最後的高考？一大波「作弊」的AI即將來襲！
今天，日曆上一個普普通通日子，對無數中國家庭來說，卻是比任何日子意義重大的時間節點。高考第一天，考生們進入考場，十年寒窗是否夠格將在之後48個小時考場拼殺中有一個定論。
一個念頭的搖擺，抑或幾百年前非洲大陸那隻蝴蝶振動的翅膀，抑或超新星遺迹發出的X射線，可能就生出另一條不一樣的時間線，關係著考生甚至他們整個家庭的未來。
自由意志是否存在？考生們應該無暇會去考慮這樣的問題。
然而難免有人會思考這個問題，以更微妙的方式——比如作弊。這兩個字幾乎和考試同樣古老。最開始，作弊尚且需要考驗視力極限、微縮抄寫能力和小紙條製作技巧，到今天出現了一大波間諜級別的專用作弊器材，諸如「米粒式耳機」「橡皮擦形狀的接收器」等。無論接收器如何炫酷如何具有迷惑性，現有的作弊手段仍舊依賴於人提供智能指導。然而不久的將來，作弊機將徹底斬斷人類為應對考試而產生的羈絆。掃一下題目，就能自行給出答案的高智能作弊機一旦誕生，人類在學習這件事上徹底省去了最後一絲功夫。
可是，當你把學習扔給電腦，電腦怎麼想？
人工智慧陰謀論者擔心，它通過努力模仿人腦神經元，拚命學習，然後有一天，在智力上徹底秒殺人類；另外一種可能，則是計算機根本不擅長考試——比起科學測驗來說，它可能更喜歡趣味問答。到頭來，計算機通過深度學習，到底能幫助人類取得更好的分數，還是在別的方面大有作為？這個問題，有些人已經比其他人更早地考慮到了。那個試圖發明作弊機的龍宇清就是其中一個。
「作弊」機
作者 | 糖匪
一、真的有作弊機（嗎）？
「這不是在抄襲嗎？」
「不是。對於喜歡學習的人，我給他答案，他會拿去逆向推導整個過程，搞清楚題目。」
「那對不想學習的人呢？」
「給他答案，他就不必勉強學習，用節約下來的時間去做他喜歡的事情，整個社會都會變得更有效率。」
用手機一掃某道學習題，就能立即得到這道問題的答案——龍宇清致力於編寫這樣一個程序，用來幫助學生學習。直接給答案不就是等同於幫助抄襲嗎？面對我的質疑，龍宇清給出了「社會效率說」。
我的三觀瞬間搖晃起來。從小到大受到的偉光正教育在不遠處虛弱地咳個不停。很難全盤否定面前這個年輕人的話，尤其他設計的程序聽起來還很酷。
龍宇清，劍橋大學輟學生。這個答案也許太粗暴。如果這是一個方程式，如果在龍宇清這個名字後面畫一個等號，那等號的另一邊還可以是青年創業家，London Dreamcatchers Day最年輕演講嘉賓，斯坦福數學競賽銅牌(SMT)，哈佛MIT數學競賽第七名，以及迪拜家族和英國Highmoor家族的私人家教。這些頭銜之間應該用連等號，還是加號，或者乘號——不同的運算符合將決定最後得到的那個數值，一個可以被量化的龍宇清。但是不著急，他足夠年輕，衝勁十足。腦子裡有無數念頭。
有時間可以在那個等號後面加上更多的頭銜。
比如，作弊機發明者。
我們是在APEX創新者大會的一場講座上認識的。那個講座的主題恰好是「學習的革命」。演講者在上面展望未來遠程學習的同時，我們在下面熱烈交流著如何在互聯網上幫助學生解答問題。如果以作業一定要獨立思考完成為原則，那麼你可以將他正試圖編寫的程序叫做作弊程序；而簡單粗暴地將可以幫助學生回答問題的手機，稱為作弊機。
和任何人類創造的科技一樣，新科技是否作惡，取決於最終怎樣應用。如果僅在回答作業，而不是考試時使用，龍宇清正在編寫的程序無疑對學習者和教育者來說都是具有正面意義的。
