來源：極客公園

春節期間，開發出 AlphaGo 的人工智能公司 DeepMind 又發布一個能夠自主編程的新模型——AlphaCode。

在編程競賽網站 Codeforces 舉辦的 10 場比賽中，AlphaCode 取得了前 54.3% 成績。這意味著，它打敗了將近一半的人類選手。更為關鍵的是，比賽中的所有代碼都是由 AlphaCode 自動生成的，全程無需人工監督。

AlphaCode 取得的成績意味著什么？它會搶走程序員的飯碗嗎？在基礎科學領域，AI 發揮了怎樣的作用？該如何理解人類和 AI 的關系？

上周，《今夜科技談》邀請到了科普作家瘦駝、Jina AI 創始人兼 CEO 肖涵、一流科技 OneFlow 創始人兼 CEO 袁進輝，聊了聊和 AI 有關的話題。

如何評價 AlphaCode 取得的成績？它需要人工訓練嗎？

肖涵：AlphaCode 其實不是一個單一的算法，它是根據 GPT-3 模型搭建出來的一個系統。所以我們不認為 AlphaCode 是 AI 算法上的突破，它的突破在于產生了一個能夠勝任比較復雜任務的系統。

就算法訓練來說，人工智能的第一步是預訓練。就是把 GitHub 上的程序都拉下來，讓這個模型對編程有一個初步的認識。

第二步是微調。因為預訓練得到的知識并不都是有用的，它們給出了一個大體的世界觀，但如果要解決具體的問題，就需要定向調整。

AlphaCode 做的另外一件事就是構建了一套評判系統。因為基于給定的題目，AlphaCode 可以生成大量答案，但它并不知道這些答案正確與否。所以把問題答案和他給出的答案輸入到這個系統中，它就可以評判答案正確與否。

整個過程確實就像 AlphaCode 發布時所宣稱的，是可以做到完全無監督的。

袁進輝：我認為 AlphaCode 是里程碑式的進展，根據自然語言描述，自動生成可解決算法問題的完整程序，這很了不起。

其實我對 AlphaCode，經歷了從低估到高估再到低估的心理轉變。

我在看到論文細節之前，低估了 AlphaCode。和 GPT-3 訓練自然語言類似，AlphaCode 本質上也是抓取了 GitHub 上的幾百億行代碼，捕捉語言結構，再生成。并且，相比于非常不規律的自然語言，代碼的語法是非常規律的。從這個角度來說，AlphaCode 和以前解決問題的方法差不多。

但令我感到意外的是，我本來以為 AlphaCode 的原理是自動搜索代碼庫中已有的代碼片段，但實際上這些代碼都是預訓練模型自動生成的。傳統上我們認為 AI 解決的通常是低精度的問題，比如圖片識別準確率 90% 已經很高了，但讓 AI 做到 100% 的準確率是極難的。而代碼恰恰要求 100%，即使是寫錯一個變量名稱，或者少打一個「;」，程序也會報錯。所以這時我又高估了 AlphaCode。

后來我又看了 AlphaCode 的論文，發現它確實可以自己生成完整程序，但中間也用了一些取巧的成分。比如說它會為一個問題生成 100 萬份程序，其中當然有對有錯。AlphaCode 會篩選掉 99% 的代碼，留下 1%。在這 1% 的幾千份代碼中，AlphaCode 又通過聚類篩選等方式，篩選出 10 個答案提交到 Codeforces。只要這 10 個答案中有一個正確答案，就算過了。

所以 AlphaCode 并不是一次性生成解決問題的程序，而是為一個問題生成數十萬、上百萬的程序，經過簡單測試、樣例篩選，最終篩選出正確答案。

對比 Codex、GitHub Copilot這些輔助編程工具，AlphaCode 有什么不同？

袁進輝：我覺得有兩點，一是解決的問題不同，二是方法不同。

AlphaCode 解決的問題，還是有一定難度的問題。

二是 AlphaCode 不是網上搜索的現成代碼片段，是自己生成的。像 Github Copilot，就是搜索的現成代碼片段。之前有人做過實驗，發現它會從 Stack Overflow（代碼問答網站）上抓取代碼，因為它把程序員寫在代碼里的注釋都抓取過來了。

