王維嘉样勃，中國科技大學學士和碩士，美國斯坦福大學博士性芬。曾在斯坦福大學師從人工智能鼻祖之一、美國國家工程院院士伯納德·威德羅教授剧防。在硅谷學習植锉、工作、創(chuàng)業(yè)峭拘、投資超過30年俊庇，擁有十幾項美國基礎專利，開發(fā)了世界上第一臺手持互聯(lián)網(wǎng)終端鸡挠，是全球移動互聯(lián)網(wǎng)的布道者和踐行者辉饱。目前在硅谷專注投資人工智能，每年調(diào)研全球上千家高科技創(chuàng)業(yè)公司拣展，訪問世界頂級大學和研究所彭沼。
關(guān)于本書
本書介紹了機器學習五大流派從數(shù)據(jù)中挖掘暗知識的方法以及各自適用的領域，尤其是神經(jīng)網(wǎng)絡的基本工作原理和目前在商業(yè)上應用最廣泛的幾種形態(tài)备埃。同時著重討論了暗知識對商業(yè)和社會的直接影響姓惑，比如哪些行業(yè)將面臨機器認知的顛覆，在不同行業(yè)里有哪些投資機會和陷阱按脚。本書最后介紹了目前還沒有商業(yè)化的于毙，但可能更深刻影響我們的一些神奇的人工智能應用，以及人工智能會在多大程度上取代人的工作辅搬，造成哪些社會問題唯沮，如何讓下一代做好準備等。
核心內(nèi)容
一、什么是暗知識介蛉？暗知識與明知識萌庆、默知識之間有哪些區(qū)別？
二甘耿、機器學習的哪些優(yōu)勢使它能夠發(fā)現(xiàn)暗知識踊兜，這些優(yōu)勢為什么是人類的認識能力所沒有的。
三佳恬、暗知識對產(chǎn)業(yè)變革和人自身發(fā)展的影響：哪些行業(yè)會因為暗知識的發(fā)現(xiàn)而產(chǎn)生新的投資機會捏境？
前言
自2016年 AlphaGo 大戰(zhàn)李世石以來，人工智能一直是一個炙手可熱的話題毁葱。機器向我們展示了驚人的學習能力垫言，AlphaGo先學習人類的棋譜，然后超越人類倾剿，而且讓人頭疼的是筷频，就算是谷歌的工程師也并不知道機器是怎么做到的。
這一種知識是機器發(fā)現(xiàn)的前痘，人類無法理解的知識凛捏。這本書的作者把它叫作“暗知識”，也正是這本書的主標題芹缔。
這本書不只是為你清楚定義了什么是暗知識坯癣，還回答了幾個根本問題：人工智能給人類社會帶來的真正變化究竟是什么？如何最簡單最欠、最通俗地概括這個變化示罗？我們?nèi)绾螒獙@個變化？
這幾個問題可都不是小問題芝硬，作者也來頭不小蚜点。他是美國硅谷的知名投資人王維嘉博士。王維嘉博士早年在美國斯坦福大學攻讀博士學位期間就做過人工智能方面的研究拌阴，后來進入產(chǎn)業(yè)界绍绘，在硅谷和中國都創(chuàng)辦過高科技公司。目前在硅谷專注于人工智能方面的投資皮官「梗可以說，他在人工智能相關(guān)的學術(shù)界和產(chǎn)業(yè)界都有著非常豐富的閱歷經(jīng)驗捺氢，對整個產(chǎn)業(yè)和科研的進展方向有著獨到的洞見和理解藻丢。這就為本書的討論提供了絕佳的質(zhì)量保證，你絕對能夠從中讀到在別的泛泛討論中無法獲得的精辟見解摄乒，進而有可能轉(zhuǎn)化為你自己對這項產(chǎn)業(yè)變革大趨勢的理解悠反。
第一残黑，講清楚什么是暗知識？暗知識與明知識斋否、默知識之間有哪些區(qū)別梨水？
第二，講清楚機器學習的哪些優(yōu)勢使它能夠發(fā)現(xiàn)暗知識茵臭，而這些優(yōu)勢為什么是人類的認知能力所沒有的疫诽。