新科技是否作惡，取決於最終怎樣應用
我花了一秒鐘想像這個場景。「呃，這不是和淘寶上的客服一樣嗎？」
「是的。」他笑著回答道。
要知道，這個程序一旦實現，不僅僅是可以幫助學習，更是人機互聯的一個巨大突破。這款程序如果要成功，必須完成計算機的代碼嫁接，計算機的自學，以及自我運行。其中計算機的自主學習尤為關鍵。目前看來，通過輸入題目答案使計算機幫助解題並不可行。沒有學習能力的計算機即便輸入海量題目，即便擁有足夠強大的計算能力，即便不考慮到便攜性和操作性，也無法應對日益變化的題型和考試內容，甚至都無法很好的理解題目內容。只有通過讓計算機擁有自主學習能力從而掌握學科知識，考試要求，對相應題型大致歸類，才可能實現幫助解題的目的。
簡而言之，沒有學習能力的計算機，也無法幫助人類學習。
那麼問題來了。現階段，計算機學習能力進展到哪一步了？
二、深度學習是一種好演算法
說到機器學習，就不可能繞開深度學習這四個字。
無論是以壓倒性優勢打敗世界圍棋冠軍職業九段選手李世石的AlphaGo，還是Facebook家的圍棋A.I.－－黑暗森林，都是在深度學習這一演算法上開展的。
深度學習是機器學習領域中的一種演算法。它能模擬人腦神經元的工作方式，建造機器神經網路。具有深度學習能力的機算機網路能夠收集、處理並分析龐大的數據，最終通過自主學習來實現圖像和語音識別等智能行為。2012年，Google大腦團隊開發出的人工神經網路利用深度學習演算法，通過觀看一周YouTube視頻自主學會了識別哪些是關於貓的視頻。雖然該演算法基於人工神經科學研究，並應用於許多複雜的數學模型，但是，深度學習演算法仍是比人腦簡單得多的軟體。有人會將深度學習比喻為卡通大腦，但隨著技術不斷發展，這個比喻是否成立將越來越變得可疑起來。
近期，谷歌的DeepMind團隊開發的一款教會自己打十幾款經典街機遊戲的軟體，使用分布式深度遞歸網路（DDRON）解開了著名的紅藍帽子謎題：一百名囚犯依次排隊，每人戴一頂藍帽子或者紅帽子，每人都可以看到前面所有人的帽子，但看不到自己以及後面的帽子。從隊尾開始，預警要問每個囚犯自己帽子的顏色。在排隊前，囚犯們獲准可以一起商量，設計出一套回答問題的方案。為了破題，DeepMind的這款軟體把每個囚犯塑造成一個獨立的智能代理，每個個體都知道自己能看見的帽子顏色，各自決定怎麼告訴別人，然後再使用共同的信息得出答案。一開始，所有代理都沒有獲得任何實現設定的通信協議，但每個代理都能夠學會解決基於通信的協作任務。因此，為成功地通信，必須首先自動開發出他們自己的通信協議並在相互間達成一致。最後，成功解決問題。
紅藍帽子謎題的破解，是深度學習成功學會通信協議的第一個案例。這是向人工智慧之間的溝通和協作跨出的第一步。從長遠來看，這會給人工智慧增加更多擴展性，並允許它們解決以前無法解決的問題。」
紅藍帽子謎題
除了深度學習的演算法，其他計算機演算法也是基於類似動物神經元，可相互分享數據並作出計算的演算法。今天的神經網路實質上還是使用1980年代初期的演算法。學習識別一個物體，計算機可能首先需要成千上萬張帶有標籤的樣本，還需要進行監督式的教導，而人類則需只要少量樣本且可能不需要監督的。
