《万物重构:智能社会来临前夜的思索》 - 书摘

前言

如果说科学技术是智能社会的第一生产力，那么，科学的方法就是推动社会进步最重要的动力。从古至今，从中国传统文化到西方思想，提出问题，思考问题，论证问题，最后得出结论，这种有理有据的科学方法，才是我们了解世界本质的唯一途径，

在四川成都武侯祠有一副名对：“能攻心则反侧自消，自古用兵非好战；不审势即宽严皆误，后来治蜀要深思”

自序

尤其当我看到越来越多的人，本来可以从容地提前学习和转型，从而有机会充分享受科技发展给人类带来的便利，却因为保守的认知，不思进取的态度，而可能成为即将到来的智能社会的“弃儿”，身为一个科学技术理念的传播者和身体力行者，总感觉有一种责任，应该花精力争取把情况解释得更加清楚和透彻些。

但是，我们又要清醒地认识到，智能并不是无所不能的“神话”，它只是一种技术，一种工具，或者更精确地讲，它可能是人类迄今为止发明的最为高效的“赋能”工具。

过去，我们通过利用工具，延伸了四肢的能力。未来，我们将通过人工智能延伸大脑。而这种延伸，只是一种辅助，一种增强，它并不具有主观能动性，也不具备“元”意识能力，它的一切都是人所赋予的。但是，它又是一种具备“降维打击”能力的“赋能”工具，会使拥有这种工具的人类对其他尚未拥有这种工具的人类产生“降维打击”的优势，这也是全球目前一个非常热门的词汇“数字鸿沟”（Digital Divide）的来历。

机器的智能化，仅仅是在能力上无限接*人，即使在某些方面，机器的能力要强于人类，也只能是通常所说的“硅基”大脑与“碳基”大脑的物理性差异，关于这点本书中会有专门介绍。

1．一切都在发生改变

古希腊哲学家赫拉克利特曾说过：“There is nothing permanent except change”。正如先哲所言，唯有变化是永恒的。

传说中蒸汽技术的发明者瓦特，实际上只是蒸汽技术的改良者。在瓦特的改良下，人类社会有了更为便利的动力，蒸汽纺织机、蒸汽火车、蒸汽轮船的出现“解放”了人类的双手和双脚，机器也开始普及与发展。

1946年，第一台真正意义上的电子计算机“ENIAC”在美国诞生，这个占地150*方米，重达30吨的“大块头”，每秒可执行5000次加法或400次乘法运算。

从此，人类的“碳基”大脑，开始有了“硅基”大脑这个新伙伴。

改变就是一个新事物，取代旧事物的过程。这既是一场革新，也是一场革命。

从哲学上讲，旧的事物必定将被新的事物所取代，所有跟不上技术发展的必将被淘汰。

在英文中democritization这个单词有民主化的意思，但在这里其本意更接*于*民化和大众化，《世界是*的：“凌志汽车”和“橄榄树”的视角》作者托马斯·弗里德曼认为在目前这个全球一体化时代，有三大“大众化”特征，即技术、金融与信息的“大众化”，其中尤以技术的大众化影响最为深远，是另外两个领域大众化的基础。

2．我们正在经历新一轮革命

这就是为什么我们每天耗费大量时间阅读公众号，上知识分享网站，听有声学习节目，还是时常感到跟不上时代的步伐。

抛开具体的算法实现机制不谈（有兴趣的读者可以自行从网络上寻找相关论文仔细研究），让我们先来看看AlphaGo为什么能够“战胜”人类的围棋冠军，首先，围棋作为棋类的一种，其规则是明确有限规则，也就是说它的元规则以及规则边界已由人类设定完成。它的复杂性，很大程度来源于19×19的棋盘构造带来的海量运算需求，而不是规则本身。其次，说到计算，AlphaGo的围棋计算能力来自于硅基芯片的二进制计算能力和人类赋予的算法，并且由电力驱动。而人类的围棋计算能力来自于主要由碳水化合物构成的脑神经元和人类自身的意识和智慧。

科技只是一种工具，一味地将科技神话或妖魔化，其实是主动将人类的责任和义务放弃，这反而是机器有可能对人类造成伤害的前提条件。

所以你看，AlphaGo Zero的神奇，其实只是算法和算力的功劳，归根结底最厉害的是技术和站在技术背后的人。

但是，无论是在高度自动化的生产化环境中，还是在瞬息万变的商业活动中，人类的创造力与创新能力，以及评估判断的能力非但不会被机器所替代，反而可以因机器能力的进步而得到极大的强化。但具体到个人、公司或国家的层面，到底是被机器代替，还是得到机器的强化，很大程度取决于人类对科技的态度。

在时代的岔路口，会出现三种人：第一种人，怨天尤人，抱怨改变的发生，拒绝接受现实，这种人终将被时代所淘汰；第二种人，乐观向上，积极接受改变，努力适应改变，这种人总能享受进步的成果；第三种人，勇敢创新，创造新的技术，实现科技的突破，这种人将引领时代的变化。