第三，講清楚暗知識對產(chǎn)業(yè)變革和人自身發(fā)展的影響：哪些行業(yè)會因為暗知識的發(fā)現(xiàn)而產(chǎn)生新的投資機會旦委？
第一部分
咱們先來看第一個方面奇徒，究竟什么是暗知識？
說到知識缨硝，你首先想到的肯定是各種用語言或數(shù)學符號表達的定理摩钙、公式，這些也就是明知識查辩，它們被記錄在書籍胖笛、報刊雜志、音頻等各種媒介上宜岛。只要人們通暢無阻地掌握了語言或符號长踊，明知識可以在人和人之間傳播，人類學習明知識就很方便萍倡，這是這類知識的巨大優(yōu)勢之斯。然而，明知識的這個優(yōu)勢也帶來一個問題遣铝，就是明知識必然受制于語言表達能力的有限性。有些信息莉擒，我們大腦能理解酿炸，但是，你就是沒辦法用語言表達出來涨冀。要理解這個問題填硕，就得先來說一說信息與知識是什么關(guān)系。
簡單地說鹿鳖，單有信息還不能算知識扁眯。信息是事物的外在特征，任何一個物體所包含的信息量都可能特別大翅帜。比如一塊石頭的形狀姻檀、重量、顏色涝滴，甚至分子結(jié)構(gòu)等等绣版，都是信息胶台。但這些，還不能算知識杂抽，知識則意味著有某些信息被描述了出來诈唬，并且在時間與空間中建立了某種關(guān)系。
舉個例子缩麸，比如我們說牛頓運動定律是知識铸磅，就因為它清楚地表達了力、質(zhì)量和加速度之間的關(guān)系杭朱。牛頓從觀察蘋果落地的信息出發(fā)阅仔，找出了能描述從蘋果落地到行星運動的普遍關(guān)系，即兩者都是因為有萬有引力痕檬。這是一種穩(wěn)定的關(guān)系模式霎槐。對模式的識別就是人類的認知過程，識別出來的模式才是我們通常所說的知識梦谜，而知識的應用也就是拿已經(jīng)識別出來的模式去預測接下來會發(fā)生什么事情丘跌。人類的明知識特別是科學就是這樣發(fā)展的。
理解了這個關(guān)系唁桩，接下來闭树，我們回到關(guān)于明知識的局限性問題。人類大腦接收信息的能力與語言表達的能力之間荒澡，差距很大报辱，大到什么程度？
我給你來做一下比較单山。人類大腦接受的環(huán)境信息量是巨大的碍现，一棵樹、一塊石頭都可能包含幾十兆甚至幾十個 G 的信息量米奸。在大腦接收到信息之前昼接，我們需要用感官接收信息，我們的眼睛平均以10兆每秒的速度向大腦傳送信息悴晰。但跟大腦相比慢睡，人類的語言表達能力卻是極為有限的。比如讀書的平均速度只有每秒5個字铡溪，40比特漂辐，一兆等于一百萬比特，這個“進”和“出”的差距是6個數(shù)量級棕硫。也就是說髓涯，盡管人類的大腦接受了極為豐富的信息，但我們的語言表達能力很有限饲帅，很多時候只能用簡化了的概念和邏輯表達复凳，這也就意味著瘤泪，最后所得到的明知識也將是非常非常有限的。
所以育八，最初計算機科學家們的設想对途，有沒有一個辦法，能夠讓機器像人類那樣學習明知識髓棋，又不會受制于人類有限的語言能力呢实檀？沿著這個思路，還形成了一個學派按声，就是機器學習的符號學派膳犹。就是讓機器像人類那樣學習明知識，特別是能夠按照一定的符號演算和操作签则，就像做幾何定理的證明那樣须床，從邏輯關(guān)系中尋找出新知識。它假定所有人類的思維都是符號的推演和計算渐裂，所以只要給機器相同的算法豺旬，機器就能像人類那樣學習明知識，用符號運算來代替人類有限的語言能力柒凉。這種思路在人工智能的發(fā)展史上曾盛極一時族阅，但終究失去了主流的地位。道理很簡單膝捞，在明知識之外坦刀，還存在著大量不能被語言描述的信息，它們也是人類知識與智能的一部分蔬咬，而不能由符號計算來把握鲤遥。
