杨强发布“互联网洞见者”第四问：机器的智能和人类的智能有什么重要区别？这些区别对于我们培养后代有什么启示？

知乎 2018「互联网洞见者」大幕开启，十大互联网顶尖人物提问阵容，针对互联网未来提出十个极具前瞻性的提问，将在为期一个月的时间里静候全民的思考、讨论与作答。

10 月 27 日，「互联网洞见者」第四问揭晓，由国际人工智能联合会主席、中国香港科技大学杨强教授（知乎 ID : 杨强）提出：

机器的智能和人类的智能有什么重要区别？这些区别对于我们培养后代有什么启示?

知友：YJango（200+ 赞同，日本会津大学人机界面实验室博士在读，深度学习、机器学习话题的优秀回答者）

提问者是杨强教授，人工智能的专家，对 AI 当前在做什么，未来能做什么的理解非常深刻。

问题都没有用大众喜欢的「人工智能」，而是「机器的智能」和「人类的智能」，教授在问时，就已给出了区别：都是智能，只是实现方式不同。人类可以做到的，理论上机器同样可以做到。

人类在面对超越自身能力的事物时，总是画一条边界来区分自己的不同，当边界不再适用时，我们又会重新规定一个边界。达尔文之前，人们坚信自己与其他生物与众不同，后来却又不得不接受自己也是进化的产物。

曾经面对强大机械时，人们把边界定在了智能，坚信只有自己有智能，如今面对机器智能，人们又把边界选在了情感、创造、意识。然而这一切都只是自我安慰。

这就像看到班里成绩好的学生，安慰自己，这些学生都是书呆子，不懂生活一样。同是遵守一样的宇宙定律，有什么理由相信某件事仅有人类可以做到的呢？

人类没有那么特殊。随着我们对世界的认识的加深，生命，机械的边界越来越模糊。

在确定智能、生命等概念之前是无法真正比较机器与人类智能的区别的，可这些概念又都未曾达成共识，人们最终只会陷入定义之争，永远讨论不完。

因此，第一问根本不是让人们回答，是用来让人们注意到机器与人类的相似性，从最开始的意图就在于第二问：迁移。

因为虽然机器智能和人类智能虽然在实现方式上不同，但却有相同目的，同样的原则既可以适用于机器，也可以适用于人类，因此：

1. 科研人员在做机器学习的研究时，最常做的是从人类智能中借鉴。

2. 反过来，我们每天也在用人脑学习，是否可以从机器学习中借鉴？

虽然我做机器学习研究，但让我收获最大的却是第二个：机器学习中的每个概念都可以应用在人脑学习上。

迁移机器学习的理论到人类学习上，是给我们培养后代带来的启示。

下面的视频能让你体会到如何应用机器学习来指导人脑的学习。

人们已经意识到，未来不再是学习一项知识即可工作终身的时代。面对学习能力超强的机器以及空前的变迁速度，每个人都只有不断学习才能保持自身价值。

若停止学习，即使不被机器不取代，也会被新人取代。我们究竟应该如何培养后代才能应对这种局面？甚至我们自己该如何面对这种局面？

戳小程序查看完整回答：机器的智能和人类的智能有什么重要区别？这些区别对于我们培养后代有什么启示？-YJango 的回答

知友：华沙（100+ 赞同，脑科学、心理学、神经科学话题的优秀回答者，知乎编辑推荐）

Vision is therefore, first and foremost, an information-processing task, but we cannot think of it just as a process.

因此，视觉是一项信息处理任务，但视觉和处理并不完全相同。

David Marr, Vision

David Marr 可能是许多做计算神经科学，甚至一些计算机视觉的科研工作者的偶像。当回顾上世纪七十年代，在 MIT 的人工智能实验室的开创之时，无数年轻的科学家（现在的大牛们）都投身于一项在他们眼中不复杂的工作：如何用机器来 「复现」人类的视觉。很可惜，直到现在，计算机才在一些特定的视觉工作中达到了人类的水平。

当然，随着计算机算力的提升，算法的升级；终有一天，计算机可以像人一样处理视觉信息。亦或者就像 Marr 所言，未来的一天，一位科研工作者，就可以用一台普通摄像头配以算力足够的电脑，模拟出 「看」的过程。

但是计算机的 「看」，和人类的 「看」 一样么？计算机的「智能」与人类的「智能」一样么？

Adapted from Krakauer et al., 2016.

