通识课程优秀作业丨梁嘉辉：论人工智能时代的人文主义

摘要：人工智能的发展已经成为世界发展潮流中的不可忽略的一部分，但在人工智能时代的人类面临人工智能歧视、人文精神衰退等困境。我们不可忽略人工智能带给我们的便利，但在享受便利之余，如何结合国情与历史保证人文精神在人工智能时代的发展也成为人类的一大挑战。实现法律正义的正当分配和伦理道德规则的约束需要开放包容的心态，尊重改变的多样性，以战胜挑战实现人类社会可持续发展。本文阐述了人工智能近期在人文，医学领域的发展，并通过华为昇腾的AI进行应用开发，展示AI在人文领域的应用。最后，总结人类如何与AI共存。

关键词：人工智能；人文精神；伦理道德；

1.1人工智能的发展历史

1.1.1孕育

1950年，艾伦·图灵在论文中提出“图灵测试”：如果一台机器能够与人类展开对话而不能被辨别出其机器身份，那么称这台机器具有智能。这篇论文预言了创造出具有真正智能的机器的可能性。1956年，在美国达特茅斯学院召开讨论用机器模拟人类智能问题的研讨会。大会上科学家们首次提出了“人工智能”一词，标志着“人工智能”的诞生。

图1：图灵测试

1.1.2起步

在1956年的这次会议之后长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”

20世纪60年代—70年代初，人工智能发展初期的突破性进展大大提升了人们对人工智能的期望，人们开始尝试更具挑战性的任务，并提出了一些不切实际的研发目标。然而，接二连三的失败和预期目标的落空，使人工智能的发展走入低谷。

20世纪70年代出现的专家系统模拟人类专家的知识和经验解决特定领域的问题，实现了人工智能从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大突破。专家系统在医疗、化学、地质等领域取得成功，推动人工智能走入应用发展的新高潮。

（专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。）

图2：专家系统

1.1.3快速发展

20世纪80年代中—90年代中，随着人工智能的应用规模不断扩大，专家系统存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一、缺乏分布式功能、难以与现有数据库兼容等问题逐渐暴露出来。

20世纪90年代中期开始，由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。1997年国际商业机器公司（简称IBM）深蓝超级计算机战胜了国际象棋世界冠军卡斯帕罗夫，又一次在公众领域引发了现象级的AI话题讨论。这是人工智能发展的一个重要里程。

1.2人工智能和人文主义

1.2.1 人工智能的发展

21世纪以来，随着大数据、云计算、互联网、物联网等信息技术的发展，泛在感知数据和图形处理器等计算平台推动以深度神经网络为代表的人工智能技术飞速发展，大幅跨越了科学与应用之间的“技术鸿沟”，诸如图像分类、语音识别、知识问答、人机对弈、无人驾驶等人工智能技术实现了从“不能用、不好用”到“可以用”的技术突破，迎来爆发式增长的新高潮。

1.2.2 人文主义

今天的人文主义强调人类在认识、发明和制造人工智能和其他技术的同时，也持续地增进和提升了自己的理性能力。从现在起，人类必定要有意识地见证和促进自身的进化。这种发展和进化在今天已经呈现出文化与物理的统一趋势，这正是人们应对充满各种挑战的人类前景而坚持积极观点的根据所在。

人文主义不仅关注人工智能的技术方面，还涉及伦理、美学等领域。除了心理学和情感算法的研发，美学和伦理学的参与也很重要。这两者不仅可以帮助计算机技术对人类复杂的情感世界进行细致的分类和定性研究，更重要的是，它们对情感的研究有明确的价值导向，有助于保障人类对机器的情感设计遵循人类文明求真、向善、爱美之正确方向。

在人工智能时代，我们需要更加关注人文主义，以确保技术的发展与人类的价值观和尊严相一致。

1.3人工智能发展前沿

1.3.1引言

随着以大数据与深度学习为主要驱动力的人工智能研究的飞速发展，一系列人工智能算法相继提出，越来越多的智能应用开始在生产和社会生活中扮演重要角色。脑科学、神经科学等学科与人工智能学科的交叉研究也涌现出诸多成果，引领了脑智交叉方向的新潮流。与此同时，对于人工智能技术的大规模应用带来的安全隐患与伦理担忧也受到社会各界广泛关注。