比起人工神經網路信息單向的工作方式，大腦則完全不同。人類大腦由許多神經元構成，這些小單元可以通過巨大的電脈衝網路互相發送信息，這些信息調控了所有由大腦控制的身體功能，包括理解場景和肢體運動等。大腦神經元高度相連，每一步處理過程都可能產生反饋。但到目前為止，科學家還未能完全理解神經元的工作機制。
也就是說，如果能更好地理解神經元的工作機制，提高對大腦計算原理的認識，將原理運用到人工智慧的自主學習上，就可能實現人工智慧機器在不需要監督的環境下通過少量樣本進行學習。這正是人工智慧的標誌。
學習識別一個物體，計算機需要成千上萬張帶有標籤的樣本，而人類則需只要少量樣本
為了更好地理解生物神經網路和反饋迴路，科學家Sandra Kuhlman 將使用雙光子鈣成像顯微鏡技術，來記錄上萬個小鼠神經元處理視覺信息時所產生的信號。科學家首先在小鼠腦內加入鈣染料或者能感受鈣離子濃度變化的蛋白；利用神經細胞被激活，細胞鈣水平發生變化的原理，根據鈣水平來判斷神經元的激活狀態。當一個神經細胞被激活時，隨著熒光爆發就能實時觀察神經細胞及其發生的反應。
記錄下的數據將用於建造一個互連神經元模型。通過將分子感測器與光學方法整合起來，檢測神經活動，可能可以實現追蹤一個大腦區域內神經元的大部分神經動態，由此得到一個巨大的數據集，將幫助人類詳細認識視覺皮層某個區域中神經元的行為。研究人員希望使用這個大規模數據集解開神經網路的複雜難題。他們的目標是將獲得的新知識應用到機器學習演算法上，使他們可以使用少得多的樣本就能開發出模型。
三、連AI們都說，比起考試活學活用才是硬道理
美好的未來似乎近在眼前。去年日本國立信息研究所自主開發的人工智慧在日本大學入學標準考試里拿到平均分以上成績，通過了日本「高考」，它的下一步目標是考入東京大學。
科大訊飛也試圖在三四年內讓他們的「超腦」考上大學。
以上種種，都向我們展現了人工智慧研究領域的美好前景。一旦人類寫出更高效的機器學習演算法，人工智慧將勢不可擋，而人工智慧威脅論也將不單單是對未來世界的憂心。
一旦人類寫出更高效的機器學習演算法，人工智慧將勢不可擋，而人工智慧威脅論也將不單單是對未來世界的憂心
但事情似乎並不完全是那個樣子。人工智慧似乎會在意想不到的時候展現他蠢萌的一面。就以Watson為例吧。
IBM的人工智慧問答機器Watson由90台IBM伺服器和360個計算機晶元驅動組成，是一個有10台普通冰箱那麼大的計算機系統。在2011年美國的智力競賽節目《危險邊緣》中，Watson成功打敗了其他兩位史上最成功的選手。2012年，Watson進入醫學院，按照當時《紐約時報》的說法，Watson在克利夫蘭醫學院開始了他的醫學生涯。
如今，Watson已經被運用到超過三十五個國家，十七個產業領域。例如，在醫療保健方面，它可以作為一種線上工具協助醫療專家進行疾病的診斷。醫生可以輸入一系列的癥狀和病史，基於Watson的診斷反饋，來做出最終的診斷並制訂相關的治療計劃。在其他領域，Watson也大顯身手，不負眾望，滿足了人類對他這樣一個人工智慧的一般期望。
然而看起來很厲害的Watson同學，卻拒絕參加美國普通八年級（相當於中國的初二水平）的科學考試。