3．巨变下的思考

一直视爱迪生为偶像的特斯拉，曾在爱迪生的公司为他改进发电设备。作为商人的爱迪生看到了特斯拉的价值，并答应支付他5万美元的报酬。可结果爱迪生却以“你不懂我们美国的幽默”为借口拒绝支付这笔钱。无奈之下，特斯拉只得离开爱迪生的公司。

1893年，在美国芝加哥举办的哥伦布世界博览会上，被交流电系统瞬间点亮的会场，犹如白昼一般明亮，这是人类历史从未有过的场景。在这场壮观的博览会上，人们见到了未来城市的样子，也打消了对交流电的怀疑。

推动“电气化时代”的技术先驱特斯拉，已经成为新一代技术实践者的偶像，另一位技术天才埃隆·马斯克甚至以“特斯拉”命名自己的电动汽车，而爱迪生“光明使者”的形象，也因这段历史而饱受诟病。

成都武侯祠有一副名对，是清末民初西南名士赵藩写的：“能攻心则反侧自消，从古知兵非好战；不审势即宽严皆误，后来治蜀要深思。”

微软公司是唯一一家在过去二十年间始终屹立于全球上市公司市值前五名的企业，这与公司创始人比尔·盖茨先生一直主张的微软公司只有十八个月的生存机会不无关联。无论多么优秀的企业，一旦故步自封，一定会有更新、更优秀的企业将它们抛在身后。

4．遇见智能社会下的自己

为了让大家更清楚了解未来的样子，微软每隔若干年，就会汇集全球顶尖的创意团队，结合微软内部的产品专家，推出表现未来生产力愿景的概念视频，最*的一期视频名为Future Vision（未来愿景）（链接：ecowisdom.weiqing.io）。

从古至今，人类一向擅长利用工具，这也是人类与其他动物不同的最重要特点，是人类在地球上赖以生存和发展的基础。在新的社会形态下，智能技术与智能机器就是新时代最好的工具，通过对它们的利用，人类的能力将得到前所未有的增强与突破。

1．从STEM教育说起

我们先来看看什么是STEM教育，STEM是一种综合性跨学科教育模式，其中，S代表科学（Science）、T代表技术（Technology）、E代表工程（Engineering）、M代表数学（Mathematics）。

在科学素养的概念下，代表科学、技术、工程、数学的STEM教育诞生了。之后，又有学者提出在STEM中加入人文（Arts），或者阅读（Reading），于是，就有了现在的STEAM或STREAM教育。

这个小故事并不是空穴来风，它确实反映了中美两国在STEM教育上的差异。在美国，对学生进行方法论和实操方面的培育是从很小就开始抓起的。而在中国，STEM教育主要是放在高等教育阶段进行，更注重理论和认知的学习。

我们应该明白，学习STEM不是为了就业，也不是为了考试，而是为了培养一种能力，一种对未知探索的能力，一种归纳和演绎的能力，一种批判性思维的能力，一种能让我们适应智能社会所必备的创新和生存能力。

只有如此，我们才能掌握跨学科解决问题的办法，做到融会贯通，建立起真正的创新思维和科学素养，因为我们所面临的世界是丰富多彩，不分文理的。

2．被误解的“科学”

在古文献中偶尔出现的“科学”字样，指的也是“科举之学”，其意思与我们现在对“科学”的理解可谓相去甚远。中国传统上将所有知识获取，统称为“学”与“问”的过程。“科学”一词是对英文science的翻译，其最早源于拉丁文scientia，意为“知识”“学问”。Science一词在中国的翻译过程，也从一个侧面体现了现代知识体系在中国生根发芽的艰辛与挑战。

可以说，日语以“科学”翻译science并不科学。因为，science本来并没有分科的意思，“分科之学”更偏向另一个词：discipline（学科）。日本学者在翻译时，其实只是抓住了西方科学发展的某一个时代特征，那就是，自19世纪开始科学进入专门化、专业化的时代，天文、地理、生物以及数、理、化开始走向各自独立发展的道路。

相反，中国学者以“格致”来诠释science，本是神来之笔，但可惜当时国民自信心普遍不足，反而走上了一味跟随的路线，把对science的理解，从“格致”转为“分科”，后来者也只好将错就错了。

3．中国传统文化与“科学”的碰撞

前面我们已经提到，“科学”这一概念在中国古代是并不存在的，“科学”一词的流传是*现代才开始的。但是，“科学”在中国*现代的形成，又与儒家文化的兴衰密切相关，可以说，“科学”与儒家的“格物致知”有着很深的渊源。

