封殺這個公式，AI智商將為零
本文轉(zhuǎn)自量子學(xué)派（微信：quantumschool）
本文節(jié)選自《人類最美的 54 個公式》
引
我思故我在
AI 背后的神秘公式
近代哲學(xué)奠基人，偉大的笛卡爾說出“我思故我在”時，上帝震驚了。
第一個被賦予公民身份的機器人 Sophia（索菲婭）被問到：你怎么知道自己是機器人？Sophia 的回答是：你怎么知道自己是人類？
機器人會反駁了，這到底是新世紀(jì)的福音，還是人類的轉(zhuǎn)折？
AI（人工智能）已經(jīng)不再是完全被動地向人類表述世界，而開始主觀性地表達(dá)意見。
Google 自動駕駛汽車的操縱系統(tǒng)，G-mail 對垃圾郵件的處理，MIT 主導(dǎo)的人類“寫字”系統(tǒng)，以及最新的 SIRI 智能語音助手平臺，還有挑戰(zhàn)人類最后智慧堡壘的 AlphaGo 系統(tǒng)，都已經(jīng)開始了“深度學(xué)習(xí)”暴風(fēng)雨式革命。
這幾年，機器智能向“我思故我在”這個哲學(xué)命題步步逼近，一只神秘之手躲在后面操縱，它就是貝葉斯公式。
當(dāng)科學(xué)在證明自己對世界的客觀認(rèn)知時，貝葉斯公式卻融入了人類的主觀性。
01
“不科學(xué)”的貝葉斯-拉普拉斯公式
貝葉斯定理是 18 世紀(jì)英國數(shù)學(xué)家托馬斯·貝葉斯提出的概率理論。
該定理源于他生前為解決一個“逆概”問題寫的一篇文章，在貝葉斯寫這篇文章之前，人們已經(jīng)能夠計算“正向概率”，如“假設(shè)袋子里面有P只螃蟹，Q只蜘蛛，你伸手進去摸一把，摸到螃蟹的概率是多大”。但反過來看：“如果我們事先并不知道袋子里面螃蟹和蜘蛛的比例，而是閉著眼睛摸出一只（或好幾只）螃蟹，那么我們可以就此對袋子里面的螃蟹和蜘蛛的比例作出什么樣的推測。”這個問題就是逆向概率問題。
這個研究看起來似乎簡單而平淡無奇，直到他死后的兩年才于 1763 年發(fā)表。它的數(shù)學(xué)原理很容易理解，就像一個迷信星座的 HR，如果你碰到一個處女座的應(yīng)聘者，你會推斷那個人多半是一個追求完美的人。這就是說，當(dāng)你不能準(zhǔn)確知悉某個事物本質(zhì)時，你可以依靠經(jīng)驗去判斷其本質(zhì)屬性的概率。與其他統(tǒng)計學(xué)方法不同，貝葉斯方法建立在主觀判斷的基礎(chǔ)上，讓人感覺不科學(xué)，這也是它 200 多年來不為科學(xué)家們待見的原因。
除了貝葉斯，1774 年，法國數(shù)學(xué)家拉普拉斯也非常“不科學(xué)”地發(fā)現(xiàn)了貝葉斯公式。這位創(chuàng)立了大名鼎鼎的諦聽神獸拉普拉斯獸的科學(xué)家，給出了我們現(xiàn)在所用的貝葉斯公式的表達(dá)：
該公式表示在B事件發(fā)生的條件下A事件發(fā)生的條件概率，等于A事件發(fā)生條件下B事件發(fā)生的條件概率乘以A事件的概率，再除以B事件發(fā)生的概率。
公式中，P(A）也叫做先驗概率，P(A/B)叫做后驗概率。
像微積分公式的全稱是“牛頓-萊布尼茨公式”一樣，公式至少應(yīng)被稱為“貝葉斯-拉普拉斯公式”才科學(xué)。
02
今天天氣怎樣？
貝葉斯公式是這樣工作的
貝葉斯定理并不好懂，它到底是如何為人民服務(wù)的？
對于貝葉斯定理，參照上面的公式，首先要了解各個概率所對應(yīng)的事件。
-
P(AB)是在B發(fā)生的情況下A發(fā)生的概率；
-
P(A)是A發(fā)生的概率；
-
P(BA)是在A發(fā)生的情況下B發(fā)生的概率；
-
P(B)是B發(fā)生的概率。
就知道你沒看懂……那我還是舉個經(jīng)常用到的例子吧！
量子學(xué)派 CEO 良心發(fā)現(xiàn)放假 10 天，量子妹約定帥哥去爬梧桐山，希望玩到人約黃昏后占點便宜，然而天公不作美，一大早天空多云。
這可怎么辦？60% 的雨天的早上是多云的。帥哥說，不玩了吧。
量子妹當(dāng)然不甘心，勸說帥哥：
-
多云不見得會下雨，大約 30% 日子早上是多云的！
-
深圳天氣平均一個月才會 3 天下雨，10% 的概率而已。
帥哥并不是繡花枕頭，非?？茖W(xué)地用“貝葉斯公式”計算：