1.3.2 AlphaGo

2016年3月，阿尔法围棋与围棋世界冠军、职业九段棋手李世石进行围棋人机大战，以4比1的总比分获胜；2016年末2017年初，该程序在中国棋类网站上以“大师”（Master）为注册账号与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩；2017年5月，在中国乌镇围棋峰会上，它与排名世界第一的世界围棋冠军柯洁对战，以3比0的总比分获胜。围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平，在GoRatings网站公布的世界职业围棋排名中，其等级分曾超过排名人类第一的棋手柯洁。2017年5月27日，在柯洁与阿尔法围棋的人机大战之后，阿尔法围棋团队宣布阿尔法围棋将不再参加围棋比赛。2017年10月18日，DeepMind团队公布了最强版阿尔法围棋，代号AlphaGo Zero。

离线学习

第一阶段：利用3万多幅专业棋手对局的棋谱来训练两个网络。一个是基于全局特征和深度卷积网络（CNN）训练出来的策略网络（Policy Network）。其主要作用是给定当前盘面状态作为输入，输出下一步棋在棋盘其它空地上的落子概率。另一个是利用局部特征和线性模型训练出来的快速走棋策略（Rollout Policy)。策略网络速度较慢，但精度较高；快速走棋策略反之。

第二阶段：利用第t轮的策略网络与先前训练好的策略网络互相对弈，利用增强式学习来修正第t轮的策略网络的参数，最终得到增强的策略网络。这部分被很多“砖”家极大的鼓吹，但实际上应该存在理论上的瓶颈（提升能力有限）。这就好比2个6岁的小孩不断对弈，其水平就会达到职业9段？

第三阶段：先利用普通的策略网络来生成棋局的前U-1步（U是一个属于[1, 450]的随机变量），然后利用随机采样来决定第U步的位置（这是为了增加棋的多样性，防止过拟合）。随后，利用增强的策略网络来完成后面的自我对弈过程，直至棋局结束分出胜负。此后，第U步的盘面作为特征输入，胜负作为label，学习一个价值网络（Value Network），用于判断结果的输赢概率。价值网络其实是AlphaGo的一大创新，围棋最为困难的就是很难根据当前的局势来判断最后的结果，这点职业棋手也很难掌握。通过大量的自我对弈，AlphaGo产生了3000万盘棋局，用作训练学习价值网络。但由于为其的搜索空间太大，3000万盘棋局也不能帮AlphaGo完全攻克这个问题。

在线对弈

其核心思想实在蒙特卡洛搜索树（MCTS）中嵌入了深度神经网络来减少搜索空间。AlphaGo并没有具备真正的思维能力。

·根据当前盘面已经落子的情况提取相应特征；

·利用策略网络估计出棋盘其他空地的落子概率；

· 根据落子概率来计算此处往下发展的权重，初始值为落子概率本身（如0.18）。实际情况可能是一个以概率值为输入的函数，此处为了理解简便。

图3：AlphaGo原理图（来自微信公众号：CKDD）

·利用价值网络和快速走棋网络分别判断局势，两个局势得分相加为此处最后走棋获胜的得分。这里使用快速走棋策略是一个用速度来换取量的方法，从被判断的位置出发，快速行棋至最后，每一次行棋结束后都会有个输赢结果，然后综合统计这个节点对应的胜率。而价值网络只要根据当前的状态便可直接评估出最后的结果。两者各有优缺点、互补。

·利用第四步计算的得分来更新之前那个走棋位置的权重（如从0.18变成了0.12）；此后，从权重最大的0.15那条边开始继续搜索和更新。这些权重的更新过程应该是可以并行的。当某个节点的被访问次数超过了一定的门限值，则在蒙特卡罗树上进一步展开下一级别的搜索。

图4：MCTS拓展下一级节点

1.3.3 Cell

2020年2月21日，由麻省理工学院合成生物专家吉姆·柯林斯 （Jim Collins）领导的研究团队研发一种开创性的机器学习方法，登上全球自然科学研究领域最著名期刊之一《细胞（Cell）》2月20日的封面。

该方法首次在没有使用人类任何先前假设的情况下，短短几天内从超过1亿个分子的库中筛选出强大的新型抗生素。其中一种抗生素可杀死多种世界上最麻烦的致病细菌，包括结核病 和被认为无法治愈的菌株。

