隐藏的行为：塑造未来的7种无形力量

利用简化论思维处理钟类问题的“拆解法”屡试不爽。虽然你也可以照搬这个方法来拆解云类问题，但是最终得到的只是单个水分子，对你理解“云”这样的新兴系统展现出的幻化万千的行为毫无帮助。

就物理学的云来说，水分子相互牵制，往往是瞬息万变，但总是合力为之，这样的描述不算离谱。飘浮在我们头顶上的云是由彼此分离、临时结合的组成部分构成，它们彼此间若即若离，任何坐飞机穿过轻柔的积云的人都可以证明，云间填充的气流既快又不可预测，它们的最终形态积雨云是自然界中最强大、最具破坏力的一种力量，可以形成大暴雨。

小小的水滴本身几乎没有任何破坏力，但当它们结合起来时可以形成自然界中最可怕的现象，尤其是在快速聚合的时候。

这些看似微小、不起眼的粒子用出人意料的方式聚合在一起，造成了新兴系统典型的不确定性。我们能看见系统的各个部分，却不能理解整个系统的行为。新兴系统还有更深层的、隐藏的行为。^[8]

想要理解新兴系统不能单凭认识每个独立的部件来实现，只能把它们当作整体来研究。要了解一片单独的云，需要了解其他云的表现方式。不仅如此，还要认识到无数同样复杂的交互影响，如温度、大气压、风、阳光，甚至它们形成的地区等。此外，还有一些影响云的变量是我们无法彻底了解的，云的行为在本质上就是不规则的、无序的、高度不可预测的。

另外，你有没有注意到，我们在描述云的时候，认为它是有行为的？对一片显然没有智力可言的云来说，这似乎是一种很奇怪的属性，但我们在描述这种没有生物大脑的物体、系统和事物时，倾向于认为它们也拥有特定的行为方式。

我们通常会用“行为”这个词来描述事情是如何发生的，哪怕我们还未了解其成因。我们对云的行为的认识要比对它们为何有这样的行为的认识深刻得多。如果能真正了解云，就像对钟那样了如指掌，人们就无须对比各种天气预报了，因为所有天气预报都会提供同样精确的预测，结果确定无疑。

新兴系统的出现没有确定无疑一说，随之而来的是未知的以及不可知的变量，让我们措手不及。换言之，新兴系统行为背后的原则只有经历过才能理解（不过我们会在第四章中看到，面对新兴系统还有另一种选择，可以应对固有的高度不确定性）。人们经常在看到新兴系统的已知规则子集时就妄下结论，误以为整个系统都是工程性的。一个简单的例子就是对比各种棋牌游戏：井字游戏、国际跳棋、国际象棋以及围棋（见图2.1）。

井字游戏是一个十分简单的钟类问题，只需几个半导体就可以布好一个基本的回路，不用电脑就能创造出一个自动化的对手，其水平不亚于任何一个人类对手。我们中年长的那一位在16岁时玩过井字游戏，那时候个人电脑尚未诞生，规则很清晰，只有有限的几步。实际上，只有255 168种可能的游戏变化。

国际跳棋可能更复杂一些，总共有5×10²⁰ 种可能的变化——因此让这样一个钟类游戏显得十分有趣——但归根结底还是一个钟类游戏，因为它的步数也是有限的，每一步都遵循某种简单的电脑编程规则集。^[9]

国际象棋既有趣又变化万千。从数学的角度来说，其可以算出的变化多达10¹²⁰ 种，比宇宙中已知的原子数量还要多。换言之，这种游戏的变化可以说是无穷的，因为我们的电脑内存无法容纳所有的变化（至少从我们目前掌握的技术来看无法做到）。突然我们有了一个仅依靠机械的方法无法彻底解决的问题，但最终它还是变成了一个新兴问题，因为我们无法用公式推算出所有可能的结果。

这种时候你可能会想：“等一下，目前有一台电脑已经战胜了最优秀的人类玩家。”是的，1997年，IBM（国际商业机器公司）的深蓝（D eep Blue）——一台分析国际象棋的超级电脑——打败了世界顶级象棋玩家加里·卡斯帕罗夫（Garry Kasparov），但即使在深蓝的创造者（IB M的工作人员）看来，深蓝解决的还是钟类问题，它只是比普通的电脑快了很多。卡斯帕罗夫每秒可以推算三步棋，而深蓝每秒可以算两亿步，这是一个典型的利用远超过人类的暴力算法（brute force）完胜人类对手的例子。这就是我们所说的，通过机械化的方法可以部分解决新兴问题。然而，此时电脑超越人类对手的程度还是微不足道，深蓝虽然赢了，但只是险胜，仅以3比2战胜了卡斯帕罗夫（六场比赛中有一场是平局），这说明人类本身具备独特的能力，能够在无须暴力算法的情况下解决新兴问题。这就是我们所说的直觉，我们认为这是人类独有的特质。