那些不能被語言描述，但建立了一定關(guān)系的信息林艘，就是人類的默知識渴频。默知識無法以公共的方式學習或傳播，所以只能靠手把手地教來學會北启。例如你學會騎自行車，學會游泳拔第，學會打乒乓球咕村，都需要教練不厭其煩地示范，加上你自己不斷地練習和親身體驗才行蚊俺。所以這種知識也是非常個人化的懈涛。雖然你和你的鄰居都會開車惭载，但你們的駕駛習慣沛鸵、對行車中可能發(fā)生的緊急情況的應變感受田藐，可能完全不同怠苔，因為你們對“如何開車”的默知識都帶有強烈的個人色彩。
機器學習也可以處理默知識埋心，這就是強調(diào)類比方法的類推學派指郁。這一派的思路非常簡單：第一，如果兩個東西的某些屬性相同拷呆，那么它們就是類似的闲坎；第二，如果有已知的某些屬性相同茬斧，那么它們的未知屬性也會相同腰懂。類推往往是人類默知識的特點。例如项秉，老警察一眼就能看出誰是小偷绣溜，這就是從以往的小偷身上具有的屬性類推到眼前的嫌疑人身上，但不一定說得清楚是根據(jù)什么判斷出來的娄蔼。機器學習的類推也依賴于對不同事物的相似與否的判斷怖喻。人類對相似度可能只有模模糊糊的感受，比如那個老警察能感到以前的小偷與眼前這個嫌疑人之間的相似度贷屎，卻無法精確地表達出來罢防。機器在這方面就很有優(yōu)勢，它可以很容易地抓住相似度的量化特征唉侄，從而作出比人腦還準確的判斷咒吐。
如果說，默知識意味著有某些信息關(guān)系模式是可感受属划，但不可描述的恬叹，那么我們還可以進一步設想，是不是還有一種知識同眯，還可以是人類既不可描述也不可感受的東西呢绽昼？如果有，那就意味著說是超出人類理解能力的東西须蜗。這就是只能由機器認知來發(fā)現(xiàn)的暗知識硅确。
這里必須強調(diào)的是，暗知識并不等于某些還沒被人們認識到的知識明肮。比如菱农，在量子力學被提出以前，人們無法理解微觀粒子的運動規(guī)律柿估，而有了量子力學的知識就變得可以理解了循未。這就是說量子力學并不是暗知識。
真正的暗知識是什么呢秫舌？它是人類根本無法理解的知識的妖。舉個例子绣檬，我們可以假設有一種生物生活在微觀粒子的層次，對于我們來說各種奇異的量子現(xiàn)象在這種生物看來簡直就是稀松平常嫂粟。那么如果這種生物有對微觀世界的知識娇未，這種知識就是人類所不能理解的。即便人們發(fā)現(xiàn)有這種知識以后也依然不能理解赋元。因為這種微觀生物有著完全不同的感受能力和表達能力忘蟹，它對世界的知識就是人類既無法感受更無法描述的暗知識。再舉一個更直觀的例子搁凸，在警察辦案的過程中媚值，警犬總是能起到很大的作用。尤其是在緝毒案例里护糖，警犬能聞出毒品褥芒，但對人類來說既無法感受，也無法表達嫡良。我們可以說警犬掌握了一種暗知識锰扶。
現(xiàn)在我們可以說，機器認知所發(fā)現(xiàn)的就是這種意義上的暗知識寝受。像 AlphaGo 所發(fā)現(xiàn)的如何下圍棋的知識坷牛，既沒有人說得清楚為什么應該這樣下，也沒有一個圍棋高手能建立這種棋路的感覺很澄，但 AlphaGo 所抓住的的確是真實存在的信息關(guān)系模式京闰，否則它就不會贏了李世石。
上面講的就是第一個方面甩苛□彘梗總結(jié)一下，人類知識包含可以描述和傳播的明知識與不可描述的個人化的默知識讯蒲。暗知識指的是那些區(qū)別于明知識和默知識的痊土，既不可感受也無法描述的知識。機器發(fā)掘出來的暗知識墨林，盡管無法被人類理解赁酝，卻可以在機器間傳播。人類知識和機器知識共同描畫了未來世界的知識圖景旭等。
第二部分
