李开复：我不相信奇点，相信平台化的人工智能工具箱(2)
机器学习永远不可能有自我意识，因为其优化目标是人类给定的，而不是物理世界给定的。物理世界给定的优化目标是生存，机器学习不会面对这样的优化目标。
即使机器学习有了量子计算，还是不会改变其在人类社会中的定位, 只是我们对特定问题有了超级快速的计算单元。量子计算技术的发展，为我们在特定计算任务，主要是部分数值优化算法以及密码学算法上，可以给出极其惊人的求解速度。
所以当下以及不久的将来，大家大可不必担心机器的觉醒或者所谓的奇点的到来。当下的智能技术都是在为人类服务，是人类的工具。但是值得强调的是，智能技术服务的是掌控智能技术的人类，只是代表了一部分人类的利益，这可能是一个很小的群体，一个公司、团队甚至个人。我们需要担心的是这种新形态下的超级垄断力量对人类整体的危害或者剥削。
人类漫长的演化史就是一部生物智能的训练史
创新工场人工智能工程院副院长王嘉平认为，人类的进化不单单包括我们的大脑，也不只是神经系统突触的进化，而是整个世界的进化，与进化相统一，与人类的欲望相一致。人类的感知系统、运动系统，乃至人类的情感、创造力，都是在人类生存能力的基础上发展起来的。深度学习仅仅是一个工具。而人类的选择、人类法则、人脑的发展并不仅仅有关人类大脑，它是人类进化成果的一个总和，伴随着整个地球生物界的发展。
生物智能的学习从来都不是单个个体的学习，而是全球生物在历史上的所有种群所有个体一起协同在经历一场以生存为优化目标函数的学习过程。
在机器学习中的目标函数由我们人类设定，而自然选择的目标函数则是为生存几率所驱动。
无论是生物的低阶智能，例如视觉识别系统，以及高阶智能，例如情感和性冲动，甚至更高阶的社会性行为，例如协作和分工，归根结底都是在优化群体的生存几率，并且对于个体来说大部分的智能，尤其是低阶智能，并不是在其生命周期里面学习得到的，而是在繁殖过程中继承而来的模型。
当然，这个继承而来的模型，也就是遗传基因，不仅包含了智能模型这个“软件部分”，也包含了定义生物机体构造和生化运作方式的模型，也就是“硬件部分”。
所以，从广义的计算能力上面来说，生物智能的建立过程是历代所有种群所有个体的应对和自适应能力的总和；从广义的训练数据上面来说，是历代所有种群所有个体所遭遇到的环境的宏观变化和冲击，以及微观上每个个体在生命周期中遇到的具体的生存任务，例如觅食和交配。无论哪个方面，都是现阶段机器学习系统远远无法企及的。
人类的迁移学习能力早已被祖先写进遗传基因
以认字为例，儿童有能力在看过很少量的字母图像之后，能够轻松识别出大部分同一个字母的所有变体，以及不同的书写方式，而机器学习却需要大量的包含尽量多的变体的字符图像，才能把这个识别任务做得比较好。其中的原因，并不是生物智能能够从小样本中神奇地总结有效的规律，而是文字系统本来就是依据人类视觉系统的识别能力设计的。
即使机器学习有了量子计算，还是不会改变其在人类社会中的定位, 只是我们对特定问题有了超级快速的计算单元。量子计算技术的发展，为我们在特定计算任务，主要是部分数值优化算法以及密码学算法上，可以给出极其惊人的求解速度。
所以当下以及不久的将来，大家大可不必担心机器的觉醒或者所谓的奇点的到来。当下的智能技术都是在为人类服务，是人类的工具。但是值得强调的是，智能技术服务的是掌控智能技术的人类，只是代表了一部分人类的利益，这可能是一个很小的群体，一个公司、团队甚至个人。我们需要担心的是这种新形态下的超级垄断力量对人类整体的危害或者剥削。
人类漫长的演化史就是一部生物智能的训练史
创新工场人工智能工程院副院长王嘉平认为，人类的进化不单单包括我们的大脑，也不只是神经系统突触的进化，而是整个世界的进化，与进化相统一，与人类的欲望相一致。人类的感知系统、运动系统，乃至人类的情感、创造力，都是在人类生存能力的基础上发展起来的。深度学习仅仅是一个工具。而人类的选择、人类法则、人脑的发展并不仅仅有关人类大脑，它是人类进化成果的一个总和，伴随着整个地球生物界的发展。
生物智能的学习从来都不是单个个体的学习，而是全球生物在历史上的所有种群所有个体一起协同在经历一场以生存为优化目标函数的学习过程。
在机器学习中的目标函数由我们人类设定，而自然选择的目标函数则是为生存几率所驱动。
无论是生物的低阶智能，例如视觉识别系统，以及高阶智能，例如情感和性冲动，甚至更高阶的社会性行为，例如协作和分工，归根结底都是在优化群体的生存几率，并且对于个体来说大部分的智能，尤其是低阶智能，并不是在其生命周期里面学习得到的，而是在繁殖过程中继承而来的模型。
当然，这个继承而来的模型，也就是遗传基因，不仅包含了智能模型这个“软件部分”，也包含了定义生物机体构造和生化运作方式的模型，也就是“硬件部分”。
所以，从广义的计算能力上面来说，生物智能的建立过程是历代所有种群所有个体的应对和自适应能力的总和；从广义的训练数据上面来说，是历代所有种群所有个体所遭遇到的环境的宏观变化和冲击，以及微观上每个个体在生命周期中遇到的具体的生存任务，例如觅食和交配。无论哪个方面，都是现阶段机器学习系统远远无法企及的。
人类的迁移学习能力早已被祖先写进遗传基因
以认字为例，儿童有能力在看过很少量的字母图像之后，能够轻松识别出大部分同一个字母的所有变体，以及不同的书写方式，而机器学习却需要大量的包含尽量多的变体的字符图像，才能把这个识别任务做得比较好。其中的原因，并不是生物智能能够从小样本中神奇地总结有效的规律，而是文字系统本来就是依据人类视觉系统的识别能力设计的。
