加上醋溜土豆丝的配方及烧制方式，才算是一个完整的模型。

模型的用途是认知和解释世界，也可以用来推理和预测。

模型化的好处是容易理解和推广。

比如你制定醋溜土豆丝的配方和做法，那么无论谁都能做出相同的口味。模型让我们有了确定感。

模型也能根据任务进行联结，或者嵌套成新的模型。

Step 4：算法化

算法化就是应用模型，利用知识和模型认知与推理。

时间总是有限的，信息也是有限的，个体计算能力也是有限的，我们不可能每次重新计算。需要对相似的情境形成一些固定算法，变成固定套路。这样就可以在具体任务中选择相应的工具并灵活的重组模型，高效应对真实世界的挑战。

我模仿丰田的架构屋框架，将这个方法做成了一张图：

我会在知识星球撰写系列文章分享。