走向未来的经济模型：质疑与前景

    三、经济模型面临的机遇与挑战
    在大数据、物联网、云计算、算法、量子计算机与量子计算云平台下人工智能的发展与应用，将再次改变我们的世界。首先，人工智能在某些方面“超越”了人类。如继2016年谷歌人工智能“阿法狗”以4:1战胜前世界围棋第一人、韩国九段名将李世石，2017年1月又以Master为代号在多个围棋在线平台匿名上线，碾压全网的顶尖人类棋手;5月,更是在万众瞩目之下以3：0战胜了柯洁;10月，谷歌团队又宣布新的围棋人工智能“阿法狗·零”以100：0打败了阿法狗。这是继1997年深蓝击败国际象棋大师卡斯帕罗夫的世纪之战所面世的人工智能“电脑或计算机”到来后的飞跃,让“大数据或深度学习”更加贴近现实。
    又如全球首只机器人选股ETF(交易型开放式指数基金，通常又被称为交易所交易基金，即Exchange Traded Funds，简称“ETF”）的诞生。EquBot LLC、ETF Managers Group共同推出了全球第一只应用人工智能、机器学习进行投资的ETF：AI Powered Equity ETF(AIEQ.US)。这只代码为AIEQ的基金是一只依据EquBot独门算法所打造出来的主动式ETF，利用IBM Watson的认知和大数据处理能力去分析美国境内的投资机会。该基金在IBM的Watson平台上运行自营的量化模型，自2017年10月18日启动，至10月22日短短数日，提供了0.83%的回报率，而同期标普500指数上涨0.48%，纳斯达克综合指数涨幅为-0.42%。
    再如2017年5月3日，中国科学院在上海举行新闻发布会，发布了一个重磅消息：世界上第一台超越早期经典计算机的光量子计算机诞生，而量子计算机可以实现几乎是无限并行度的并行计算。2018年1月中国与加拿大科学家发布了国际首个基于核磁共振的量子计算云平台。
    其次，人工智能为什么在某些方面会“超越”人类。我们可以用简单的数学做些分析。一方面，集合是数学的基础概念，它规定了一种性质，根据这种性质，任何一个元素要么属于这个集合，要么不属于这个集合，两者必居其一。可以用0表示属于，1表示不属于。这是理论的假定，但实际中，不是如此，反倒是一个元素属于一个集合，一般情况不是绝对属于1或不属于0，而是有一个隶属度，这个隶属度是闭区间[0,1]中一个实数，表示属于这个集合的隶属程度。这个符合实际的集合就是模糊数学中基本概念模糊集合。怎样用普通集合（这个理论工具）研究实际的模糊集合呢？我们利用不等式的性质，选择（0，1）中一个参数，构造一个与这个参数对应的一个模糊截集，不难发现这个模糊截集是一个普通集合，因此，我们就实现了用普通集合理论工具研究实际模糊集，即用一系列，从0到1不可数个（可以表示）模糊截集表示一个普通集合。好在对于实际问题的有限性，我们可以通过有限个模糊截集研究模糊集，这就是我们人类的聪明才智与有限局限性，而人工智能借助量子计算机快速计算可以几乎从0到1扫描式的模糊截集研究模糊集合。这就相当于人类智能在全集[0,1]上有限个点决策或寻优，而人工智能是能在全集上决策或寻优，因此人工智能优于人类，出现了“阿法狗”、 机器人选股ETF战胜了人类就不足为奇了。
    另一方面，从因果关系上分析，也是如此。数学中的因果关系是一一对应的确定型关系，即函数关系，这是理论假定。但实际中的因果关系是非一一对应、非确定型关系，即相关关系。描述相关关系的基本工具是概率，确定型关系表示为0或1，即有、无因果关系；而不确定型关系表示为[0,1],即有一定可能性的因果关系。同样，人类智能利用有限样本数据，构造一个函数关系（随机变量y的均值E(y)关于普通变量x的确定型关系,在有限的样本数据下这个均值E(y)与x一一对应），来逼近（平方和总误差最小）相关关系（随机变量y关于普通变量x的不确定型关系）。人类只能在全集[0,1]上有限个点逼近，而人工智能能在全集[0,1]上逼近，并胜于人类。
    再一方面，从二元变量分析来看，如在平面上从A点到B点，实际的路径轨迹有无穷多个，那么从数学上怎样表达认识呢？为此构建了两维平面坐标系。从A点到B点，数学上描述或是由A点先沿着横轴方向到C点，再沿着纵轴方向由C点到B点，这个C点为A点在横轴平行与B点在纵轴平行相交点，或是由A点先沿着纵轴方向到D点，再沿着横轴方向由D点到B点，这个D点为A点在纵轴平行与B点在横轴平行相交点。这就是数学理论中诸如偏导数、偏微分、偏相关系数等“一个不变、一个变”约定，可以理解为数学中的规范分析，以保证全世界各地的人有共同对话的基础。一句话，就是不能两个同时变！在实际中，人类只能面对一个变一个不变的有限数据对上决策或寻优，而量子计算机可以实现同时变全集上的并行计算，同样优于人类。
    第三，人工智能终究代替不了人类。如以上的“阿法狗”、 机器人选股ETF战胜了人类。但我们认为，人工智能替代不了具有生理、生命、生物性的人类，况且人类还兼具有人的自然属性与社会属性，重要的是它是由人类定制出来的。但是，它确实能够做人类做不到或做不到最优的事情。
    在人工智能发展的今天，确实让我们看到了人工智能的优势，但也受到一些质疑与挑战。如丘成桐在2017年10月26日第十四届中国计算机大会（福州）上认为，现代以神经网络为代表的统计方法及机器学习在工程实践中取得了很大的成功，但其理论基础非常薄弱，是一个黑箱算法；人工智能还需要一个可以被证明的理论作为基础。
    还有中国工程院院士李国杰认为，人工智能存在着莫拉维克、新知识、启发式三大悖论：一是，实现人类独有的高阶智慧只需要非常少的计算能力，但是实现无意识的技能和感知却需要极大的运算能力，即“困难的问题易解，简单的问题难解”悖论。为此，需要突破图灵机模型的局限性，提出更适合感知计算的新模型。二是，人们常说大数据和机器学习是从数据中发现新知识，但计算机是机械的、可重复的智能机，本质上没有创造性。因其运行可以归结为已有符号的形式变换，结论已经蕴涵在前提中，本质上不产生新知识，不会增进人类对客观世界的认识。机器学习学到的知识都事先蕴涵在运算前的软件中吗？机械的、可重复的计算究竟如何产生出新知识？这些知识都只能局限在“知其然不知其所以然”的水平吗？这些都是令人困扰的问题。三是，启发式搜索是人工智能最基本的技术，与互联网的“尽力而为”原则类似，启发式搜索不能保证找到解或保证解的精度。采用启发式算法创造出智慧幻觉的设备会带来一些我们无法接受的风险。但是，人工智能处理的大多是NP-hard 问题，很可能不存在精确的多项式算法。一旦找到了类似F=ma的精确公式，这个问题也就不属于人工智能问题了。为此，必须高度重视启发式算法的风险，但用传统的工程科学来要求人工智能似乎不大妥当，需要另辟蹊径。

上一页  [1] [2] [3] [4] [5] [6] 下一页