這些 AI 編程工具，會取代程序員嗎？

肖涵：其實這些 AI 輔助編程工具，都是為了幫助開發者能有更好的編程體驗。只不過 AI 發展到今天已經非常強大，它可以自動把代碼寫完，而不僅僅是填函數名這么簡單。

但是今天所有的 AI 都沒有到達取代開發者的程度，開發者本身還是那個最終的決策人。AI 所生成的代碼，僅僅是一個參考。

瘦駝：作為一個文字工作者，我還是想把這件事映射到「自然語言」的領域來。

首先，讓 AI 生成一段沒有任何語法錯誤的代碼沒有那么難。在自然語言里有大量不符合邏輯和語法的東西，我們在說話的時候并不是嚴格遵循某種規律的。但代碼本身是嚴格遵守語法的，它有一套通用的邏輯。

第二點，我覺得碼農其實不必太緊張，對于文字創作者來說，我們在前幾年已經碰到過類似的挑戰了。現在一些固定格式的文本已經大量地由 AI 生成，比如比賽結果、股市播報、天氣預報。對于這種有規律可循的文本來說，AI 寫得比人快多了。但是想讓 AI 寫一些有創造性的東西還是非常困難的，因為創造性本質上是對現有邏輯和體系的挑戰，甚至創造性包含了允許 AI 犯錯。對 AI 來說，它很難保持一定的個性，比如《紅樓夢》里，賈寶玉的詩和林黛玉的詩就有明顯的不同。這種能力，AI 現在可能還很難做到。

肖涵：我覺得性格的差別，無非就是訓練語料的不同。如果我想生成一個朦朧派詩人的風格，我就把所有朦朧派詩人的語料收集起來，訓練一下就可以了。

所以我覺得對 AI 最重要的還是數據。算法模型如果能更好地挖掘數據，把數據的價值充分利用起來，那其實所謂的性格也就達成了。

袁進輝：我來補充一個反方向。按照肖涵的邏輯，那如果沒有朦朧派的語料，就生成不出朦朧派的 AI；如果沒有梵高這個人，就訓練不出梵高風格的繪畫。所以 AI 在創造層面，本質上還是更像一種記憶，差別在于是一種機械的記憶還是比較聰明的記憶，但其實都跳脫不出原有的范疇。

專業術語里有兩個詞，「exploitation」和「exploration」。exploitation 指的是保守地在應有的范圍內工作，exploration 指的是在范圍之外探索。

也許我們需要給 AI 一點犯錯空間。

在 AI 崛起的背景下，怎么做一個有價值的程序員？

袁進輝：AI 比較擅長做比較機械的工作，但寫代碼也是需要創造性的，寫到一定程度，我們也把它稱之為藝術。

代碼里面也有好壞，寫出來的代碼是不是足夠簡潔優雅，是否有創造性的審美，這可能還是人類的優勢。

張鵬：但這種美，是不是也要能體現在效率上高于丑和復雜的東西，商業世界才會認可？

袁進輝：這種美，確實在效率上有體現。判斷代碼美丑的一個標準，就是可復用性。簡單的代碼有更好的擴展性，未來就可以在更多的地方復用。如果我的代碼只在當前的任務可以用，就是不太好的實踐。

肖涵：我想起來之前國外論壇上有一個特別火的帖子，就是說一個律所雇傭了一個小伙子做類似報表整理之類的工作。恰好這個小伙子懂一點編程，就把這個工作自動化了，程序運行 5 分鐘就可以做完原來一周的工作。兩周之后，這個小伙子內心有點愧疚，就把這件事發到了論壇上，問大家該不該告訴老板這件事。

我覺得這件事反映了一點——不管他有沒有告訴老板，機械化的工作一定會被取代。甚至他自己也覺得做這種工作沒有意義，否則就不會有這種糾結。人生總要有點追求，何必在這里浪費時間？