那么赞哗，第二個問題是，機器為什么能發(fā)現(xiàn)人類不理解的暗知識辆雾？
我們拿今天機器學習最拿手的模式識別來做個例子，具體看看機器認知是如何實現(xiàn)這一點的月劈。圖像的模式識別任務很明確度迂。給一個小孩子看狗的圖片藤乙，小孩子都知道這是狗。那么我們?nèi)绾巫寵C器看到狗的圖片時也回應說這是狗惭墓？這就要學習大腦工作的方式坛梁。
人類的大腦是靠神經(jīng)網(wǎng)絡來工作的，神經(jīng)元之間的聯(lián)結(jié)可以在學習過程中被不斷強化腊凶，形成一個穩(wěn)定的聯(lián)結(jié)模式划咐。比如因為狗見得多了，小孩子一看到狗的圖片钧萍，神經(jīng)元固定的反應模式就出來了褐缠，他馬上就知道這是狗。機器學習所依賴的人工神經(jīng)網(wǎng)絡也模仿這一點风瘦，用神經(jīng)元一層一層地組成一個神經(jīng)網(wǎng)絡队魏，不斷地用狗的圖片去訓練機器，調(diào)整網(wǎng)絡每一層神經(jīng)元的參數(shù)万搔，直到最終反應出正確答案說“這是狗”為止胡桨。久而久之，機器也形成了固定的反應模式瞬雹，給出狗的圖片就也能馬上識別出來了昧谊。
問題是，神經(jīng)網(wǎng)絡涉及的參數(shù)太多酗捌。像微軟做了個能夠超越人類識別圖像能力的網(wǎng)絡就有152層呢诬，總共151億個人工神經(jīng)元的聯(lián)結(jié)，這么大的量就不可能靠人力去調(diào)參數(shù)了意敛，而需要設計一種辦法讓機器自動地調(diào)整馅巷。想想公安局里給嫌疑人畫像都是怎么做的。畫師會先問目擊者嫌疑人的性別草姻、年齡钓猬、身高等，然后問他五官的樣子撩独，比如是單眼皮還是雙眼皮敞曹，是高鼻梁還是塌鼻梁等等。這就是提取主要特征综膀，畫師先畫出樣子澳迫，目擊者說眼角再耷拉一點，畫師再不斷改剧劝，直到畫出目擊者記憶中的樣子橄登。
機器認知也學的是公安局這一招，就是提取主要特征。如何訓練神經(jīng)網(wǎng)絡從人海里一眼認出嫌疑人拢锹？先給機器看嫌疑人的各種照片谣妻，也就是要先劃定幾個抓取五官主要特征的模板。比如鼻子卒稳，一開始就是隨機畫的圖案蹋半，然后在要處理的圖像上從左到右從上到下不斷掃描，看能否發(fā)現(xiàn)重合的部分充坑。如果發(fā)現(xiàn)不了就變一變這個圖案减江，然后再掃，直到變得最像嫌疑人的鼻子捻爷，就是最重合的時候辈灼。這還只是鼻子，再把其他五官特征加上去役衡，甚至機器還可以自己尋找出人類都感覺不到的特征茵休，比如兩眼的間距、口與鼻的距離等手蝎。把這些主要特征考慮得越充分榕莺，最后識別出來的結(jié)果就越準確。
機器這種學習公安局畫像的方法棵介，有一個專門的名詞钉鸯，叫卷積神經(jīng)網(wǎng)絡。所謂卷積邮辽，就是那些抓住主要特征的小模板唠雕，把圖片上下左右橫掃一遍，以求發(fā)現(xiàn)重合吨述。這個名稱很有些唬人岩睁，但它基本的工作方式通俗來說就是這樣。機器學習當然還有很多其他的途徑揣云，但卷積神經(jīng)網(wǎng)絡目前是在圖像識別里最火的方法捕儒，因為它非常有效，能夠比人腦對圖像的識別更快更精確邓夕。我們就拿它來當一個例子刘莹。為什么機器用這種方法可以發(fā)現(xiàn)暗知識？表面上看焚刚，機器學習依賴的神經(jīng)網(wǎng)絡就是模仿人腦的点弯，為什么反而比人腦還厲害呢？