自1937年阿塔纳索夫发明第一台数字计算机以来，计算机的发展重点就变为提高速度、带宽和存储能力。其发展理念是，只要你拥有足够多的算法，就能用暴力算法解决问题。但如果涉及新兴系统，问题就无法解决了，因为范围太大了。

以围棋为例，虽然乍看上去是一个非常简单的游戏，只有黑白两种棋子，但人们都认为围棋是所有棋牌游戏中最复杂、难度最大的，一定程度上需要人类特有的直觉和创造力。围棋不是一个有解的游戏，要在19×19的方形棋盘上呈现所有可能的游戏变化近乎不可能。保守估计，围棋的变化数量可以达到10¹⁷⁰ （在可观测的宇宙中，只有10⁸⁰ 个原子）。^[10] 还有人估计，这个数量可能高达10⁸⁰⁰ （假设每一步棋都合理，而非随意出棋）。^[11] 如果后者成立的话，那么游戏的变化数量可以达到10¹⁰⁰ ，即10的古戈尔次方（googolplex）。所以，你可以说围棋相较于同类有规则的棋牌游戏，堪称最接近新兴系统的棋牌游戏。但在2016年3月15日，全世界最好的围棋选手李世石（LeeSodol）却以四局三负的成绩，败给了谷歌DeepMind（深度思考）推出的人工智能围棋手AlphaGo（阿尔法围棋）。

所以，到底是什么让AlphaGo在处理新兴问题方面能够领先深蓝这么多？

首先，AlphaGo拥有强大的计算能力：1 920个标准处理器和280个加强版处理器，我们称之为GPU（图形处理器）。这是专为要求极高的游戏任务定制的。但AlphaGo真正的实力并不在于每秒千百万条指令或几兆的内存，而是它能够通过众所周知的深度学习（Deep Learning）形成某种直觉。简单来说就是，深度学习可以从千百万种围棋游戏中归纳出各种规律，并在此基础上决定走哪一步最好。^[12]

在AlphaGo的例子中，开发人员在这台人工智能设备中输入了千百万种可能的围棋着数，包括所有他们在网上能找到的两人对弈的棋局。为了进一步强化这种深度学习，AlphaGo自己跟自己下棋——一遍又一遍，下了千百万遍。

如果对人工智能的工作原理有一定的了解，就会更容易理解后面的论述。

在AlphaGo身上其实有两套独立的算法，共同决定下一步棋该如何走。第一种是“策略网络”（policy network），它的作用是基于之前经历过的所有对弈，根据具体情况推断出走哪步棋最好。AlphaGo随后转向第二种算法，称为“估值网络”（value network），计算出每一步棋可能的成功概率。这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。

我们做个类比，假设你正在做一个艰难的决定，你要做的第一件事可能就是先想出最好的一些选项，一旦你有了这些选项，下一步很可能就是找到最有可能成功的那个选项。在你面对新兴系统时，这种从经验中学习的能力是必备的，因为它让挑战和挑战者（或物）之间能够开展对话。

最后，记住这一点，AlphaGo不是由程序员训练出来的，而是它自己训练自己。对此，我们将在后续章节继续讨论。在探讨人工智能如何改变我们对计算的看法时，这是最重要也是人们了解得最少的一个方面。但就目前来看，可以说就连探索AlphaGo或任何其他人工智能工作原理的人，或许都未必理解它们做出某个决定或做出某种行为的原因。

人工智能不同于那些由人来编程的计算机，它可以一边给自己编程，一边学习——完全不同于人类的学习方式。没有人会正儿八经地教你走路，即使他们真的这么做了，估计你也听不懂他们在说什么，因为我们大多数人都是先学会走路后学会说话。我们会在第四章讨论自动驾驶汽车时继续探讨这些话题，但现在我们暂且接受这样一个现实：通过任何预先设定的规则是无法完全理解或预测新兴系统的。

新兴也不是一个仅限于物理或机械装置的概念，它同样也是经济学的重要组成部分。1914年，经济学家、芝加哥经济学派创始人弗兰克·奈特在其康奈尔大学博士论文中提到了固有不确定性的作用，他的著作《风险、不确定性和利润》（Risk Uncertainty and Profi , ）也是基于这篇论文展开的。

奈特的经济学研究方法不算正统，但他的前提非常简单：不确定性是对未来缺乏了解的表现。奈特构建了一个复杂的矩阵，来描述生活中多种多样的不确定性，他甚至还进一步声明“意识的作用在于给予众生未来的‘知识’”。

奈特式的经济学认为即使有再多的信息，也无法增加对某一事件的确定性。这可能是奈特工作成果中最反直觉的部分。

毕竟，如果某新兴系统的不确定性是因为对未来缺少了解，那么在拥有了一定的信息之后，这种情形不应该有所改善吗？在奈特描述的情境中，这种了解只能通过亲身经历获得，而不能提前获取。实际上，对这些情形了解的信息越多，越容易导致决策延迟、错失良机。结合实际思考一下，面对不确定性时，你的第一反应往往是先缓缓，厘清整个事件，然而在这种情况下，恰恰需要你马上行动起来，随机应变，这就是人们所说的“不确定性原理”（Uncertainty Principle），随着不确定性的增加，反应的时间会越来越少。^[13]