朱熹说“知在我，理在物，这我、物之别，就是其‘主宾之辨’”，他的观点是，认识主体和认识客体的方法就是“格物致知”。朱熹认为“格物”就是要穷尽事物之理，“格物”的途径很多，上至无极、太极，下至微小的一草一木，皆有理，都要去“格”,“物”的理穷得越多，“我”知道的也就越广。由“格物”到“致知”，有一个从积累有渐到豁然贯通的过程，而这一过程，人们必须经过由表及里的认识，才能达到对理的体会与认知。

对于“格物穷理”的“理”，明代王阳明的解读与前人又有很大不同，他把“理”从客观的外在事物转向人的主体意识，在“心无外事，心无外理”的基础上，王阳明把“格物”理解为“格心”。既然“理”只有一个，且就在心中，那“知”就是“行”, “行”也就是“知”，王阳明“知行合一”的观点就此形成。

“知行合一”中的“知”指的是科学知识，“行”则是人的实践行动。“知行合一”的意思就是，认识事物的道理与现实中运用此道理是密不可分的一回事。

由于缺乏科学方法论的基础教育，如今，还是有很大一部分人会盲目地相信自己看到听到的一切，而不习惯于通过自己大脑的分析来判断所听所见的真伪。盲从往往只会让我们离事情的本质越来越远，在目前这个时代尤其如此。要建立科学的方法论，需要有批判性的思维，而批判性的思维，基于的是提出问题的能力。

这个方法称之为“5问法”，也叫5 Whys Method，这种方法最初是由丰田佐吉提出的。20世纪，日本丰田汽车公司又凭借“5问法”成为一家优秀而伟大的企业。“5问法”的基本原理就是“科学方法”，接下来通过一个小案例，让我们来看一下“5问法”的实际应用。

所以，当问题发生时，我们最好多问几个“为什么”，通过系统的思考，看到问题的整体，才能从根本上解决问题。而这才是每一个人应该掌握的“科学方法”。当一个国家的国民大都具备了这种对科学方法的认知并依此付诸行动之后，这个国家的发展就会更有希望了。

5．科技发展的哲学内涵

哲学与科技本来是密不可分的，人为造成的区别和壁垒，反而约束了人们的思路。因此为大家简单阐述一下为什么在科技昌明的今天，更加需要哲学与科技的紧密结合。

不过对“哲学”这两个字的选择，比“科学”的择字还是要更贴切原意。哲学定义，从原文词源入手，即Philosophia，也就是“追求”（Philem）和“智慧”（Sophia），其意思为“爱智慧”或者“追求智慧”，因此日人将其译为“哲学”，也就是“智慧之学”。可以说，哲学本身就出于人类爱智之天性，它是人类意识到了自己的无知，所以产生求知的要求，于是人类变得好问、好学，并有了学问，哲学也由此而来。

我们想要进一步了解哲学，就要从哲学研究的问题出发。尽管从没有达成过统一意见，但总体来说，哲学主要研究以下这三个问题：世界的本质是什么？这是有关形而上的终极话题。我们是如何认识这个世界的？这是认识论，也是方法论。什么是价值？也就是价值观，伦理道德都属于其范畴。所以，哲学的研究范围可以大致归纳为形而上学、认识论和价值论三部分。

我们知道，科学注定要为世界提供更合理的说明，但科学绝对不是哲学的“终结者”。因为，哲学同样也要为世界提供它的解释，而且因为其形而上的属性，它的解释可能会比科学更具超越性，所以，在某些时候哲学可以帮助科学从迷失中找到一条更好的路。所以说，无论是现在，还是即将到来的智能社会，我们都不能忽视哲学与科学。

6．从“通州八里桥”说起

但又让人们很难取舍的是，如果放弃掉对科技进步的追求，后果如何？老子《道德经》德经·第二十八章有云：“知其雄，守其雌，为天下溪。”我认为这句话就非常适用于解答这个问题。当下，技术的创新与发展速度已经远远超出人类的想象，有些人可能并不能跟上技术的发展节奏，但是，我们一定要知道科技的时代已经来了。在科技的世界里，只有了解技术，先做到“知其雄”，才能做好准备；具体的应用，可以是“守其雌”，也可以是“守其雄”，运用之妙，存乎一心而已。相反，如果人们对自己所处的时代一无所知，那么，你别无选择，只会处于非常被动的地位。没有变化还好，一旦被卷入历史变革的大潮，很可能会为此付出惨痛的代价。

1．云-物-大-智：技术进化的次第论

那么，云计算、雾计算、霾计算三者之间有什么关系呢？让我们还是以人体的结构为例来说明，之前说过，人体的结构和功能其实与一台计算机类似，都需要用电能来完成信号的产生、传输、存储、处理、展现与反馈行动。云计算可以比喻为大脑，起到的是中央计算和中枢神经的作用。根据最新的脑神经科学研究，人类大脑所处理的信息量，不超过人体产生和接收到的总信息量的20%，而这已使人类大脑成为人体消耗能量最大的器官。