一是與機器的感官相比矿咕，人類的感官實在太差抢肛。人類進化出的感官主要服務于覓食和求偶的任務狼钮，眼睛看不見紅外線，耳朵聽不到超聲波捡絮，至于觸覺燃领、嗅覺、味覺的分辨率更是粗糙锦援。而機器的圖像識別依賴的是各種物理、化學和生物類的傳感器剥悟，這就比人的感官精密得多灵寺。不僅可以獲取人感受不到的信息，而且對信息的分辨率也遠超人類区岗。
第二略板，人腦的神經(jīng)元是靠化學分子傳導的，每秒鐘大約只能傳導200次信號慈缔，而且還非常不可靠叮称，平均每次傳輸?shù)某晒β手挥?0%。而那個卷積神經(jīng)網(wǎng)絡是靠晶體管和電信號傳導的藐鹤，不僅比人腦快幾百萬倍瓤檐，可靠性幾乎是100%。
最后一個原因娱节，大腦內(nèi)部每一個神經(jīng)元之間究竟是怎樣連接的挠蛉，連接的強度如何，至今仍是一個黑箱肄满，我們幾乎完全不了解谴古。但卷積神經(jīng)網(wǎng)絡中的每一個神經(jīng)元之間的連接，我們卻有著非常精確的控制稠歉，各種相關(guān)參數(shù)都可以存儲和提取掰担。這就保證了機器發(fā)掘出的暗知識可以在機器之間傳播和復制。
盡管機器學習有上述種種神力怒炸，但人類也不必妄自菲薄带饱，更不必現(xiàn)在就開始憂心機器會超過人類，因為畢竟它還有很多不如人腦的地方横媚。它最大局限性就是纠炮，它只能提取相關(guān)性而不會理解因果關(guān)系。 靠“死記硬背”灯蝴，像個刻苦但不聰明的學生恢口，不理解公式，靠做海量的習題企圖把世界上所有問題類型都過一遍穷躁。比如那個識別嫌犯的卷積神經(jīng)網(wǎng)絡耕肩，在得到準確的圖像識別結(jié)果以前因妇，必須經(jīng)歷大量的特定訓練，而不會自己舉一反三猿诸。在訓練最開始的時候婚被，神經(jīng)網(wǎng)絡的表現(xiàn)極其笨拙，給它看一張白狗的圖片梳虽，它甚至可能把白色看作狗的相關(guān)特征址芯，于是再看白兔子的照片也依然認為是狗。人類則不同窜觉，兩三歲小孩子只要看過幾只狗以后幾乎就能認出所有的狗了谷炸，而不需要大量訓練。這恰恰是人工智能還那么像人的“智能”的地方禀挫。
神經(jīng)網(wǎng)絡的另一大局限性是無法解釋結(jié)果為什么是這樣旬陡。這其實是暗知識的特征，它超出了人類的理解能力语婴，當然就無法解釋描孟。在有些情況下，人們只關(guān)心有用和有效砰左，有沒有解釋可能并無所謂匿醒。但在許多涉及安全和公共政策的問題上，不可解釋就意味著無法充分信任它菜职，也無法和大眾溝通青抛。比如醫(yī)療領域也可以用卷積神經(jīng)網(wǎng)絡來識別 X 光片，但它的結(jié)果絕對不能不加解釋就直接用于診斷酬核，而只能作為一種輔助手段蜜另，需要專業(yè)醫(yī)生的檢查審核。所以醫(yī)生的地位仍然無可取代嫡意。
我們又講完了第二個觀點举瑰。概括地說，機器之所以能發(fā)現(xiàn)人類都不能理解的暗知識蔬螟，是因為它模仿了人腦獲取知識的神經(jīng)網(wǎng)絡此迅，同時又以更精確的感官、更快更可靠的神經(jīng)信號傳導旧巾、更容易儲存和復制的優(yōu)勢超越了人腦耸序，使得機器能夠抓住某些信息的關(guān)系模式。而對于人腦來說鲁猩，這些模式是既無法描述也不可感受到的坎怪。但是我們也要看到，現(xiàn)階段的機器學習還有兩大局限性廓握，這使得它還不能在所有情況下都可以替代人腦搅窿。那么著眼于未來的發(fā)展嘁酿，暗知識的不斷涌現(xiàn)會改變哪些行業(yè)？人工智能會在哪些領域最先取代人類男应？這正是我接下來要說的闹司。
第三部分