用“雨”來代表今天下雨，“云”來代表早上多云。
當(dāng)早上多云時，當(dāng)天會下雨的可能性是P(雨云)。
P (雨云) = P (雨)·P(云雨) /P(云)
P (雨) 是今天下雨的概率 = 10%
P (云雨) 是在下雨天早上有云的概率 = 60%
P (云) 早上多云的概率 = 30%
那么，貝葉斯定理的答案就出來了
P (雨云) =0.1×0.6/0.3=0.20
帥哥毫無表情地說：今天下雨的概率是 20%，可以去爬山。
量子妹看著美得不食人間煙火的帥哥，怯生生地問：你真的是人嗎？
帥哥毫無表情地回答：我不是人，我是阿爾法狼。
03
貝葉斯公式如何逐步取得人類信任
今天的貝葉斯理論開始遍布一切。從物理學(xué)到癌癥研究，從生態(tài)學(xué)到心理學(xué)。
物理學(xué)家提出了量子機器的貝葉斯解釋，以及貝葉斯捍衛(wèi)了弦和多重宇宙理論。
哲學(xué)家主張作為一個整體的科學(xué)可以被視為一個貝葉斯過程。
貝葉斯定理就快成像“熱力學(xué)第二定律”一樣放之四海皆準(zhǔn)了。
特別是在 IT 界，AI 大腦的思考和決策過程，被更多工程師設(shè)計成一個貝葉斯程序。
但貝葉斯誕生以來命途多舛，長期以來因為表面的不科學(xué)，并沒有得到主流學(xué)界認(rèn)可。
其實在日常生活中，我們也常使用貝葉斯公式進行決策。比如我們到河邊釣魚，根本就看不清楚河里哪里有魚或者沒魚，似乎只能隨機選擇，但實際上我們會根據(jù)貝葉斯方法，利用以往積累經(jīng)驗找一個回水灣區(qū)開始垂釣。
這就是我們根據(jù)先驗知識進行主觀判斷，在釣過以后對這個地方有了更多了解，然后再進行選擇。所以，在我們認(rèn)識事物不全面的情況下，貝葉斯方法是一種非常理性且科學(xué)的方法。
貝葉斯公式得到主流科學(xué)界的認(rèn)可，主要因為兩件事：
1、《聯(lián)邦黨人文集》作者揭密
1788 年，《聯(lián)邦黨人文集》匿名出版，作者漢密爾頓和麥迪遜寫作風(fēng)格幾乎一致。兩個人都逝世后，要找出每一篇文章的作者極其困難，哈佛大學(xué)通過對詞匯的貝葉斯研究方法最終找出了每一篇的文章作者，研究方法在統(tǒng)計學(xué)界引發(fā)震動，被禁錮了 200 年的貝葉斯公式從魔盒里被釋放出來。
2、美國天蝎號核潛艇搜救
1968 年 5 月，美國海軍天蝎號核潛艇在大西洋亞速海海域失蹤。軍方通過各種技術(shù)手段調(diào)查無果，最后不得不求助于數(shù)學(xué)家 John Craven，John Craven 提出的方案使用了貝葉斯公式，他召集了數(shù)學(xué)、潛艇、海事搜救等各個領(lǐng)域的專家，一邊擲骰子一邊通過貝葉斯公式一一排除小概率發(fā)生意外事故的搜索區(qū)域。
2014 年初馬航 MH370 航班失聯(lián)后，科學(xué)家想到第一個方法就是利用貝葉斯定理開始區(qū)域搜索，這個時候，貝葉斯公式已經(jīng)名滿天下了。
04
語音識別
貝葉斯公式開始展示“神跡”
科大訊飛因為語音識別成為千億級市值公司，首先得感謝貝葉斯公式和馬爾科夫鏈。
自然語音處理一直是科學(xué)家面臨的最大難題，在計算機語言處理領(lǐng)域，近幾年引入了貝葉斯公式和馬爾科夫鏈才有了長足進步（這里不詳細(xì)介紹馬爾科夫鏈）。
文字翻譯尚可理解，但語音涉及各種動態(tài)語法，機器怎么知道你在說什么鳥語？
但當(dāng)你在現(xiàn)場看到機器翻譯的準(zhǔn)確性，會感嘆這簡直就是“神跡”，比大部分現(xiàn)場翻譯要強得多。
一旦出現(xiàn)條件概率，貝葉斯總能挺身而出。
我們用P(fe)區(qū)別于以上的P(AB)來解釋語音識別功能。
統(tǒng)計機器翻譯的問題可以描述為：給定一個句子e，它可能的外文翻譯f中哪個是最靠譜的。即我們需要計算：P(fe)。
P (fe) ∝ P (f) * P (ef)
這個式子的右端很容易解釋：那些先驗概率較高，并且更可能生成句子e的外文句子f將會勝出。我們只需簡單統(tǒng)計就可以得出任意一個外文句子f的出現(xiàn)概率。然而 P (ef)卻不是那么好求的，給定一個候選的外文局子f，它生成（或?qū)?yīng)）句子e的概率是多大？我們需要定義什么叫“對應(yīng)”，這里需要用到一個分詞對齊的平行語料庫。