這次考試源於艾倫人工智慧研究所舉辦的一次競賽。該競賽邀請世界各地的程序員開發一個能夠參加美國普通八年級科學考試的程序。競賽優勝者哈依姆·林哈爾特開發的程序得到的分數，是本次考試的最高分——59%的正確率。哈依姆將多項機器學習技術和大型科學信息資料庫結合在一起，向計算機系統輸入了上千的問題及對應答案，以便計算機系統能學會生成正確答案。雖然人工智慧在識別圖片和語音等任務上取得與人類水平相近的成果，但是，我們依然無法建造出像人一樣思考的機器和能真正對話的A.I.，甚至沒法建造出能通過初中考試的系統。科學考試題要求學生圍繞多個概念的複雜問題，通過若干個步驟來解決問題，測試者必須把多個事實組合在一起，才能獲得理解。對現在的人工智慧來說，科學考試比問答節目難度更大。
從這點來看，也多少可以猜測出Watson為什麼會拒絕參加這個明明可以讓它一試身手的比賽。按照比賽組織方的說法：「如果大型公司參加比賽，也許會拿到更高的分數。但是群體智慧也很強大。這次比賽的很多參與者都極具天賦。大多數比賽中的獲獎模型也都是非常適合測試數據集的，所以，即使是同一個領域內的公司也不一定具有顯著優勢。」換而言之，即使Watson來，也未必能在這場八年級科學考試中拿到多高的分數。
但是IBM也有他們的說法。他們說Watson的焦點已經不在這樣的比賽，而是轉向真實世界的應用，比如Watson現如今在醫學臨床以及其他各個領域上的應用，的確在更好地幫助人類走進更美好的未來。焦點不在考試，這話無論對於人工智慧還是對於人類，都同樣有效。
答案並不重要。過程至關緊要。到頭來，這彷彿是一個關於生命的終極比喻。生為人類，我們都知道生命盡頭只有一個統一答案。但是，如何度過這一生才是問題最重要的部分。
如果高考是一個原點，那我們祝每位考生，在這一刻分出的無數條時間線中，無論踏上哪條，都能找到最終的答案。
請您繼續閱讀更多來自 不存在日報 的精彩文章:
《三體》舞台劇在魔都開演，大劉說「能打80分」《三體》舞台劇：你將親眼看到自己被納米切割美隊黑化？！漫威高層突然變卦的背後原來是因為···哆啦「黑」夢：今年兒童節，大雄收到一條殺人請求中美科幻tour第五站，污！小心抽水馬桶和性傳染病
※大張偉 又搞事？繼抄襲Zedd後，又來抄襲VINAI？
※柯潔：與AI的最後對決 以後不再戰
※確認了AI作為自己的支柱後，亞馬遜雲服務如何贏得AI大戰的未來？
※VAIO、夏普、黑莓，曾經的王者都選擇在即將到來的這一天歸來
※VAIO 回來了，Clie 卻再也回不來了
※NBA後衛招牌動作，科比後仰、AI蝴蝶穿花，最後一位獨闢蹊徑
※兩度墮入寒冬的 AI，如何完成偉大逆襲？
※柯潔：無法感受AI熱情，這將是我最後三盤人機大戰
※首發：VAIO Z 強勢歸來，被索尼拋棄後還能帶來哪些驚喜？
※假如AI和小托馬斯一對一，誰的勝率大一些？為什麼？
※最早試水 AI 商業化巨頭之一，阿里是如何看待 AI 創業的?
※VAIO Z強勢歸來，被索尼拋棄後還能帶來哪些驚喜？
※最後的人機圍棋大戰：柯潔曾逼至AIpahGo極限
※柯潔表示心服口服，這也是最後一次與AI對決，AI為何如此強大
※一場敲鐘前的碰撞 汪建：生命才是老大 基因技術比AI稍高一點
※谷歌的新PAIR項目，要重新考慮我們如何使用AI！
※韓國三大小偷：延政勛-RAIN 最後一位竟然是……
※VR/AI接連出現在高考試題中，這和熱度必須蹭一下
※EXO的舞蹈擔當KAI，帥氣努力的金鐘仁，越來越棒了！