正如 Marr 对于视觉过程的总结一般，视觉过程可以分为三个层次：计算层面，算法层面，与实现层面。

便于理解的例子（以及图）就是 Krakauer et al. 的一个例子。

倘若我们研究鸟类运动时候，鸟飞就是计算层面问题；飞行的算法就是鸟的振臂拍翅；而具体的实现，就依靠于鸟类轻盈的骨骼， 丰满的毛发以及强健的胸肌。

那么，莱特兄弟在制作飞机的时候，肯定是达到了飞行这计算层面的问题。

但是，哪怕仿生，他们也没有钻研如何做出巨大的强健的翅膀（你看，伊卡洛斯不就失败了），而是用了截然不同的算法（空气动力学）以及不一样的实现方法（发动机+飞机结构+材料科学的应用）。

就如同自然语义识别一样，视觉早期的研究都基于模仿人类本身的处理过程。没准计算机复现果蝇的视觉系统还算简单，但是复现人类的视觉系统太过难了。

好比，处理物体识别（object recognition）的下颞叶皮层（inferior temporal cortex）的神经元有着极为复杂的感受野。直接表达特别困难。

也正如自然语义识别一样，科学家们发现模拟人类（的算法）不是最佳线路，其中两项巨大的原因：

1. 算法本身难以描述（神经科学亟待突破）

2. 人类与计算机的硬件结构不同（实现层面不同）

正如 Marr 所言，视觉的确是计算，但是不是计算而已。用不同的硬件实现一样的计算，不妨使用不一样的算法。统计以及机器学习正是方子。

所以说，简单而言，计算机的「智能」与人类的「智能」在一定领域达到了同样的计算层面（比如都能识别面孔），但是由于完全不同的硬件（视觉处理区域 v.s. 计算机的 GPU+CPU），识别算法截然不同。

正如演化一样，并没有高低之分，只有适合与否。目前的计算机的「智能」走出了截然不同的道路，达到了很好的作用。对于科研也有着很大作用。

随着机器学习不断突破前沿，神经科学也收到了不少反哺。比如最新在 Nature Neuroscience 的论文，无论是核磁共振数据还是 neurobiology 的实验，都在机器学习的帮助下 （哪怕就是 SVM），更好地理解神经系统的运行过程。

甚至，手机中的机器学习芯片都可以学习我们使用过程，提供个性化甚至独一无二的体贴服务。

而在教育角度，计算机的「智能」由于可以达到一些人类难以达到的高度 （速度和效率，甚至类似棋类软件的强大算力），其实可以给人类一些帮助：学习机器的算法。

是的，机器的算法虽然有时候基于计算机本身，但是拆分开一项巨大工作，里面不少算法可以为我们所用。独特的角度，而且超脱了人类智力本身的计算机的「智能」，没准能让我们更快地达到 我们想要的目的本身啊。

知友：荷兰猪（100+ 赞同，LIRMM-CNRS 机器人研究所博士在读）

机器智能：处理少量单一信号 + 针对单一任务 + Prediction horizon可以非常长

人类智能：处理大量复杂信号 + 针对多任务 + Prediction horizon较短

对于机器学习领域的专家来说，现在最热门的应用领域在于图像识别以及自然语言处理，然而这不过是两种类型的接收器罢了。

人类并不仅仅拥有大量接收器去接收环境中各种类型的信息，（人类可以接受传感器信息比机器多的多，除了视觉，听觉，我们还有嗅觉，味觉，皮肤上分布着无数的压力和温度传感器），更重要的是人类拥有末端执行器：我们的手和脚，去感受环境并且做出相应的行为以完成我们的任务。

这里我着重强调了任务，因为现阶段的机器智能大多只有单一的任务，而且这个任务可以是：识别图像中有没有猫，打 DOTA 获得胜利，下围棋获得胜利 etc。

这些任务有些可以直接通过数据建立模型判断（例如图像中有没有猫），然而复杂的任务（例如打 DOTA，下围棋）不仅仅需要模型，更重要的是需要基于模型去预测环境中其他人的行为，然后做出最利于完成任务的行为。

在控制领域中，这种类型的控制算法叫做模型预测控制。我相信人类智能中有一部分是在大脑中做模型预测控制，尤其在竞技体育中（例如下围棋，打 DOTA，踢足球）尤为明显。

人类在与环境交互的时候每时每刻都在建立针对于这个环境的模型，利用这个模型来预测环境的变化，来做出相应的行为。举个例子：

梅西之所以如此的强大，不仅仅因为他一流的运动能力，更在于他对对手反应的预测能力，所以他总是可以做出假动作来摆脱对手的防守。模型预测控制在我们日常生活中业无处不在：

