徐英瑾
[符号人工智能和连接主义各自的局限性也是非常明显的：专家系统很难对超出编程者预料的崭新的专业问题进行有效应答，而连接主义也难以应对数据质量不高（或数量不够）、理想输出标靶不明的复杂局面。更麻烦的是，二者目前都只能被运用于专业人工智能的领域，而无法做到“举一反三、融会贯通”]
人工智能究竟能“消灭”多少工作岗位的问题，一直是街谈巷议的热点话题。然而，与不少技术乐观派不同，我个人并不倾向于认为人工智能取代人类的一天已经迫在眉睫了。而这一判断本身又是建立在如下观点之上的：现有的人工智能并不具备灵活运用各个领域的知识进行综合判断的能力，而几乎我们能够想到的大多数人类所执行的工作任务，都需要执行者以相对灵活的方式来调配各个领域内的知识。
人工智能的两个流派
人工智能研究有两个最主要的流派，一个是符号人工智能，一个是连接主义。前者的思路是固化人类在某个领域的一般知识，然后用逻辑学或者统计学的方法推理出其在特定条件下的特殊形态；后者的思路是“喂”给系统大量的特定领域内的数据，然后在一个被数学化了的人工神经元网络模型中处理这些数据，最终使得该模型能够经过一定的“训练”而完成从特定类型的输入到特定类型的输出的映射关联。今天因为“阿尔法狗”而变得家喻户晓的“深度学习”技术，无非也就是结合了一定符号人工智能因素后的高级形态的连接主义技术。其在工程学方面的精妙固然是不可否认的，但其得以运作的基本科学框架，其实在上世纪90年代早就已经被奠定了。
从运用角度看，符号人工智能最典型的运用模式就是“专家系统”，也就是模拟人类在某个领域的专家，就相关专业领域内出现的问题进行自动诊断与应答。而连接主义或者深度学习的最典型运用模式则是“模式识别”，也就是对特定领域内的大量信息中蕴藏的固定“套路”进行以理想输出为标靶的识别。然而，二者各自的局限性也是非常明显的：专家系统很难对超出编程者预料的崭新的专业问题进行有效应答，而连接主义也难以应对数据质量不高（或数量不够）、理想输出标靶不明的复杂局面。更麻烦的是，二者目前都只能被运用于专业人工智能的领域，而无法做到“举一反三、融会贯通”。
机器全面取代人力仍在“科幻”层面
而下面的几个场景，就足以证明：没有这种“举一反三、融会贯通”的能力，机器全面取代人力的画面就将永远停留在“科幻”的层面上。
场景一：自动驾驶。
自动驾驶目前已经成为人工智能投资的重点，有很多新技术已经被运用到自动驾驶的汽车上。比如，激光雷达、摄像头与高性能计算机的结合，能够使得车载智能系统准确地对车体自身的运动状态与相关周遭环境作出评估，而系统对于人类驾驶员经验的“移植”，也在一定程度上使得系统能够像人类一样对外界变化作出回应。
这些技术进步当然是有意义的。不过，说自动驾驶技术马上会全面取代人类驾驶员，则依然有言过其实之嫌：其一，自动驾驶系统的运作需要对海量环境信息进行搜集，而此类搜集活动在恶劣天气情况下会遭遇困难，与之相比，熟练的人类驾驶员即使在这种情况下亦有“应变之道”；其二，海量环境信息的搜集未必会导向明智的决策，因为人类驾驶员在“紧急避险”局面下作出的直觉决策，往往是以忽略某些不重要的细节为前提的。而对于输入情报的“重要性”的高级判断，恰恰是目下的计算机所不擅长的；其三，人工智能对于个别老驾驶员经验的模拟，依然具有“知其然却不知其所以然”的色彩，无法根据环境作出有效的变通。举个例子说，一个适应了日本东京右驾驶座环境的老司机，只要经过适当的调整期，同样也能够适应上海左驾驶座环境，而一台模拟东京司机行为的人工智能系统，却很可能要经过彻底的重新训练才能够适应上海的驾驶环境。同时，不少中国城市普遍存在公众交通法规意识淡漠的问题，也会为自动化驾驶技术的普及预埋隐患。
