导语:20世纪最著名的哲学家之一卡尔·波普尔,把所有的复杂问题归为钟类和云类两种。我们可以把一个钟摔碎然后复原,就能弄明白时钟的原理。但是,这一套理论却对于一些新兴云类系统就完全无法奏效,比如生态系统、气候系统、金融系统等。面对瞬息万变、难以预测的新兴云类问题,我们还能用老的思路再去解决吗?
1969年,美国两名宇航员驾驶阿波罗11号成功登上月球,之后又能顺利返回月球。目前,我们对此创举可能只是一句轻描淡写的称赞,但这项曾经被认为是不可能完成的任务所需要解决的问题,真的是多到我们无法想象。
这个复杂的系统可以被拆解成由40多万名工程师共同设计类似于钟表的精密独立零件,而每一个零件又被组装成一个复杂的子系统。阿波罗11号登月计划,的确是建立了一个脱离地心引力进入外太空的伟大交通工具。但其意义并不止于此,阿波罗11号登月飞船还为未来进入外太空的“交通工具”,提供了一个高度可预测的模型。
阿波罗11号登月飞船需要达到3400千米/小时的速度,才能和以3700千米/小时的月球相遇。虽然现在看起来并没有什么,但是在当时,能够精准预测位置、速度、加速度等无数变量,并控制许许多多飞行姿态,可以说是一项非常了不起的成就。
需要注意的是,这一切的实现都是靠着一台仅64KB内存、运算速度0.043MHz的电脑。这样不起眼的电脑,却完成了世界上最复杂的钟类问题之一。可是随着电脑配置不断提升,如果继续按照这种思路,我们会发现还是解决不了新兴云类问题,因为这是完全不同的问题。
什么是钟类和云类问题?
那么,到底什么是钟类和云类问题?
简单来说,可按照“拆解分析、拼装还原”的思路来解决的问题都属于钟类问题,而对于那些不可预测、不确定的系统就被称作做是云类问题。
钟类问题钟各个部件以及相互之间的行为关系可以说是有规律的、确定的以及完全可以预测的。即使航天飞船再怎么复杂,各个系统之间的关系是确定并且可以预测,也是能够被分析还原。但是云类问题则不同,即使我们能够预测在某种特定情形下的运作方式,但是我们依然可能无法理解他们未来会如何表现。
因此,对于云类问题,我们不仅仅需要了解每个小部件的机理,还需要去了解各个部件组合起来而带来的不确定性。就像云层水滴内部水分子之间相互牵制又瞬息万变,彼此之间若离若现不可预测。但是没有任何威力的小水滴聚合在一起,就会形成自然界非常可怕的破坏力,比如大暴雨。
虽然我们能理解云钟水滴的各种特性,也能够较为精准地预测天气变化,但是我们根本无法理解整个系统的行为。因为,要想了解一片,我们不仅需要了解周围其他云,还需要了解非常复杂的交互影响,比如光照、温度、大气压、地区等等。甚至,还有一些影响云的变量,我们还没有彻底弄明白。
简单来说,云的行为就是不规则、无序且高度不可预测。目前,我们只能根据一些关键量来预测天气变化,但是对于确切的时间、确切的规模、确切的内部关系,我们无法像列出数学公式一样找到内在本质规律。
新兴系统的出现毫无确切可言,随着而来的是未知、不可预测以及不可知的变量,让我们对云类问题措不及防。但是,我们又经常用希望用这种工程化的思维来理解我们出现的新兴系统。比如一些人认为人工智能系统不可靠,原因在于我们无法用一个确定的理论来描述这个系统。
于是,一些理论派坚持不懈,仍希望用工程化的思维来量化这个本身就不可确定的系统。
最简单的一个例子就是,国际跳棋、国际象棋以及围棋的人机对战。国际跳棋总共有5×10的20次方种变化,但步数还是有限的,而且每一步都是遵循简单的电脑程序规则。因此,国际跳棋归根结底还是一个钟类问题。但是国际象棋的走法则多达10的120次方,比宇宙中已知的原子数量还要多。
IBM“深蓝”
最终IBM的“深蓝”打败了最优秀的人类玩家,但是这是一个典型的利用超人类的暴力计算完胜人类的典型案例。最终说到底,“深蓝”还是在解决钟类问题。可是到了围棋,保守估计变化多大10的170次方,甚至有人估计在每步棋合理的情况下,围棋变化可能多达10的800次方。
如果说,计算机可以通过暴力计算解决国际象棋问题。那么,要是还按照之前的思路,围棋是绝对不能被计算机突破。那么,战胜人类围棋顶级选手的AlphaGo,又是如何解决这类问题的呢?