首先需要想明白的是，這一波人工智能的產(chǎn)業(yè)變革浪潮沐飘，與上一波互聯(lián)網(wǎng)發(fā)展的浪潮相比游桩，有著非常明顯的區(qū)別。
互聯(lián)網(wǎng)從1994年起步耐朴，最開始是和傳統(tǒng)產(chǎn)業(yè)沒什么關(guān)系的邊緣行業(yè)众弓，直到今天互聯(lián)網(wǎng)對傳統(tǒng)制造業(yè)、農(nóng)業(yè)隔箍、交通運輸?shù)刃袠I(yè)的影響，也還局限在媒體和營銷方面脚乡。人工智能則不同蜒滩，它從一開始就在傳統(tǒng)產(chǎn)業(yè)的中心爆炸，目的就是要顛覆傳統(tǒng)行業(yè)奶稠。在自動駕駛俯艰、醫(yī)療健康、智能金融锌订、城市管理竹握、智能翻譯等諸多新興領域，機器認知和暗知識已經(jīng)并將繼續(xù)展現(xiàn)出它獨有的魔力辆飘。任何傳統(tǒng)產(chǎn)業(yè)的從業(yè)者都無法置身事外啦辐，必須從現(xiàn)在開始就要努力破解應對之道。而對投資者來說蜈项，則更是意味著眾多潛在機會的涌現(xiàn)芹关。
我們拿自動駕駛來作為一個例子，具體看看暗知識的發(fā)現(xiàn)會給這個汽車行業(yè)帶來哪些潛在的機會紧卒。
目前侥衬，自動駕駛的自動化分級有一個5級的標準，最高的等級是完全的自動化跑芳，車輛可以在所有天氣條件和任何場景下實現(xiàn)自動駕駛轴总，無須人類駕駛員介入。這到目前為止只能算是遠景目標博个，還沒有成為可商用的現(xiàn)實怀樟。一個重要原因就是我們剛才說的機器只會找相關(guān)性，但不懂因果坡倔，所以對駕駛中出現(xiàn)的形形色色的場景無法理解漂佩。目前大部分在開發(fā)的自動駕駛車輛脖含，大都在部分自動化或有條件的自動化水平，就是說還是由人負責全程駕駛投蝉，但在限定條件下可以由機器駕駛幾分鐘养葵，或是更明確地分為人負責的時間段與機器負責的時間段。當機器負責駕駛時瘩缆，人可以手離開方向盤关拒，眼睛不看路，腳離開剎車庸娱。能做到這一步已經(jīng)是相當不錯的成就了着绊。
正是由于有了前面說的卷積神經(jīng)網(wǎng)絡等神奇方法發(fā)掘暗知識， 進一步提高駕駛的自動化程度才可能成為現(xiàn)實熟尉。目前還有一些產(chǎn)業(yè)變革上的痛點需要克服归露。比如說，要實現(xiàn)完全的自動駕駛斤儿，就需要有所駕駛區(qū)域的高精度地圖剧包。為了保證安全性，精度就需要很高往果，這就可能需要足夠的無線傳輸帶寬把不同地區(qū)的地圖數(shù)據(jù)傳給汽車疆液。更麻煩的是路上的擁堵情況與道路封閉的信息可能是實時更新的，這就只能靠路上行駛的其他車輛收集數(shù)據(jù)上傳云端陕贮，再實時下載到附近的車里堕油。因此這就可能造成一個惡性循環(huán)：一開始沒有幾輛上路的自動駕駛車輛，所以也就沒有什么實時數(shù)據(jù)的收集肮之，也就沒人敢用自動駕駛上路掉缺，反過來也就更無法實時收集路況數(shù)據(jù)。
克服這樣的痛點戈擒，一方面是要依賴機器學習水平的進一步提升攀圈，但也還要看到，正是在解決之道的求索過程中峦甩，新的產(chǎn)業(yè)需求就有可能被創(chuàng)造出來赘来。首先，自動駕駛的發(fā)展往往又與電動汽車技術(shù)密不可分凯傲，這就要求能夠進一步縮短充電時間犬辰，降低電池成本。所以電池技術(shù)的突破對自動駕駛來說也會有巨大的商業(yè)價值冰单。