其次是我覺得出現這些代碼輔助 AI 不是壞事。人類發展到今天，不管是工業革命還是流水線的引入，人類總會從事更高級的職業，會創造更高的價值。總體來說，我覺得這是一件正向的事。

怎么理解當下很火熱的低代碼、軟件 2.0 這些概念？

肖涵：低代碼出現的原因，其實是過去幾十年我們已經積累了大量的代碼資本。今天任何一個軟件，都不是從頭開始寫的，它們都有自己的上游依賴關系——軟件庫。

實際上我們構建現代軟件的時候，最重要的往往不是創新，而是可復用性。可復用性指的就是，這個軟件完成之后，一定要成為更大型軟件中的一個組件，而不是從頭開始重復造輪子。

當「可復用性」這種概念深入人心之后，于是才有了低代碼、無代碼這種概念。今天我們構建的代碼越來越高級，不再是操作系統這種底層軟件，更多的是面向 C 端用戶的高級軟件。這種情況下就非常凸顯低代碼、無代碼的重要性。

如果縱觀整個人類的工程史，其實可復用性就是非常關鍵的轉折點——一旦一個東西可以被復用，人類的文明就會發展到一個新高度。我們可以假想一下，一個原始人拿著兩塊石頭碰觸了火花，這是一個偶然嗎？還是說它成為了可以被復用的經驗，于是人類就此掌握火的使用？

所以我更想強調的是，低代碼和無代碼肯定是發展趨勢。但趨勢背后的原因在于，我們現在面向的是更高級的軟件開發，這種開發尤其強調復用性。

袁進輝：我來補充一下軟件 2.0。

軟件 1.0 說的是代碼是數據。我們在代碼的基礎上，基于數據訓練一個 AI 模型。

軟件 2.0 指的是模型是代碼。在 AlphaCode 之前，AI 的模型早就開始為人寫代碼了。比如圖形識別模型，它的原理是計算機視覺科學家寫了一堆規則——圖片里有哪些特征，那這張圖片就是汽車。但是這么做了幾十年之后，發現這種方法識別率并不高。所以現在的做法是從一堆數據中訓練出一個模型。

以前代碼必須由程序員理解問題之后轉化成計算機理解的語言，計算機才能幫我們解決問題，本質上是一個從物理世界遷移到數字世界的過程。模型即代碼的意思就是，現在我們不需要經過人腦了，只要收集一堆數據，計算機就能自動挖掘數據中的規律，生成模型。

如果可復用代碼所引用的底層代碼本身就有問題，該怎么辦？

肖涵：現實世界中確實發生過這樣的事。前幾個月 Log4j 軟件包出錯，就造成了非常多軟件公司的恐慌。這樣的問題，在低代碼和無代碼的環境下會更難發覺。因為沒有多少人會去寫這種底層的代碼了，大家關注的更多是更高級的軟件業務邏輯。

之前在 Javasript 社區還發生了一件事。維護底層代碼的程序員因為覺得別人在網上攻擊他，一怒之下把代碼刪了。這導致的后果就是整個復用的鏈條斷了。

所以說在低代碼、無代碼的環境下，一定要保證上游足夠穩健。即使出錯也要能夠及時修復，這一點非常重要。

袁進輝：其實 AI 的模型是很脆弱的，非常容易被攻擊。實際上訓練 AI 模型的就是一堆數據，簡單理解就是高維空間中的一個方向。如果進來的數據是沿著這個方向的，AI 就判斷得很準。如果進入的數據和那個方向垂直，那 AI 的判斷就會出錯。

前幾年有人在特斯拉的激光雷達上做了一個實驗，用一個小紙片稍微改變一下傳進去的信號，特斯拉的識別就出錯了。

張鵬：前段時間我還聽到過這種觀點。就圖像識別技術而言，在最初構建 ImageNet（視覺影像網數據庫）的時候，因為當時數據的局限，導致現在形成了一些偏差，比如 AI 對人類的歧視問題。但今天 ImageNet 已經成為了一個基礎設施，無數人在這之上構建了新的設施，這種偏差就成為了一個逐級感染的問題，越來越難以克服。