“ 当你正在开车的时候，忽然想找一家新餐馆，并想看看它的菜单、酒水单和当天的特色菜。于是，计算机系统帮你找到它。接下来，你需要预订座位，并需要一张地图来理解目前的交通情况。当你发出相应的指令后，便可以一边开车，一边等待计算机系统打印或者是聆听系统通过语音播放的信息。而且，这些信息是实时、不断更新的。”这个场景源自比尔·盖茨《未来之路》这本书，现在读来，不得不令人慨叹科技领袖对技术发展的远见卓识，你会发现，这不正是我们在物联网中讨论的“位置服务”和“智能交通”功能的实际应用吗？

如果说互联网络是物联网的核心，那么，传感器与执行器技术就是物联网应用的关键。

大数据其实并不是什么神奇的事情，就像这部电影提出的问题一样：人类只是使用了20%的大脑，如果剩余80%的大脑被激发出来，世界将会变得怎样？如今，我们对数据的使用可能还不到20%，如果剩余80%的数据价值被激发出来，世界将会变得怎样？

今天埃隆·马斯克说AI要毁灭人类，但是1950年这种议论就有了。1950年的时候，第二次世界大战结束才五年。当年做计算机是第二次世界大战时为了造原子弹，每台计算机都要比一个房间大，全世界也不超过十台。这时就已经有人担忧，以后造的计算机比人类聪明怎么办？我们人类一直就对智能充满了期待，而且非常怕受到伤害。

John McCarthy是我的师祖，我的老师Raj Reddy是他的学生。John McCarthy是真正把人工智能取名叫做AI的人。现在公认的AI之父有两种说法，大部分的说法是John McCarthy；也有人说是图灵。John McCarthy那时是在MIT，后来到了斯坦福。

到目前为止，AI总共有八个人，Marvin Minsky (1969)、John McCarthy (1971)、Allen Newell (1975)、Herbert Simon (1975)、Edward Feigenbaum (1994)、Raj Reddy (1994)、Leslie Valiant（2010）、Judea Pearl（2011）得了图灵奖，比例还是蛮高的。前四个人在1975年以前就得了图灵奖，1975年以后图灵奖就不颁给AI了。一直到1994年，几乎20年以后，我老板和Edward Feigenbaum又得了图灵奖。最*的Leslie Valiant、Judea Pearl也得了图灵奖，所以AI又解冻了。所以从得图灵奖，也能看得出AI研究的冷热。

当时甚至有专门的编程语言，是为AI而设计的，做AI的人就要学这些语言。有一个叫Lisp，还有一个叫Prolog。我想今天已经没有人听过这些东西了，但是在当年是不得了的，做AI都要学这些。

然后还研究什么呢？认知心理学，非常重要。我们讲AI，很多都是认知。有一个词叫Heruristics，今天已经没有人用这个词，其实还真是AI。因为Heruristics是在你没有数据的时候，或者是很少数据的时候，要用你的直觉来解决问题。

然后是机器学习。机器学习大概是在20世纪80年代开始，但是当时的学习也是研究人怎么学习，而且有一大堆机器学习。今天的机器学习变得很单一，就是深度神经网络一个，当年有很多种：比如有被告知和指令学习（Learning by being Told & from Instruction）；有通过改正学习（Learning by Correcting Mistakes）；有基于训练神经网络的学习（感知器）等等。1990年以前的AI，和今天有很大的不一样。

第一次AI寒冬是在1975年左右。1956年，在达特茅斯会议之后，包括很多国家政府，美国国家科学基金会、军方，大家满怀希望投了很多钱。但是到1975年以后发生了几件事情，让AI进入了寒冬。第一件事是，因为AI只能解决Toy domain（摆弄玩具一样的简单任务）。那个时候做语音，只有10个词汇；下象棋，大概是20个词汇；做视觉的人，都不能辨认出一个椅子。第二件事情，1956年美国打越战，还有石油危机，所以经济也不是那么好；还有一个很有名的英国学者Lighthill，说AI就是在浪费钱，AI的研究经费也因此遭到大幅削减。

我是80年代去美国CMU（卡内基梅隆大学）的。我记得当时日本很有钱，到处在美国买楼、建实验室，所以当时日本提出了一个第五代电脑系统计划（5th generation computer systems, FGCS）。当时还有公司专门做Lisp Machines（通过硬件支持为了有效运行Lisp程序语言而设计的通用电脑）。就有点像今天DNN红，大家都在做DNN芯片，那时候大家都在做Lisp Machines, Thinking ( Connection ) Machines，然后神经网络也开始发芽。

我们这代人学计算机就知道两个人，一个人叫傅京孙（K. S. Fu），另一个人叫窦祖烈（Julius T. Tou）。如果AI选出60个人的名人堂，里面会有一个叫傅京孙，那是大牛。傅京孙严格上来讲他不算做AI的，但是可以包括进来，因为他也做模式识别。模式识别里面也有两派，一派叫统计模式识别（Statistical Pattern Recognition），另一派叫做句法模式识别（Syntactic Pattern Recognition）。80年代的时候，句法是很红的，统计的无人问津，后来1990年以后大家都用统计。