图中这个男生做出了开门的行为，其原因是因为预测到这位女士需要进门，且女士手中有书并不方便开门。

模型预测控制中的两个要点：

1. 模型本身

2. Prediction horizon

模型本身

机器智能对于环境模型可以是数据驱动的，或者通过物理或者数学定律来描述的。而人类对于环境的模型应该大部分都是由数据驱动的。

当机器的环境模型是由后者驱动时，机器就会十分精确，例如需要机械手臂运动到三维空间的某一个位置，机器一定会比人更精确。

当机器的环境模型是前者驱动时，机器的优势在于能处理的单一数据量大，然而人类的优势在于可以处理复杂的信号。所以在复杂（多信号）环境中人类对于环境的模型比机器更好，然而机器，在单一环境中，针对性建立的模型比人类更精确。

Prediction horizon:

先解释一下这个词的意思，在模型预测控制中，需要利用模型对于系统未来的发展进行预测，prediction horizon 越长，意味着我们看的更远，预测到更久以后系统的变化，反之我们看的更近，预测的是系统在短时间内的变化。

人类的 prediction horizon 相较于机器是要短很多的，大多数时候我们只能对较短时间的变化做出预测，然而机器则不然，如果运算速度足够大，可以基于模型预测得更远（简单线性模型可以预测到无穷远，即 LQR）。

在单一环境下，机器优势非常明显，然而如果在复杂环境中，系统模型时变，有长的 prediction horizon 意义并不大。

说了很多从控制角度来看，机器智能和人类智能的差别，那么这对于我们培养后代有什么启示呢……

Honestly I have no idea……强答一下就是，对于往后要从事竞技体育的下一代，要加强你们模型预测控制的能力呀！！！

多多学习对手的路数，以建立更精确的模型来预测他们的行动，如果通过某种训练能增加你的 prediction horizon 的话，会让你表现的更优秀。

知友：甜草莓（100+ 赞同，北京邮电大学信息与通信工程博士在读）

我理解的题目是在问机器智能和人类智能的区别，和这些区别对儿童教育的启示。因为现在有一种观点是，机器智能还处于婴儿期，我们对机器智能探索的经验可能有助于儿童教育。

现阶段机器智能与人类智能的区别主要体现在

人类智能更自然，而机器智能是人工的。在人类日常生活中，如果给一个任务，人类不会需要去输入一套算法，确定某个参数。人类会根据对任务的理解自然的反馈，比如先确定给的题目对不对。机器智能现阶段是人类制造设定的。

人类智能善于抽象理解，而机器智能善于精确的数据处理。这很容易理解，当人类看到图像时，大脑会先考虑它的抽象特征，然后才是细节，对大脑数据的处理不很精确。机器智能并不相同。实际上，计算机视觉领域已经几乎完成了怎么教会机器处理抽象信息，这一步走的很棒。

机器智能是领域特定的，人类智能更善于领域间的推理，迁移。目前 ai 迁移学习并没有很成功。

机器智能不能模仿，人类智能在这方面做的很好。

回到机器智能探索的经验可能有助于我们对儿童教育这个话题来。

我认为，现阶段我们提升机器智能的方式不适合婴儿。

我们教机器智能知识的方式跟教人类婴儿的方式有太大区别。在儿童初期，我们需要教婴儿一些生活常识。但是人类婴儿学习知识主要来自于观察，模仿，这些都是现阶段机器智能完全不能主动做到。

事实上，我们倾向于直接鼓励儿童自己发现我们想要告诉他的知识，通常这种知识是一种抽象的上层知识。而对于机器，我们会直接粗暴的输入算法，事无巨细指导，让它学习数据。

对于机器学习来说，我们在尽力找到一种能把我们教育儿童经验应用到机器智能中的方法。反之则不然，我并不觉得现阶段机器智能提升方式可以应用于儿童。

因为现在机器智能教育，或者说「训练」这种教育方式是远远落后于现代儿童教育观念的。

假如我们用现阶段机器智能的训练方法来教育儿童，固然我们可以很精确的传授一些专业知识，比如数学。

但是这种事无巨细的粗暴指导方式，违反了目前儿童教育中非常重要的原则，培养儿童好奇心。

很难想象人类儿童好奇心被扼杀之后的世界，每个人都很专业，却都不能做创新。

这就太恐怖了。

戳小程序查看剩下的 162 个回答：机器的智能和人类的智能有什么重要区别？这些区别对于我们培养后代有什么启示?