我们身边到处都是这种新兴系统带来的不确定性——天气、股票市场、经济体系、市场体系、政治运动、生物圈、交通情况、人类行为、某些疾病——这一切都带有一定的不确定性，人们不可能完全理解。

计算机配置再高，连通性再好，也不能解决云类问题所带来的挑战，只能在问题的表面取得初步进展，但在使用暴力算法获得进展方面，人们正在接近极限。

这就是物理的极限。不仅摩尔定律有上限，而且如果我们继续以当前的加速度存储数据，很快就会碰到一些相当可笑的场景。预计世界数据中心（所有云数据的存储地）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。^[14]

然而，更让人吃惊的是另一个现实：如果我们继续以现在的轨迹发展，马上就会面临空间不足以存储所有数据的窘境。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^[15] ，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。

我们实在不能再继续这样用有限的解题规则，把所有问题都当作工程系统的问题来解决了。这并非要摒弃以前用于解决钟类问题的方式，因为钟类问题不会消失，我们还会看到比以往更多的类似问题。但这确实意味着，人类需要认识到技术问题之间的差异，钟类问题的解决依靠的是线性、简化论推理的方法，而新兴问题则需要依靠行为学来解决。

关于新兴系统的这些讨论，听起来可能有些愚蠢，甚至让人费解，但它直接指出了人类为何需要借助人工智能开拓未来。人类正处在文明的分水岭，要么选择工业时代的建造工具继续得过且过；要么添置一套新的工具，以便在面对未来的挑战时更加得心应手。这些新的工具既可以帮助我们运作商业，也有助于重塑我们的社会。

本书中所探讨的话题——自动驾驶汽车的发展、无摩擦力数字生态圈的出现、超个性化以及忠诚品牌的价值——都源于人们解决问题方式上的根本转变，从单纯地应对水面上显而易见的部分问题，到探索隐藏于水下的更复杂、更有趣的部分。要揭示我们每个人独有的个体行为，隐藏的那部分才是最有意思的。真正的大幕正是从这里拉开的。

1. “50 Years of Moore’s Law,” Intel, accessed October 2, 2017,https://www.intel.com/content/www/us/en/silicon-innovations/moores-law-technology.html.
2. Martin Lindström, Small Data: The Tiny Clues That Uncover Huge Trends (New York: Picador, 2017).
3. “John Vincent Atanasoff: The Father of the Computer,” (obituary),accessed October 2, 2017, http://www.columbia.edu/~td2177/JVAtanasoff/JVAtanasoff.html.
4. 此处用牛顿／爱因斯坦，旨在说明尽管爱因斯坦的物理学理论在理解事情的起因上有了巨大的飞跃，却并未否定牛顿对事物发展的解释，两者可以共存，而且事实如此。
5. 在aspiregroup.com上，与吉姆·海斯一起就托普勒以及他对钟与云的类比进行了深入探讨。
6. 1英里≈1.61公里。
7. Tibi Puiu, “Your Smartphone Is Millions of Times More Powerful Than All of NASA’s Combi ned Computing in 1969,” ZME Science ,September 10, 2017, http://www.zmescience.com/research/technology/smartphone-power-compared-to-apollo-432/.
8. 改编自托马斯·科洛波洛斯，《云上冲浪》（Cloud Surfin ）（布鲁克林：Bibliomotion出版公司，2012年）。
9. “500 Billion Billion Moves Later, Computers Solve Checkers,” Chess News , accessed October 2, 2017, http://en.chessbase.com/post/500-billion-billion-moves-later-computerssolve-checkers.
10. “Showdown,” The Economist , March 12, 2016, https://www.economist.com/news/science-and-technology/21694540-win-orlose-best-five-battle-contest-another-milestone.
11. Matthieu Walraet, “A Googolplex of Go Games,” January 9, 2016,http://matthieuw.github.io/go-games-number/GoGamesNumber.pdf.
12. AlphaGo和其他深度学习系统一样，并非通过与人类对手玩游戏来锻炼自己，其对手是诸多其他电脑，而且在大多数情况下是自己跟自己对弈。
13. Koulopoulos, Cloud Surfin .
14. Tom Bawden, “Global Warming: Data Centres to Consume Three Times as Much Energy in Next Decade, Experts Warn,” The Independent , January 23, 2016, http://www.independent.co.uk/environment/global-warming-data-centres-to-consume-threetimes-as-much-energy-in-next-decade-experts-warn-a6830086.html.
15. Research and Analysis by IDC, “The Digital Universe of Opportunities: Rich Data and the In creasing Value of the Internet of Things,” EMC Digital Universe, April 2014, https://www.emc.com/leadership/digital-universe/2014iview/executivesummary.htm