AlphaGo为何能在处理云类问题上表现优异?
前面也提到,围棋变化的可能应该已经算是最接近云类问题的棋牌游戏。虽然目前来说,我们并不能把围棋问题当作严格意义上的云类问题。但是在AlphaGo出来之前,围棋绝对算得上是一个非常复杂云类问题。
而且,可以肯定地是,AlphaGo也绝对不是按照像“深蓝”一样的老思路来解决围棋这类新问题。
我们首先需要明确一个事,深蓝虽然是通过暴力计算战胜顶级人类选手。但是,也只是以3比2险胜。即使按照现在的计算能力,我们如果还是以暴力计算的方式,最终结果也不会太好,更不用说应对多好几十个数量级的围棋。
因此,过去崇尚暴力计算的老思路面对新兴云类问题,就显得极其力不从心。人类虽然输了,但是人类具备一种独特的能力,能够不依靠暴力计算解决一些新兴云类问题,那就是通过棋理建立特有的、难以用言语表达的“直觉和创造力”。
不同于国际象棋会有“皇后”的价值远远大于“兵”的情况,围棋的棋子并没有差异,这也使得计算机很难对围棋进行评估。换句话说,我们几乎不可能用一个评价函数来选取足够丰富的特征来捕捉这种人类的直觉。
AlphaGo之所以能够处理围棋这类云问题,不仅是因为其拥有超强大的计算能力,而是它通过深度学习形成了类似人类的某种“直觉”。简单来说,深度学习可以从千百种围棋走法中归纳出各种规律,并在此基础之上决定走哪一步最好。
AlphaGo的搜索树
为了更好建立这种直觉,AlphaGo把自己模拟的成千上百的棋盘对局的胜负统计数据推到搜索树的最高层次,也即存放从当前局面开始各种走法的胜负次数。一旦推演的棋盘足够多,AlphaGo就会拥有关于下一步棋该怎么走的直觉。
那么,AlphaGo的难点就落到如何模拟实战棋局。事实上,每当AlphaGo需要模拟棋局的时候,它就会一步接一步地去预测每个玩家可能的走法,而不是采用随机抽样走子的方式。要实现这个过程,AlphaGo采用了13层深度学习网络的走子预测网络。而且这个网络包合了特别多人为总结的围棋逻辑,因此,这个网络也是专门为下围棋而设计的。
AlphaGo拥有的两套独立算法共同决定下一步棋该如何走。第一种是策略网络,作用是结合之前经历的所有对弈,根据实际情况来推断走那一步棋比较好。另一种是估值网络,计算每一步棋可能成功的概率。两种算法共同构成了一套动态变化的规则,让AlphaGo能遵循这个规则下棋。
但是,每一盘棋中,玩家大概需要从250个节点中选择落点,AlphaGo的走子预测网络能够以相当可观的57%准确率预测玩家的落点。这并不完美,AlphaGo对于预测玩家落点仍然存在很大的不确定性。但是,即使最佳的人类玩家也无法完美预测选手的落子。因此,AlphaGo通过推演棋局时对玩家的走法进行抽样的做法,是合理的。
虽然走子预测网络如此精确,但它慢得不切实际。生成需要的数千个样本中的一个样本就要花费将近半秒钟的时间。但是,一种被称为蒙特卡洛树搜索的算法导致了计算机围棋范式的转变。蒙特卡洛树搜索在模拟棋盘时分为速度慢、精度高的慢速走子演算网络和速度快、精度低的快速走子演算网络,从而解决了走子预测缓慢和恶劣的错误走子问题。
总之,AlphaGo采用了与之前暴力计算完全不同的“抽样走子”思路,来建立类似人类的“直觉”,从而有效解决了围棋这种云类问题。
为何不能沿用老办法解决新问题?