其次幌缝，充電樁和換電池站將會成為一個巨大的市場。如果有大量的汽車在高峰時間同時高速充電诫欠，這就可能對電網(wǎng)造成難以承受的負荷涵卵，所以市場也會產(chǎn)生改造舊有電網(wǎng)和儲存電能設備的新需求浴栽。
最后，傳統(tǒng)汽車廠商需要營造成本巨大的線下售后服務體系轿偎，你買一輛車就得靠4S 店來解決各種問題典鸡。到了自動駕駛實現(xiàn)之后，汽車本質(zhì)上就成了一臺帶著四個轱轆的電腦坏晦，所需的零部件比現(xiàn)在的油車大大減少萝玷，電動車就可以像個人電腦或 iPhone 手機一樣變得標準化，這將大大沖擊傳統(tǒng)汽車行業(yè)的營銷模式昆婿，你就可以像手機 App 上購物一樣來買車了球碉。
除了對產(chǎn)業(yè)的變革以外，機器學習還可能或已經(jīng)變革著社會和人自身仓蛆。那些重復性高睁冬、可預測和可編程的工作最容易首先被人工智能取代，比如收銀員看疙、快遞員痴突、公交車和出租車司機等。而很難標準化狼荞、程序化，特別是還需要依賴對人類情感理解的工作帮碰，就很難被替代相味，典型的代表是考古學家、心理咨詢師殉挽、外科手術(shù)醫(yī)生丰涉，甚至保姆等。當然斯碌，人工智能時代的到來還將產(chǎn)生許多前所未有的新工種一死。數(shù)據(jù)標注員就是這樣一類新工作。因為要想訓練機器識別出暗知識傻唾，就得需要大量已標注的數(shù)據(jù)投慈，包括圖像、視頻等冠骄，原則上需要把被識別種類的所有情況都標注出來伪煤，機器才可能完全掌握，這只能依靠大量人工來完成凛辣。類似這樣的新工作崗位在暗知識被不斷發(fā)現(xiàn)的時代中將層出不窮抱既。社會還將因此發(fā)生更多難以預知的結(jié)構(gòu)性變革，我們所能做的只能是不斷強化自身扁誓，以應對任何可能的變局防泵。
總結(jié)
首先蚀之，暗知識之所以區(qū)別于明知識和默知識，就在于它既不可感受也無法描述捷泞。機器發(fā)掘出來的暗知識足删，盡管無法被人類理解，卻可以在機器間傳播肚邢。
其次壹堰，機器以更精確的感官、更快更可靠的神經(jīng)信號傳導骡湖、更容易儲存和復制的優(yōu)勢超越了人腦贱纠，所以它能發(fā)現(xiàn)人類都不能理解的暗知識。
最后响蕴，機器認知和暗知識的發(fā)現(xiàn)將從根本上顛覆傳統(tǒng)產(chǎn)業(yè)的發(fā)展模式谆焊，同時在自動駕駛等新興領域創(chuàng)造出新的商業(yè)機會。暗知識的時代同樣是機遇與挑戰(zhàn)并存浦夷。
人類自有文字并進入文明社會以來已有數(shù)千年的歷史辖试。這數(shù)千年可以說都是人類獲取知識的歷史。今天劈狐，機器學習給出了人類知識的一個全新方向罐孝，竟然可以讓人類利用自己都不理解的暗知識去解決問題，而且這些暗知識從總量上說將遠遠超過人類已經(jīng)積累和尚未發(fā)現(xiàn)的知識肥缔。表面上看莲兢，這似乎意味著人類是否理解知識已經(jīng)不再重要，因為反正有機器來替我們搞定一切续膳。但你如果往深里想改艇，這恰恰是對人類掌握知識的能力提出了更為迫切、更為嚴峻的要求坟岔。如果所有人都依賴機器谒兄，那么那些因為占有機器的知識而聚集資源的機構(gòu)或個人，將決定社會權(quán)力的分配社付，公平承疲、正義這些固有的價值體系將有可能要被重新定義。
無論何時鸥咖，人自身的發(fā)展和完善才是解決一切問題的終極目的纪隙，在這個意義上，機器并不能改變什么歷史扛或，最終具有決定意義的仍然只能是人本身绵咱。
