今年3月份，AlphaGo以4:1的大比分战胜人类世界围棋冠军，这一重磅消息让人工智能再次成为了万众瞩目的焦点。随着人工智能最新技术的普及，以及硬件性能的大幅度提升，人工智能产品将会快速地占领市场。很多人已经预言到一个全新智能时代即将来临。
尽管人工智能发展迅速，但迄今为止，人工智能尚无法完全取代人类智能。于是，当我们面临各种复杂问题的时候，一种最聪明的做法就是将最先进的人工智能技术与目前最聪明的人类智能结合起来，以更好地发挥各自的优势。因此，本文我们将重点讨论人工智能与人类智能几种可能的结合方式。
深入这个问题，我们会发现人与机器的结合存在着两种不同的途径，一种是以人工智能为核心，人起到辅助性的作用；而另一种则是以人为中心，人工智能起到辅助的作用。事实上，近些年随着人工智能和集体智能、众包、人类计算等学科的发展，这两种途径都有了长足的进步，下面我们将分别展开讨论。
人工智能是人造出来的一种智能程序或者机器，因此它必然需要人的助力。但是，这里我们所说的人的助力并不指给计算机编程序，而是指在程序交付使用之后，通过用户的使用而改进程序。
人工智能需要大量的训练数据，这种数据从哪里来呢？答案是通过人！人能够产生训练数据来让机器学。这就相当于人类教程序认字、学说话。但是，没有人愿意浪费大量的时间来教机器，怎么办呢？答案是：游戏。下面我们来看一个具体的例子。
现如今，人工智能自动驾驶汽车已经不再是神话，甚至Google已经让自动驾驶汽车奔跑在了真正的高速公路上。然而，这并不是说自动驾驶技术已经发展成熟。它的一个很大的问题是，自动驾驶程序需要大量的训练数据输入才能应付各种情况，特别是一些特别道路的边缘情况，这为安全带来了一定的隐患。
为了避免这个问题，斯坦福大学的普拉纳夫•拉普卡（Pranav Rajpurkar）及其团队发明了一种方法可以为人工智能程序提供特殊情况的训练数据。他们开发了一个网页版的三维游戏Driverseat（如下图所示），来展现自动驾驶汽车所看到的真实环境，然后让玩家来玩这个游戏，并纠正程序可能犯的错误。程序可以通过扫描眼前的图像从而识别出各种景物，特别是道路的边缘和标识线。但是，现在的神经网络由于缺乏各种情况下的训练数据，因此并不能正确识别出道路的边缘。这样人的任务就是要帮助纠正神经网络的错误，帮它在犯错的时候正确标识出边缘。
通过这个游戏，普拉纳夫•拉普卡团队获取了大量的用户占意（注：占意是我们提出的一个涵盖注意力、意愿和体验的新概念，占意就是指意识舞台被某物占据的状态。）资源，并生成了大量的标签数据，来帮助神经网络训练。最后，这个名叫Driverseat的深度神经网络终于在大多数场合下达到了人类驾驶的水平。
现在的人工智能程序在很多领域，例如人脸识别、物体识别等已经达到甚至超越了人类的智力水平，但是在熨衣服、做饭等人类非常擅长的领域却仍然相形见绌。其中最主要的原因就是这些非标准化的任务并没有形成大量的训练数据，而这一数据的获取是非常困难的。那么，我们是否可以仿照这个自动驾驶的例子，通过游戏化的方式来搜集大量的训练数据呢？
人工智能可以帮我们解决各种问题，在这里，我们将重点集中在利用人工智能来助力人类群体智能：众包。目前，随着大规模的众包以及人类计算项目的诞生，人们已经开发出了一些成型的人工智能技术来辅助众包。
我们知道，众包就是要利用人类智能来解决问题。现在，随着亚马逊的土耳其机器人市场的成熟运作，人们已经将招募众包参与者的流程正规化。这时，一个重要的问题就是如何对众包的参与者进行质量评估，并根据这些评估来分配不同的众包角色。以往，由于我们无法预判一个人在实际工作中的表现，所以只能在事后做出评估。然而这一过程显然费时费力、浪费成本。于是，人们想到了利用机器学习技术辅助对参与者的评估。具体的做法是：首先我们要用一堆参与者作为样本来训练一个神经网络。输入的信息就是每个人的基本特征以及回答调查问卷中的简单问题，普遍采用的方法就是用一些所谓的标准化问题（gold standard）来做问卷调查。输出就是这个管理者对此人的评价打分。神经网络要学习的就是这些输入输出对。训练好了之后，这个神经网络就可以通过读入一个参与者的问卷信息，从而给出此人可能的工作表现。
第二类问题是众包组织里流程的优化设计。我们知道，很多众包任务都需要多人相互协作，并且是多阶段的任务。例如，字幕组的工作就可以由翻译和校对两个步骤构成。这就要求众包实施方应该合理地安排流程，从而达到效率和成本消耗的最优化。目前，结合机器学习以及人工智能优化方法，已经设计出了很多成型的系统。