可能在某些時刻，需要一個根本性的重啟，才能解決這個問題。

在基礎科學領域，AI 能夠發揮哪些作用？

瘦駝：對于很多數據敏感型的行業來說，AI 確實解放了很多科學家，讓這些科學家可以去做更多有創造性的工作。

之前討論過，在人類的天文學家中，最容易被 AI 取代的可能是埃德文·哈勃。他花了幾十年時間，從大量數據中發現了星系的「紅移-距離關系」。這本質上是一個數據相關性的問題，放在今天的 AI 身上，可以立刻發現這種數據間的規律。

又比如說快速射電暴，它以前經常被人忽略。因為快速射電暴太短暫了，很容易被認為是數據中出現的一個異常。但是有了 AI 這樣的工具后，它就可以從這些不斷出現的偶然異常中發現規律。

我覺得 AI 的出現改變了科學發現的范式，讓我們具備了從數據中找出被忽略的規律的能力。

AI 公司的商業化都很困難，但 DeepMind 在去年盈利了，怎么理解這家公司？

肖涵：首先我對 DeepMind 是非常崇敬的，但我不會做這種公司，我個人認為 DeepMind 風險性是非常高的，回本的機率很低。

首先在深度學習的前提下，算力成本和存儲成本的投入是非常高的，這個很好理解。

第二個是人員原因。每年 DeepMind 都有一兩篇轟動性的論文面世，很重要的原因就在于，它儲備了大量全世界最頂尖的人才。這種人才成本，不是每個公司都能承擔的。深度學習發展到今天，實際上拉大了大公司和小公司間的貧富差距。

我個人其實更看重 AI 在工程領域的突破，如何更好地解決已有的問題，而不是找到一個從沒被解決過的新問題去突破。

袁進輝：DeepMind 的確不太典型，他理論上不是一家商業公司。大部分商業公司，一定是要做一個可復制的商業化產品，更多的是考慮市場規模等一系列更實際的問題。

DeepMind 更像一家科研機構。只不過它不像科研機構申請經費那么困難，DeepMind 背后有谷歌源源不斷地投入資金。

這些年，AI 的發展思路有什么變化？

肖涵：我覺得有兩點，一是 AI 的解釋性，二是 AI 的訓練過程。

1、解釋性。AI 這些年其實經歷了從可解釋到不可解釋的過程。

早期的 AI 是基于一套規則生成的，比如最早的問答機 Eliza，它的邏輯在于，識別你說的話包含哪些字符，經過因果判斷，返回特定的答案。這些回答都是可以解釋的，因為程序是寫死的。

后來 AI 發展到 2000 年左右，出現了參數化模型。參數化模型會把圖片、聲音、文本等信息描述成一個數據函數，AI 所要做的，就是填入系數。這一階段的 AI 也是可解釋的。

自 2010 年以來，AI 逐漸轉向了深度學習框架，AI 開始變得不可解釋。因為深度學習框架拆分到最細，其實是由一個一個非線性函數疊加而成的。如果只有一個非線性函數的話還比較好解釋，但疊加在一起的非線性函數有點類似蝴蝶效應，基本上是不可能溯源的。

我們整個深度學習網絡是一個非常深的非線性系統，比如 AlphaCode 就包含 400 多億個參數，實際上無法追根溯源，到底是哪個參數產生的影響。這就好像我們無法判斷，到底是哪一個神經元令人腦產生了意識一樣。

但是今天，又有一些人要求 AI 具有可解釋性。因為隨著 AI 越來越聰明，我們要求它承擔它的社會責任了，比如不能歧視黑人。當出現問題時，就可以找到出現問題的原因，這就要求 AI 可以被解釋。

2、訓練過程。AI 的訓練過程，從一開始的「端到端」過程，拆分成了「預訓練」和「微調」兩步，專業術語叫遷移學習。

其實我本人非常喜歡遷移學習，因為它為機器學習指明了一個大方向。以往的機器學習，每解決一個問題，就要專門構建一個模型。即使是解決兩個非常相似的問題，比如識別是籃球新聞還是足球新聞，哪怕都是自然語言處理，在傳統機器看來都是不同的任務。