我稍微解释一下DNN和一般统计方法的差别。统计的方法一定要有一个模型，但是模型一定是要有假设。而你的假设多半都是错的，只能逼*这个模型。数据不够的时候，一定要有一定的分布。当数据够了，DNN的好处是完全靠数据（就可以），当然也需要很大的计算量。所以DNN的确有它的优点。以前我们用统计的方法做，还要做特征提取，用很多方法相当于做了一个简易的知识表示；现在用DNN连特征提取都不用做了，只用原初数据进去就解决了。所以现在讲AI不好讲的原因是，DNN讲少了也不对，讲多了的话，说实在的，全是DNN也有问题。

AI的复苏，可能要从1997年开始说起。1997年，深蓝打败了国际象棋冠军Garry Kasparov。这里我要提一下一个人叫许峰雄。他当时在CMU做一个当时叫做深思（deep thought）的项目，基本上架构都有了。结果，IBM非常聪明。他们到CMU参观，看到许峰雄这个组。然后也没花多少钱，就买下了这个组，让这些人到IBM做事。IBM当时就看到，在五年之内就可以打败世界冠军，其实真正的贡献都是在CMU做的。许峰雄后来也离开了IBM，加入了我们，一直做到退休。

事实上很长一段时间，包括我们做语音和图像，对外都不讲AI。因为AI这个名字那时变得有点名声不好。人们一说起AI，就是不起作用。第二次AI寒冬的时候，只要听说某个人是做AI，那就认为他做不成。其实机器学习也是AI的一支。

还有一个跟AI有关的，大家记得Xbox几年前有一个叫Kinect，可以在玩游戏的时候用这个东西，我觉得这是第一个发布的主流的动作和语音感知设备。当然之后就有2011年苹果的Siri, 2012年Google语音识别的产品，以及微软2013年产品，这些都是AI的复苏。直到2016年，AlphaGo打败了李世石，打败了柯杰，AI就彻底复苏了。

DNN、DNN还是DNN。我不是有意要贬低DNN的重要性，但如果说DNN代表了所有的智慧也言过其实。DNN绝对非常有用，比如计算机视觉，会有CNN；自然语言或者语音的，就有RNN，长短时记忆（Long Short-Term Memory, LSTM）。计算机视觉里面有一个图片集ImageNet。我们很荣幸在几乎两年前，微软在该图片集上辨认物体可以跟人做得一样好，甚至超过人。

2．人工智能的“一、二、三、四”

人工智能是一个非常宏大的话题，所以也有人说，人工智能是人类文明迄今为止的集大成者。它的名词来源于Artificial Intelligence，当然，就像之前所说的，称之为“Machine Intelligence”或许更为精准些。它的学科，涵盖了计算机科学、数学、神经学、心理学、语言学、哲学等众多领域，很难用短的篇幅描述清楚。

一：一个中心，以实用为中心二：两个基本点，计算机科学与神经科学的共同进步三：三种能力，基础能力、通用能力、行业能力四：四大支柱，人才、数据、算力、算法

卡内基—梅隆大学移动机器人实验室主任Hans Moravec（汉斯·莫拉维克）说：“让计算机在智能测试或者下棋方面展现成人的水准，相对简单。但是让它们掌握一岁孩子的认知和迁移技能，却十分困难，甚至不可能。”所以你看，AlphaGo虽然是“围棋高手”，但是，它并不会听、说、读、写，它连一岁的小孩都不如，又怎么可能说它战胜人类呢。

在工作与生活中，我们几乎每天都会接触到计算机，但是对于计算机的工作原理，我相信除了少数的专业人士，不会有太多人去深入了解。计算机就是一种在程序驱动下的算术和逻辑运算机器，目前的主流架构是以数字电路原理实现二进制表达式，基于冯·诺依曼架构，利用数字电路计算与存储的功能来进行针对数据的操作。现代教学体系分科现象严重，即使是学习与计算机科学相关专业的学子，当进入职场后，大部分要么走软件路线，要么走硬件路线，很少再有融会贯通计算机软、硬件的全才。

现在无论是计算量还是数据量，都在不断挑战原有计算机架构与数据库结构的设计极限，要想解决这些问题，就不得不回到计算科学的本源，从最基本的图灵机原理、数学与计算理论，到通用的冯·诺依曼架构，从指令集，到数据库结构，深度挖掘潜力，才能够有根本性的突破。如果只是完全的拿来主义，完全照搬现有的硬件、软件、算法框架，很难在这个计算与数据大发展的时代，产生革命性的科技领军人物。