从国际象棋到围棋,人们一直在探索如何解决这种不确定性很强的新兴云类问题。
无论是天气、股市、市场体系、生物圈还是人类社会活动等,里面都带着一定的不确定性,人们也是不可能完全理解。计算机的配置再高,也不能解决云类问题所带来的挑战,只能说在问题的表面上取得初步的进展,特别是在暴力计算方面,人类已经几乎接近极限。
谷歌数据中心
这也就是物理极限!
这个不仅仅是摩尔定律的上限,而且如果我们继续按照现在的速度加速存储数据,就会发现一个非常可笑的场景。预计全球所有的数据中心每年消耗的能源比英国全年消耗的能源高出25%,其碳足迹堪比整个航天工业。仅就日本而言,如果该国的数据中心继续保持现有的增长速度,到2030年就会耗尽整个国家的能源输出。
而且,如果持续按照现在的发展速度,我们将会面临因存储空间不足而无法存储过多数据。到2020年,预计世界每年会产生44泽字节(Zettabytes,44后面有21个零)的数据 ,到2025年,这个数据将陡增至180泽字节。这意味着我们的数据年产出量每两年就会翻一番,而且还将继续加速。按照这种速度,到2220年,哪怕是把太阳系中每一个原子都用来存储数据,我们也会突破极限。
因此,我们实在无法再继续按照这种有限的、工程化的解题思路,来应对更多不确定的新兴云类问题。但是,这并不意味着,我们要抛弃以前解决钟类问题的方式,原因在于钟类问题不会消失。但是,我们需要认识到技术问题之间的差异,工程化思维解决的是可线性化、可简化推理的钟类问题,但是不确定性的云类问题可能就需要采用系统行为分析的研究思路。
这就是为什么我们已经不能再按照老思路来解决新问题,一个是条件不允许,一个是无法解决。
人工智能是目前最接近能够帮助人类打开未来的技术, 但是从目前来看,即使是研究或者探索人工智能技术本质的人,也都不能很好解释和理解人工智能系统做出某种决定或者选择的原因。换句话说,我们目前通过任何预想的规则都是没有办法很好地去理解和预测这些新兴云类问题。
或许可以说,不确定性是对未来缺乏了解。
最后,做一个简单的类比来说明我们应该采用何种新的思路来解决新的问题。
人工智能挖掘隐藏数据背后的行为
想解决这个问题,我们就回归到人本身。千万不要忽视人具备“直觉”这个独特能力,即使目前我们还真的不了解这种“直觉”背后的机理。
假如你在做一件比较难的决定,你要做的事首先是先想出一些好的选项。一旦有了这些选项,你下一步很有可能就会找出最有可能成功的选项。换句话说,这种从经验中去学习的行为分析新思路应该是应对新兴云类问题所必须的。
结论
本文从阿波罗11号登月飞船这个庞大复杂而又高度可预测的系统入手,引出对什么是云和钟类问题的思考。进而得出,按照“拆解分析、拼装还原”的老思路是无法解决我们目前面临的诸多新兴云类问题,比如天气、市场分析和社会行为等。
究其原因在于,系统的不确定性导致这两类问题呈现出完全不同的解题思路。
为了进一步说明,靠“性能堆积、暴力计算”的老思路无法解决新兴云类问题。本文从国际象棋到AlphaGo围棋的转变入手,说明AlphaGo为了应对围棋这种新兴云类问题,摒弃了之前的老思路,采用“随机走子来建立类人直觉”的新思维方法。
为什么老思路无法再解决新兴云类问题?一是未来存储条件不满足,二是老思路也根本无法解决。利用钟类问题的工程思路,也只能对云类问题的表明进行分析。而且,我们目前通过任何预想的规则都是没有办法很好地去理解和预测这些新兴云类问题。
不确定性很有可能是我们对未来的不了解,或许按照“从经验中学习”的行为分析新思路将是我们打开未来的新思路,即使目前我们还不能很好理解这背后的行为。
如果您觉得本文对您有价值,
欢迎大家关注静心科技,静心科技为您提供不一样的静心视角。
如果您有不同的看法,
欢迎在下方留言板留下您的意见建议。
文章来源: https://twgreatdaily.com/zh-hans/SWHlEnEBrZ4kL1ViMlpe.html