IT思维

公众号/小象

源 | singularityhub  译 | 马远

“沟通越容易，变化就越快。”——科学史家 James Burke

2015 年 10 月的一次记者发布会上，特斯拉 CEO Elon Musk 宣布 Tesla Model S 轿车具有自动驾驶特性，这一特性赋予了车辆半自主行驶的能力。Musk 说每一位车主都将成为 Model S 的 “专业教练”。通过从车主身上学习，每辆汽车的自主性都将得到提高。但更值得关注的是，如果把从车主那学到的知识分享给其他的 Tesla 汽车会怎么样呢？

就在 Fred Lambert 的发布说明后不久，Model S 的车主们注意到汽车的无人驾驶性能进步飞快。比如，Tesla 会记住车主手动驾驶的处理记录，并在之后的自主驾驶过程中按照车主希望的路线正确的行驶。

一位Tesla的车主说：“我觉得它实在是进步太快了。”

那些最新的机器学习算法驱动的智能系统不只是变聪明了，它们学习的更快了。了解这些系统发展的速度可能是导航技术变革中特别具有挑战性的部分。

Ray Kurzweil 广泛的描述了关于他所谓的 “直观线性” 的技术变革与当前正发生的指数变革之间人们理解上的差异。在他写了这篇关于 “回报加速规律” 的论文的二十多年之后，相互连通的设备现在会共享它们掌握的知识，进而不断提高了它们的进化速度。“回报加速规律” 理论描述的是进化变革与系统随时间进化的关系。

Hod Lipson 是哥伦比亚大学机械工程和数据科学的教授，在最近一次采访中，他说：“我认为这可能是AI领域指数变化趋势最大的一次。”

他还补充道，“所有这些指数技术变化趋势都有着不同的基数，但是这可能是最大的一个。”

设备之间形成知识互通，我们暂且称之为“机器交流”。按照 Lipson 的说法，“机械交流” 是这些系统进化过程中的一大步。

他还说：“有时它们如蜂群一样，互相学习。但有时又像敌人一样，互相博弈。”

Lipson 相信这样进步的 AI 会有巨大的突破，至少这样免去了对训练数据的依赖。

对机器学习来说，数据就像是燃料。但即使对机器来说，有些数据依旧是很难获得的，获取这些数据可能是有风险的、缓慢的又或是昂贵的。在这种情况下，如果机器可以共享经验或者彼此创造经验，从而实现增加或代替数据的效果。这样的结果不可小觑，机器不断的自我进化，最终实现指数增长。

Lipson 认为 Google 的 DeepMind 最近取得了突破性进展，AlphaGoZero 计划。这是一个没有训练数据的AI学习的绝佳例子。许多人都熟悉 AlphaGo，一个机器学习 AI 在学习了由数百万人的围棋图谱组成的大规模训练数据集之后，成为世界上最厉害的棋手。但是 AlphaGo Zero 在只学习了围棋规则和自我对弈就击败了 AlphaGo，自我对弈的过程中并没有导入训练数据。然后为了炫技，Zero 从零开始训练了八个小时就击败了世界上最好的围棋算法。

现在我们可以想象：数以千计或者更多的 AlphaGo 即时的共享着它们所学的知识。

这不只是一次对弈而已，我们正在见证它会怎样加快商业公司改进他们的产品性能的速度。

GE 的新型工业数字孪生体技术就是一个例子。数字孪生体就是以数字化方式为物理对象创建的软件虚拟模型，它可以模拟机器在现实环境中的行为状态。可以把数字孪生体想象成可以和工程师共享的机器本身的一个镜像。

比如创建一个蒸汽轮机的数字孪生体，通过测量蒸汽温度、转子速度、冷启动和其他数据来预测轮机的损坏极限并警告工程师，避免这样设计带来的昂贵维修费用。数字孪生体通过分析他们自己的性能表现做出预测，但也会参考其他已经设计好的蒸汽轮机模型。

当机器开始以新的、强有力的方式从环境中学习时，相互交流所学的东西会加快它们的发展。生产出来的的每台 GE 轮机汇集成的集体智慧将提高系统的预测能力。如果一辆无人驾驶汽车能在某个城市学习驾驶，那么让同一城市里行驶的一百辆无人驾驶汽车互相交流所掌握的知识，那么可以在更短的时间内改进它们的算法。

随着其他 AI 驱动的设备开始推动这样的共享知识转移，我们将会看到更快的进步。