那么除了计算机科学，为什么还要专门把神经科学强调出来呢？从人工智能的发展史可以看出，实际上，人工智能技术最早的确是希望通过计算机模拟人类大脑的思维方式作为起点的，当这条路走不通之后，阴差阳错，才使得以大数据为“口粮”，依赖统计学原理的新一轮人工智能技术登上了历史的舞台。

20世纪50年代，科学家提出简单模拟大脑神经元和神经网络的感知器后，立刻在学术界引起了轰动。当时人们认为，只要神经元足够多，网络连接足够复杂，感知器就能模拟部分人类的智力。遗憾的是，人工智能奠基人之一的马文·明斯基（Marvin Minsky）后来证实，感知器在单层神经网络下，只能实现线性函数，也就说连最简单的“异或”逻辑都无法实现。而多层神经网络的学习在当时被认为是不可能的。

21世纪什么最贵，答案是人才。

就现阶段情况来看，社会上最缺乏的人才，不是技术研发者，而是对技术本质，对技术内涵有基本认识的人。这是一个巨变的时代，而且是一个变化方向大致明确的时代。在这种时候，不缺高大上的战略论调，缺乏的是脚踏实地、按部就班的实施路径。很多应用场景会被推翻，但很多事物的本质并没有改变，就像之前提到的作为人工智能基础的计算机理论和神经网络理论，虽然几经沉浮，但基本理念并没有改变，改变的只是具体应用的个别关键前提，比如神经网络的本质未变，之前只是因为计算能力和数据量的欠缺而导致无法实现多层神经网络，从而导致神经网络方法的一度衰落。再比如，由于当前计算机冯·诺依曼架构的先天局限性，已渐渐无法胜任人类对计算机计算能力的要求，那么我们是继续采取“修修补补”的策略，还是痛下决心，力争开创一个超越冯·诺依曼架构的新格局呢？这些挑战，都说明我们社会急需的是在喧嚣的炒作声中，能够独立思考，踏实前行的科技人才。

赫拉利的《未来简史》为我们描述了未来算法与我们关系的三种可能：第一，算法相当于我们身边的先知，你可以向它答疑，但决策权在你自己手里。第二，算法相当于我们的代理人，你告诉一个大的方向和原则，让它去执行，在执行过程中的一些决策，它自己决定。第三，算法将成为我们的君主，我们的一切都由算法决定。但具体会发展成何种方式，就是我们这一代人需要努力探索和实践的了。人类与算法的关系，既是技术问题，也是伦理问题，最终是哲学问题。

3．避免科技时代的新迷信

一般来讲，人工智能被分为弱人工智能和强人工智能，我们所熟知的“深蓝”和AlphaGo都属于弱人工智能，新闻报道中让霍金、马斯克感到担忧的是后者。目前，在我们的生活中弱人工智能已经非常普遍，它们的特点是可以执行某种简单的任务，比如检索信息、生产操作等。弱人工智能的存在，具有一定的替代效应，比如生产用的机器人，其可以在部分生产环节中代替一部分人力资源，就会造成人类工作的流失。

而强人工智能，指的是人类脑力活动级别的智能，它不仅可以执行指令，还可以“思考”“学习”“理解”，甚至可以进行抽象思维，比起弱人工智能，强人工智能实现起来的难度是非常大的。目前来看，虽然人工智能在一些需要思考，比如计算、统计等领域已经超越了人类，但是一些人类不要思考，比如下意识地躲避物体等方面，它们还差得很远。

1．再谈通识教育

著名科学家钱学森曾经发出过这样的疑问：“为什么我们的学校总是培养不出杰出人才？”我相信每个关心中国科技发展的人，都应该有过同样的思考。纵观历史，我们不难发现，中国古代对人类科技发展做出了很多重要贡献。但是，*现代我们却鲜有作为，那么，问题究竟出在哪里？在我看来，这与教育的局限性与束缚性有莫大关系。

如果说科学是一张描绘未来的蓝图，那么“分科之学”就已经把科学变成一幅拼图。从我们把science翻译成“分科之学”的时候起，实际上我们就已经偏离了科学教育的轨道。试想一下，当你紧紧握着一片拼图的时候，你怎么可能看到整幅蓝图的壮阔。当我们把科学细分在不同领域，然后只专注在一个领域研究学习的时候，我们又怎么能培养出杰出的科学人才呢？

现代中国社会急需这种通识教育。在生活中与工作，你会发现我们的文科生基本不懂物理化常识，理科生又不明白文史哲基本理论，这就导致大部分人在遇到问题时，无法借助跨学科的知识，跳出自身思维固有的局限，以科学之方法，行独立之思考。很明显，我们急需解决学术越来越专门化，教育设计越来越窄的问题，而更开放、更包容的通识教育无疑是解决这一问题最可行，也最有效的办法。所以我说，无论是当下培养更杰出的人才，还是为将来储备未来公民，我们都应该认真对待通识教育。