最后一类有趣的问题就是众包团队的组建工作。我们知道，集体的力量只有在成员相互协调配合的条件下才能真正发挥出来。同样，在众包实施的过程中，团队的组建非常重要。面对一个任务，我们应如何进行工作分解，将适当的人组织成团队，并使每个团队都能领取合理的任务，这一点是非常重要的。The Whole Is Greater Than the Sum of Its Parts（参考文献[1]）一文曾讨论了面对一个给定的众包任务，我们应当怎样进行团队建设的问题。其基本思想仍然是将团队建设看作一个最优化问题。其中，优化的目标是团队之间两两成员的亲和度（affinity）以及团组之间的关系。这种亲和度需要根据每个成员的特征来进行计算，而特征的获取也可以通过调查问卷的方式进行。这样，只要众包任务和人员范围明确，人工智能就能自动计算出合理的团队组合方式。
现如今，无论是人脑智能还是人工智能，都得到了大力的发展，而且二者之间的相互联系以及相互配合也变得更加深入了。因此，整个互联网都是一个人和机器相互连接的整体。它们既不是纯粹的人类的集合，又不是纯粹的机器的集合，而是两种的混合体。人们将这样的人和机器通过互联网相互联系而形成的有机整体称为全球脑（global brain）。如何为这个全球脑系统写程序，从而让它来帮助我们实现目标，是一个意义重大的崭新问题。
为全球脑系统编程有很多成功的案例，比如维基百科、人类计算系统等，当然更多的是不成功的案例。我们应该如何从这些成功经验中总结出规律呢？首先应当明确这个全球脑人机结合系统所具备的特性以及可以指导我们开始进行思考的隐喻。我们可以将全球脑比喻成：想法的生态系统、相互依赖的网络、智力的供应链网络、协作型思考组织、具有超级流动性的虚拟组织、多人游戏，等等。无论哪一种隐喻都可以教会我们用全新的视角看问题。
然而，当我们从信息、想法、知识等概念的角度看待问题的时候，实际上已经忽视了它的背景，这就是注意力。从本质上讲，人类的注意力是整个全球脑系统演化的动力之源。
另外，值得一提的是，意愿对人的作用是非常重要的。因为，从本质上说，人类恰恰是由各种意向、动机、愿望驱动的。如果把握住了人类的意愿，人工智能可以成功地占领人类的意识空间。
尽管道克•西尔斯很早就提出了意愿经济理论，但是目前的工业界对人类的意愿至今仍然不够重视。因此，如何充分利用人工智能技术发挥人类意愿的作用也是人工智能所面临的一个重要问题。
道克•西尔斯曾指出智能代理技术将有可能大力促进意愿经济的发展。苹果的Siri、微软的小冰都是现在已经面世的智能代理产品，尽管它们仍然十分初级。这些产品可以通过人机对话的方式了解每一个客户的需求，从而为他们提供个性化的服务和帮助。
未来，由于人类的意愿将会变得越来越重要，因此智能化代理技术将围绕着人们的意愿展开。智能代理可能是个性化定制的机器人，也可能是某种智能软件。它一方面可以非常流畅地与人打交道，另一方面则可以沟通整个互联网为用户查找信息资源。因此，智能代理将可能成为人与网络交互的门户。
在古老的神话故事中存在着一种神奇的树，你只要对着这棵树说出你的愿望，无论该愿望是什么，它总是可以帮助你达成心愿。
从人工智能的角度来说，愿望的实现过程其实就是一个复杂问题的求解过程，所以这恰恰是人工智能擅长的领域之一。在未来，智能代理技术将有可能演化成类似“许愿树”一样的应用，使用者只需要对它说出自己的愿望，该应用就可以调用一系列人工智能算法，将此愿望分解成一系列小问题，然后一个个地求解，最终帮助用户达成心愿。这听起来似乎是天方夜谭，但是我们不应忘记，技术的发展是指数性的而不是线性的。因此，在不远的将来，比特和原子世界将会被打通，人工智能的问题求解也可以创造出原子世界的真实事物。于是，许愿树就可能不再是神话。
参考文献
[1] Rahman H, Roy S B, Thirumuruganathan S, et al. " The Whole Is Greater Thanthe Sum of Its Parts": Optimization in Collaborative Crowdsourcing[J].arXiv preprint arXiv:1502.05106, 2015.
本文节选自集智俱乐部新书《走近2050：注意力、互联网与人工智能》第7章。点击阅读原文购买，支持集智俱乐部，支持《走近2050》。
让苹果砸得更猛烈些吧！！！
长按识别二维码，关注集智Club，
让我们离科学探索更近一步。
始发于微信公众号： 集智俱乐部