率先成功利用數(shù)學(xué)方法解決自然語言處理問題的是賈里尼克，他把語音識別簡化為用貝葉斯公式處理的數(shù)學(xué)問題成功開辟了一條全新的問題解決路徑。
隨著大量數(shù)據(jù)輸入模型進行迭代，隨著計算能力的不斷提高、大數(shù)據(jù)技術(shù)的發(fā)展，貝葉斯公式巨大的實用價值愈發(fā)體現(xiàn)出來。
語音識別僅僅只是貝葉斯公式運用的一個例子，其實貝葉斯定理的思想已經(jīng)滲透到 AI 的方方面面。
05
貝葉斯網(wǎng)絡(luò)
AI 智慧的“蜂群效應(yīng)”
單個語音模型的建立讓我們看到了貝葉斯定理解決問題的能力，但貝葉斯網(wǎng)絡(luò)的拓展讓我們隱約感覺到了 AI 背后“天網(wǎng)”的恐怖。
人類相對簡單的問題已經(jīng)解決得差不多了，剩下的都非常復(fù)雜。
龍卷風(fēng)的形成，2 的 50 次方可能的最小參數(shù)值比對。
癌癥致病基因，2 的 100 次方種可能的基因圖譜。
星系起源，2 的 350 次方種可能的星云數(shù)據(jù)處理。
大腦運作機制，2 的 1000 次可能的意識量子流。
面對這樣數(shù)理級的運算，科學(xué)家別無選擇，必須從可能的法則中選擇一些可以信任的，并以此為基礎(chǔ)建立理論模型。貝葉斯公式正好以嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)形式幫他們實現(xiàn)了這一點?？茖W(xué)家把所有假設(shè)與已有知識、觀測數(shù)據(jù)一起代入貝葉斯公式，就能得到明確的概率值。而要破譯某種現(xiàn)象的成因網(wǎng)絡(luò)，只需將公式本身也結(jié)成網(wǎng)絡(luò)，即貝葉斯網(wǎng)絡(luò)，接下來只需要向這個模型代入觀測數(shù)據(jù)，通過網(wǎng)絡(luò)節(jié)點間的貝葉斯公式重新計算出概率值。為每個新數(shù)據(jù)、每個連接重復(fù)這種計算，直到形成一個網(wǎng)絡(luò)圖，讓任意兩個原因之間的連接都得到精確的概率值為止。
人類認(rèn)知的缺陷越大，貝葉斯網(wǎng)絡(luò)展示的力量越讓人震撼。
但這還不是最可怕的，這里我們要引入“蜂群效應(yīng)”，一只個體蜜蜂，基本上沒有智力，但當(dāng)它們組建成一個蜂群時，就會爆發(fā)出一種整體智力，擁有記憶能力，能制造出巧奪天工的蜂巢。貝葉斯網(wǎng)絡(luò)的每一個節(jié)點就像一只蜜蜂，這種群體的連接不僅生動，而且非常嚴(yán)謹(jǐn)，一旦這個群體達(dá)到一定數(shù)量級別，有沒有可能產(chǎn)生整體智慧？這不僅是哲學(xué)家需要思考的問題，生命學(xué)家需要討論的問題，AI 圈的科學(xué)家也應(yīng)該直接去面對。
今天一場轟轟烈烈的“貝葉斯革命”正在 AI 界發(fā)生：貝葉斯公式已經(jīng)滲入到工程師的骨子里，分類算法也成為主流算法。在很多人眼中，貝葉斯定理就是 AI 進化論的基石。
結(jié)
封殺這個公式，
AI 智商將為零？
AI 人工智能第一課，都是從貝葉斯定理開始。
因為大數(shù)據(jù)、人工智能和自然語言處理中都大量用到貝葉斯公式。
我們無法預(yù)測到貝葉斯公式與計算機結(jié)合的真正威力，因為一切才剛剛開始。
貝葉斯公式與 AI 的結(jié)合，這到底是一場科學(xué)的革命，還是一場理念的革命？到底是生產(chǎn)方式的革命，還是人類在革自己的命？
當(dāng)年人類科學(xué)家總結(jié)出客觀的貝葉斯公式，而 AI 卻利用這個公式給自己注射主觀基因，兩者顛倒，在未來到底會演繹怎樣的相愛相殺故事？
如果真的到了決戰(zhàn)的一天，人類到底該如何給自己留一把殺手锏？是否應(yīng)該像 NSA 在算法里留下后門一樣，抽離出這個公式，讓 AI 無法“我思故我在”。
這似乎有點杞人憂天了，縱觀整個社會，現(xiàn)在不用太擔(dān)心 AI 像人一樣思考，最應(yīng)該擔(dān)心人類已經(jīng)失去了思考。