2．做拥有批判性思维的思考者

我们生活在一个信息过载的时代里，如果我们对所看到的信息不经思考地照单全收的话，我们只会在这个复杂而多变的世界里迷失自己。那么，如何才能避免随波逐流，不被外界信息干扰，不被所谓的“专家学者”所误导呢？最稳妥的方法就是做一个拥有批判性思维的思考者。

人们对批判性思维的系统研究，是从美国哲学家约翰·杜威开始的，他提出的“反省式思维”，要求人们对某个观点、假说、论证要采取谨慎的态度，在进行主动、持续和细致的理性探究之前，先不要立即赞成或反对。

从古至今，从中到西，从古希腊到文艺复兴，再到*现代科学的快速迭代演进，我们不难发现，拥有批判性思维的思考者，几乎就是新技术的创造者。正因为批判性思维所强调的，在求知过程中的证据、逻辑的重要性，以及反对盲目崇拜权威和流行观点的客观性，才让科技有了发展进步的动力。所以，学会利用批判性的思维去思考问题，应该是未来每个公民的基本素养。

3．“善假于物”的君子

人和动物的最大区别是什么，有人说是思考与判断的能力，也有人说是想象的能力，还有人认为是使用工具的能力。每种说法都有其各自的道理，所以没有谁对谁错之分，在这里我想说的是，人之所以为人的原因可能很复杂，但是，人之所以能够不断演化，不断进步，绝对离不开制造工具和改造利用工具的能力。

4．当我们不再谈论人工智能之后

在约瑟夫·威尔森·斯旺发明电灯，爱迪生在此基础上改良电灯之后，人们对电的最大想象就是电灯，除此之外，人们想不到电还能有什么作用。今天的电视、电脑在那时候根本就是无法想象的。

事实上，当人在习惯了一种心理状态或者一种行为模式之后，就会建立一个心理舒适区（Comfort zone），只有在这个区域里，人才会感到舒服，才会有安全感，一旦走出这个区域，人们就会感到不习惯。在电能被利用之初，它就像一只无形的手，把人们从原有的舒适区推向一个全新的环境里，随着电能技术的成熟，人们从最初的怀疑，到后来的逐渐适应，再到如今，我们习惯了随时随地利用电能，并在这种无时无刻都能获取电能的环境里建立了新的舒适区。

5．AI来了，人的价值会改变吗？

如果你很认真地读了这本书，你就会知道，人工智能只是计算机理解和执行任务的一种工具，深度学习也只是建立在神经元连接机理上的数学模型，所以，人工智能的智慧和人脑的智慧根本不可相提并论。也就是说，在可预见的未来，人工智能将一直作为人类的工具存在，就像飞机、火箭一样延伸人类的能力，但永远无法凌驾于人类之上。

人之所以为人，是因为我们懂得思考，我们拥有感情，这是人类与人工智能之间无法跨越的鸿沟。法国思想家帕斯卡尔曾经说过：“人只不过是一根苇草，是自然界最脆弱的东西；但他是一根能思想的苇草，用不着整个宇宙都拿起武器来才能毁灭；一口气、一滴水就足以致他死命了。然而，纵使宇宙毁灭了他，人却仍然要比致他于死命的东西高贵得多；因为他知道自己要死亡，以及宇宙对他所具有的优势，而宇宙对此却一无所知，因而，我们全部的尊严就在于思想。”

在这里我想告诉大家的是，在智能社会中，那些不愿意思考，不懂得创新，只能从事简单重复工作的人，永远无法超越人工智能带来的效率与成本，所以，这部分人注定被淘汰。所以，如果你不想在智能社会中失去人生的价值所在，成为一个毫无用处的人，那么，从现在开始，你就要发挥你作为人的独特价值，运用你的思考能力，“*取诸身，远取诸物”地感知这个全新的时代，做一个善于思考、善于运用科学方法处理问题、应对问题的合格地球人。

1．科学家不是“书呆子”

只要你稍加留意就会发现，科学家中酷爱艺术的人比比皆是：伽利略是天文学家、诗人与文学批评家；开普勒是天文学家、音乐家、诗人；诺贝尔是化学家、诗人、小说家；发明莫尔斯电报码的莫尔斯原是一个职业风景画家；美国科学家罗斯因揭示了疟疾的奥秘而荣获1902年的诺贝尔生理学或医学奖，他的爱情小说《奥莎雷的狂欢》是当时美国十大畅销小说之一…

2．仰望星空，科学家与科幻梦

如果我的故事还不足以说明《银翼杀手》对现代技术开发者的影响力，那么，以《Do Androids dream of Electric Sheep?》中Android命名的谷歌开发系统，和以《银翼杀手》中仿生人代号Nexus-6名称相似的谷歌智能手机型号，应该能让你明白我们这一代的技术开发者究竟有多喜欢《银翼杀手》这部经典的科幻电影了吧。

最后，以一个技术研发者的角度为大家推荐几部值得一看的科幻电影作品：1.《2001太空漫游》（2001: A Space Odyssey）(1968年)

