用于语音识别的听觉模拟神经网络

“人们不会再逐行写代码了，当一个神经网络学会了语音识别，程序员并不能深入内部去看看这是怎么发生的，就像你无法切开大脑看看自己在想什么。”Rubin说。当程序员窥视深度神经网络的内部，他们看到的只是一团迷雾：海量多层次的微积分问题——由数十亿个数据点持续不断产生的连接——产生着对世界的猜想。

这并不是人们想象中的人工智能的运行方式。直到数年之前，主流的人工智能研究者还以为只要为一台机器灌输正确的逻辑，就能创造智能。只要编写足够多的规则，我们最终就能创造一套精密到可以理解世界的系统。早期的机器学习拥护者被忽视甚至遭到诋毁，他们更倾向于给电脑提供足够多的数据，让它们自己得出结论。多年之间，计算机的运算能力都不足以证明这种方法的价值，所以争论变成了一场哲学思辨。

“大部分争论都建立在关于世界运行与大脑运转的顽固信仰上，”Google无人驾驶汽车之父、斯坦福人工智能教授Sebastian Thru说。“神经网络没有符号，也没有规则，只有数字，这让很多人望之却步。”

一种无法解析的机器语言带来的不仅是哲学观念上的冲击。过去20年间，学习编程已经成为一条无比坚实可靠的职业道路。但是一个由彼此神经连接的深度学习机器主宰的世界需要另一种劳动者。关于人工智能令各种技能过时的担忧已经甚嚣尘上，程序员很快就能尝到自己酿下的“苦果”的滋味。

“我今天早上刚刚和别人谈过这个话题。”当我问到这种转变时，科技名流Tim O’Reilly说。“当这一代的孩子成长起来，编程工作将会和今天的大为不同。”

当然，传统的编程并不会彻底消失——O’Reilly预计很长一段时间内我们还是需要程序员——但是数量将大为减少，而且编程将会变成一种“元技能（meta skill）”，一种为机器学习创造“脚手架”的手段。就像量子力学的发现并未让牛顿力学失效，编程依旧是探索世界的一种有力工具。但是要快速推进特定的功能，机器学习将接管大部分工作。

当然，还是要有人来训练这些系统。但是，至少在今天，这还是一种稀缺的技能。这种工作需要对数学有高层次的领悟，同时对于“有来有往”的教学技巧有一种直觉。“使这些系统达到最优效果的方法差不多是一门艺术”，Google Deepmind团队负责人Demis Hassabis说。“世界上只有寥寥数百人能出色地完成这件事。”

但即使是这一小撮人也足够在数年之间改变整个科技行业。

不管这样的转变对于人类职业有何影响，它对文化造成的冲击将会更大。人工编程软件的兴起引发了对于程序员的宗教式崇拜，一种观念大行其道：人类的经验最终可以浓缩成一系列可以理解的指令。而如今，机器学习把钟摆拨向了相反的方向。宇宙运行的“代码”可能在人们的理解之外。比如，Google在欧洲正面临反托拉斯调查，被指控对搜索结果施加过度影响。这项指控很难被证明，因为就连Google自己的工程师都没法说清楚搜索算法是如何工作的。

这早已不是新鲜事，即使是简单的算法也会产生意想不到的新行为——这种观念可以追溯到噪音理论和随机数生成器。在过去几年间，随着计算网络日益交织，功能日趋复杂，程序变得越来越像一股外星力量，机器中的幽灵变得越发难以捉摸、不受控制。飞机无故着陆，股市出现看似不可避免的极速暴跌，还有轮流停电事故。

这些“看不见的力量”让科学家Danny Hillis公开宣称文明时代——我们数百年来对于逻辑、决定论、人定胜天的信仰——的终结。“随着我们创造的技术和机构日益复杂，我们和它们之间的关系已经改变，不再是它们的主人，而要学着跟它们讨价还价，劝诱、指引它们达成我们的目标。机器学习的崛起是这段旅程的最新一章，也可能是最后一章。”

Google图片将两名黑人的照片识别为“大猩猩”

后果可能会相当恐怖。毕竟，编程技能还是普通人可以学习和掌握的。程序员毕竟还是人类。如今，技术精英群体的规模正在缩小，他们下达的指令正在不断减少，越来越间接。那些制造出这些东西的公司发现它们的行为很难控制。去年，Google的图片识别引擎开始把黑人打上大猩猩的标签，它不得不紧急道歉，补救措施的第一步是阻止系统为任何东西贴上大猩猩的标签。

“这一切都预示着一个我们失去对机器控制权的时代的到来。人们可以想象科技在金融市场上智胜人类，逃离人类领袖的操纵，甚至发明人类无法理解的武器。”史蒂芬霍金的这些话得到了埃隆·马斯克和比尔盖茨等人的响应。“人工智能的短期影响取决于它操控在谁的手中，长期后果取决于能否被掌控。”

但是不必惊慌失措，这不代表天网的降临。我们只是要学习如何与新一代技术合作共事。工程师们正在想法设法让深度学习系统“引擎盖”下的运作变得可视化。即使我们终究没法完全弄懂它们是如何”思考“的，并不意味着我们在它们面前无能为力。未来，我们将不再关注行为背后的底层代码，而是专注于行为本身。我们用于训练机器的数据将比代码更重要。

巴甫洛夫的条件反射实验

如果这一切似曾相识，那是因为这很像20世纪的行为主义。实际上，训练机器学习算法的过程经常会被与20世纪初那些伟大的行为主义实验相提并论。巴甫洛夫并不需要深入理解饥饿的原理，只需要一再重复一系列动作就可以激发狗分泌唾液。他一次又一次地提供数据，直到代码自己重新编程。

长期来看，机器学习将会使技术更加民主化。你今天不需要知道html就可以搭建一个网站，同样的，你最终也不需要取得博士学位才能让机器学习的超强能力为己所用。编程不再是程序员们一系列晦涩语言的专属地盘，以后，任何人都可以编程。

在计算机发展史的大部分时间里，我们对机器的原理无所不知。我们编写代码，机器负责表达，这种世界观虽然蕴含着“可塑性”，但也代表着一种基于规则的决定论，即认为事物是它们背后的规则的产物。机器学习的哲学则相反，不只是代码决定行为，行为也决定了代码。机器是世界的产物。

最终，我们既会欣赏逐行写代码的力量，也要通过机器学习算法来调整它。很可能生物学家已经开始动手了。Crispr这样的基因编程专家将会赋予基因和软件程序员一样的代码操纵能力。但后生学理论表明基因并非一系列不可更改的程序设定，而是根据周围环境和宿主经历而改变的一组动态开关。我们体内的代码并不是独立于物理世界，而是深受它的影响，也会被深深改变。Venter可能会深信细胞是DNA软件驱动的机器，但是后生学家Steve Cole有一种不同的表达：细胞是一种把将生活经历转化为生物现象的机器。

如今，在艾伦图灵设计出“图灵机”80年后，计算机成了将体验转化成技术的设备。几十年来，我们都在寻找可以解释、优化我们生活体验的代码。但是我们手中的机器不会再遂我们的愿了。我们和机器之间将会有一种更为复杂、然而最终会让我们获益更多的关系。我们不再给它们下指令，而是成为它们的父母。

本文由钛媒