機器學習將端到端訓練的過程拆分成了兩部分。一部分是預訓練，從大規模的語料中學到一個相對通用的知識。然后是微調，將通用的知識去解決特定的細節問題。

這樣拆分的好處在于，大規模語料訓練的模型可以得到復用。因為不是所有公司都有能力構建這種超大規模的模型。可以復用之后，中小公司就可以拿這個模型針對自身特定的領域微調，就能產生子領域上的業務價值，節省了大量的人力、物力和時間成本。

袁進輝：我想補充的是，這種大模型還沒到頭，以后還會越來越大。像 GPT-3，參數已經達到 1700 億，但和人腦的神經元連接數相比，還差 1000-10000 倍左右。

一個可能的猜想是，智能或許沒有那么神奇，只是一個規模的問題，最后會由量變產生質變。

另一種觀點認為，預訓練模型在腦科學和神經科學上也有一定的支撐。人之所以這么聰明，有一部分是后天習得的，但主要還是先天決定的。在一個嬰兒出生之前，大腦皮層間的連接和神經元的突起，就已經大致由基因決定了。在嬰兒出生看到這個物理世界后，神經元之間的連接會根據物理信號微調——有的連接會越來越強，不太使用的連接就會變弱。

這整個過程都非常類似預訓練和微調的模式。所以從某種意義上來說，大模型預訓練，的確有生物的合理性。

AI 和人類會是怎樣的關系？

肖涵：我對 AI 能力的增強是非常有信心的。但是，在目前這套方法之下，我認為 AI 可能最終無法產生自我意識。

可話說回來，難道 AI 一定要有自我意識嗎？

50 年后可能 AI 仍然沒有自我意識，但它可以解決非常多重要的問題，要比人類解決得好得多，這個時候你會愿意承認這種形態的東西是「智能」嗎？

袁進輝：我傾向于從正面理解這件事，就是 AI 可以解放人類，讓人類去追求更本質的東西，就好像蒸汽機把我們從體力勞動中解放出來一樣。

這讓我想起了劉慈欣的小說《朝聞道》中的一個設定：地球人可以向外星人提任何問題，外星人會告訴你正確答案。但代價是知道答案后，這個提問者會立刻死去。但最終有一個人問了外星人這樣一個問題：宇宙的目的是什么？

外星人也不知道，于是他崩潰了。

張鵬：雖然我們被冠以「擁有自我意識」，但全世界也有大量的人不知道自己的目的是什么。所以我覺得以自我意識來定義也許是一種人類沙文主義。

瘦駝：我覺得對于 AI 的思考有幾個層面。

一個是哲學層面上的。我認為如果未來 AI 變得像人一樣，那一定是失敗的 AI。他有人的缺點，有人自己都搞不清的邏輯錯誤，那我們為什么要造 AI？直接造人不是簡單地多嗎？我們之所以要造 AI，一定是它可以解決人類解決不了的問題，這樣 AI 才有意義。

另外我也有一些應用層面上的顧慮。剛剛幾位也說到，AI 很脆弱。如果我們已經高度依賴 AI 了，一旦底層的東西有問題，會造成非常大的影響。

然后是關于解釋性的困局。解釋性的困局其實是用來解放人類自己的，就是想求一個安心。但即便這個說法本身沒有意義，也一定會讓很多人心生警惕。這種警惕，從人作為社會性動物的角度來說，就會對 AI 的發展產生影響。我們需要有一定的準備，不要讓這種警惕發酵到一個比較尖銳的地步，那到時狀況就比較糟糕了。

張鵬：我覺得真正的問題是，AI 今天還有大量的基礎工作要做好。我們可以確定，AI 會成為人類未來文明進程中重要的伙伴，但它距離這個角色，其實還有很長的路要走。

今天我們對于 AI 的探討，如果是針對「不要犯一些基礎錯誤」，是有意義的。但在 AI 能力還比較羸弱的時候過度討論「自我意識」之類的話題，其實是很務虛的。