2.《黑客帝国》（Matrix）（1999年）

3.《少数派报告》（Minority Report）（2002年）

附录一：Project EcoWisdom

在“终身学习”之前，其实还有一道关口要过，那就是学会“如何学习”。不要小看这个话题，上过学校，拿到过学位，与会学习是两个概念。

附录二：随书演讲辅助资料

在本书中已经介绍过，科技与文学、艺术、哲学和历史是不分家的。真正的科技人才绝不是，也不应该是一个木讷的、不擅长表达的“书呆子”。但在实际工作中，我们确实看到有一些非常有内涵的科技专家，似乎不太擅长在大众场合有效地把自己非常优秀和先进的理念、观点或意见表达出来，并且得到大家的认同与支持，这是非常可惜的。要知道，在人类社会中，善于调动群体的力量去完成一份共同的事业，是所有成功人士必备的一种素质。

具体而言，实用的演讲沟通，首重《说服》一书中所强调的“What in it for you”（WIIFY，即“我能为你带来什么”），要知道，正在被你说服的一方其实对你所说的并不感兴趣，他或她只对自己的需要感兴趣。因此，对于演讲的受众而言，“What in it for me”（即“这关我什么事”）才是最主要的。对于每一次演讲，每一个观点，演讲者最重要的任务就是要了解你的演讲或说服对象，以6W1H的思维逻辑，来明确WIIFY的内容。6W1H是在常见的5W1H方法上再加一个W:Whether (是否有必要)，借助批判性思维的方式建立起对听众需求的系统性认知。

大家可以看到，单单这样一个看似简单的电影技巧，如果应用到演讲、报告或论文的结构设计中，就能帮助很多人解决长篇大论时观众或听众容易走神的问题。还有一个例子，是有关“八股文”的应用。虽然中国的“八股文”文法遭到了现代人的唾弃，但我相信绝大多数人是只闻其名吧，到底有多少人知道八股文是哪“八股”，为什么依照“八股”的间架结构容易把作者的观点描述清楚？当然后世拘泥于“八股”而不思革新进取，似乎不应由八股文法背这个黑锅。如果有机会研究一下八股文的文法，你可能会发现这种貌似严格、死板的文法对于技术类文章和演讲稿的写作大有帮助呢。

后记

在这里，我想感谢我在微软的领导邹作基先生和滕文先生，没有他们在背后的大力支持，本书是不可能成型的。我还要感谢在庄海欧先生领导下的微软中国公共关系团队，他们的指导和建议使本书大为增色。

我也要感谢我的家人，在过去的*两年内，我几乎放弃了所有周末和休假时间为本书内容作准备，是我的家人的包容和支持让我得以完成本书的写作。

前面已提到，本书主要内容来自我的科技培训教材，成书的过程实际上是一个再创作的过程。但在具体实施中，我花费了大量精力查找资料，确认论点，补齐论据，实在是一个再学习的过程。虽说本书介绍的是最现代的科技，但是我感受最深的，反而是基础教育对人一生的影响。

我经常回想起爱德华·德·波诺（Edward de Bono）博士在他的《简化》（Simplicity）书中的一句名言：“简化并不简单！”（Simplicity Is Not Simple!）的确，要把一件事情说得简单明了，看似*淡，但相比于把一件事情说得复杂玄虚、天花乱坠要困难许多。虽然这个目标很难实现，在创作的过程中我还是亲身体会到基础知识的牢固掌握，对于高效学习与工作的重要性。

在此，我还要向大家介绍一本对我影响深远的一本书，书名是《微软团队成功秘诀》，英文原名是“Dynamics Of Software Development”。这本书最早出版于1995年，中文版出版于1999年，之后在2006年本书的修订版又于美国再版发行。作者吉姆·麦卡锡（Jim McCarthy）是一名软件天才，自1976年就开始从事软件行业。吉姆年轻时经常开着旅行车，带着电脑加上BDS C编译器，和几本很少人能看得懂的计算机专著，比如可以和爱因斯坦、狄拉克和费曼比肩的唐纳德·克努特的《计算机程序设计的艺术》，隐居到森林里几个星期，不眠不休地工作，试图研究出“真正的程序语言”。

这本书的出版年份看起来有点老，但十年后的再版说明了它持久的魅力，书中充满睿智的话语，但全书当时最让我惊奇的是他在书的最后对软件工程师的知识结构建议。吉姆并没有特别强调跟计算机程序相关的书籍，反而介绍人们去读弗洛伊德的心理学，达尔文的《物种起源》，理查德·道金斯的《自私的基因》，还有莎士比亚的著作，他甚至说，《仲夏夜之梦》与软件开发没有本质的不同。他还专门强调艺术、美学、历史与电影对软件开发的重要性，最后的结论是：如果你不想追寻更多的灵感来源，可以继续埋头做软件，但你没有新的源泉注入是别想有杰作出现的。