场景二：工业化机器人。
在公众意识中，最能够与人类劳力构成竞争关系的，恐怕就是工业机器人了。但这里需要指出的是，工业化机器人与人工智能本身并不是一个概念，因为前者的“智能”其实并不高。譬如，美国企业家埃隆·马斯克所建立的特斯拉汽车的高自动化汽车装配线，虽然使用了大量的装配机器人，但是它们的运作完全以人类熟练工的“模板动作”为复制对象，无法像人类员工那样根据不同的车型作出变通。对于这样的机器人的使用虽然能够节省人力，但是其存在依然得预设人类劳动模板的存在，因此依然是依附在皮上的毛而已。说这样的机器取代了人类，还不如说是人类自己的复制品取代了人类。笔者并不认为目下工业机器人的进步具有本质上的历史创新意义。
场景三：机器翻译。
目前“科大讯飞”、“谷歌翻译”等软件在双语自动化翻译方面为民众提供的便利，当然是值得嘉许的，但认为这些产品不久后就会消灭人类译员，则显得过于乐观了。
第一，人类译员的市场一般对应于高端的商贸活动与司法咨询活动，而这些活动所需要的翻译质量相对也比较高。相比之下，目前机器翻译最胜任的任务乃是简单旅游用外语翻译，与高端商贸与司法咨询活动并不构成竞争关系，因此也无法取代高端翻译人才。
第二，目前主流机器翻译系统的运行，都不得不大量“剥削”人类既有的翻译案例，而无法有效应对比较小众的翻译需求——比如俚语翻译、小专业领域内的翻译，等等。“了解相关的文化与专业的背景知识”这一点却恰恰是目下的机器翻译系统很难做到的。
场景四：家政服务员。
随着人口老龄化问题的日趋严重，研发机器人家政服务员的必要性显然也就变得日益急迫起来。但目下的“智能家居”研究依然离“取代人类家政服务员”这个目标非常遥远。譬如，一个足够智能的家政服务系统应当能够听得懂人类的指令，而不需要人类对其进行再编程，这就预设了家政服务系统本身就已经具备了强大的自然语言处理能力。但正如我们刚才所看到的，目下人工智能的自然语言处理能力还是有点不尽如人意的。此外，一个足够智能的家政服务系统还应当有能力在彼此冲突的用户指令之间进行协调——譬如既要“让房间显得井井有条”，又要“让关键性物品变得容易被用户所获取”。这样高级的能力显然需要系统具备相当高的自主决策规划能力与目标设定能力，而这显然也超出了目下人工智能技术的发展现实。
场景五：机器人秘书。
机器人秘书也就是能够为用户提供文案工作助理的人工智能系统。尽管此类人工智能系统在机票预订、固定模板文案生成等比较简单的专业领域内，的确能够部分取代人类的工作，但是其灵活性却是远输给人类的。譬如，如果一个人类用户是一个物理学家，并命令机器人秘书去过滤掉“所有民科分子写来的电子邮件”的话，那么，系统又将根据什么标准去将“民科”提出的科学问题区别于专业的科学家提出的问题呢？这就将倒逼这样的人工秘书系统预装一定的专业知识。但目下的人工秘书系统却又普遍不具备在辅助文案工作与专业知识之间的跨领域推理能力。换言之，更为复杂的秘书工作，还需要依赖人力资源。
综合以上讨论，我们不难看出，在自动化驾驶、工业化机器人、机器翻译、家政服务、机器文秘等领域，目下的人工智能系统能够全面取代人类的前景还不明朗。
（作者系复旦大学哲学学院副教授）