宾夕法尼亚州匹兹堡大学 的计算生物学家雅各布·杜兰特（Jacob Durrant）认为，这一研究非常出色，研究小组不仅确定了候选基因，而且在动物实验中验证了很有前景的分子。

图5：《细胞（cell）》2月20日的封面

1.3.4 Nature

利用人工智能系统Alphafold发布最完整的预测人类蛋白质三维结构数据库

2021年7月22日，DeepMind宣布与欧洲分子生物学实验室（EMBL）合作，为人类蛋白质组的预测蛋白质结构模型建立迄今为止最完整、最精确的数据库。这将涵盖人类基因组所表达的全部约20000种蛋白质，并且这些数据将免费向科学界公开提供。该数据库和人工智能系统为结构生物学家提供了探究蛋白质三维结构的强大的新工具，并提供了一个宝贵的数据宝库，可能开启未来的进步，并预示着人工智能驱动的生物学的新时代。

AlphaFold于2020年12月被蛋白质结构预测关键评估（Critical Assessment of protein Structure Prediction， CASP）的组织者认可为解决蛋白质结构预测这一具有50年历史的巨大挑战的方案，这对该领域是一个惊人的突破。AlphaFold蛋白质结构数据库建立在这一创新和几代科学家的发现之上，从早期的蛋白质成像和晶体学的先驱，到后来成千上万的花了数年时间对蛋白质进行实验的预测专家和结构生物学家。该数据库极大地扩展了积累的蛋白质结构知识，使科学家们可用的高精度人类蛋白质结构的数量增加了一倍以上。推进对这些构成生命的基石（即蛋白）的理解，将有助于各个领域的研究人员加速他们的工作。这些基石支撑着每种生物中的每一个生物过程。

1.4人工智能发展的意义

从上述几点我们可以看到，人工智能已经无处不在，大到世界各地，小到细胞蛋白，在每一个领域发挥着不可估计的力量，尤其在医疗方面，以前许多的不治之症如：癌症等，都可能因为人工智能的出现被治愈。但从AlphaGo的出现我们也可以看到，人工智能的算力和进化速度远在人脑之上，若干年后很有可能出现人工智能失控的情况，所以，人文精神在人工智能时代的作用越发凸显。

2.1黑白图片上色

2.1.1神经网络模型

对物件（包括背景色）（L通道代表的灰度图）使用卷积运算提取特征，然后同样用卷积进行分类，从而尝试给出对灰度图片每个像素点的色彩预期(ab通道)，然后再转为RGB。

输入：L通道数据（224，224，1）输出：ab通道数据（56，56，2）

图6：神经网络模型

原始网络来自：github：https://github.com/richzhang/colorization

2.1.2开发流程

图7：开发流程图

2.1.3开发步骤

获取源码包

 # 开发环境，非root用户命令行中执行以下命令下载源码仓。   

cd ${HOME}

git clone https://gitee.com/ascend/samples.git

获取此应用中所需要的原始网络模型

cd ${HOME}/samples/python/level2_simple_inference/

6_other/colorization_picture/model

Wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/

003_Atc_Models/AE/ATC%20Model/colorization/colorization.caffemodel

Wget https://modelzoo-train-atc.obs.cn-north-4.myhuaweicloud.com/

003_Atc_Models/AE/ATC%20Model/colorization/colorization.prototxt

模型转换指令

Atc --input_shape=data_l:1,1,224,224 --weight=colorization.caffemodel

--input_format=NCHW --output="./colorization"

--soc_version=Ascend310 --framework=0 --model="./colorization.prototxt"

运行

python3.6 colorize.py ../data/

结果对比如下

图8：运行结果

2.2应用背景

在飞速发展的今天，老一辈的照片所蕴含的含义以及其重要性不言而喻，但是碍于当时科技的不成熟，照片无法保留彩色，只能保留神情，所以通过应用此技术的还原相机，可以将老照片原来的颜色给还原出来，还我们一个更加明亮的历史故事。

2.3展望

本次项目除了上述例程，三元开发也是内容之一，但是由于时间和技术的原因，代码分解已经完成，代码的调试还在继续未完成。这份技术可以很好的还原照片颜色，我会继续完成此项目，制作还原相机app。

3.1发展优势

中国工程院院士、北京大学信息科学技术学院院长、中国计算机学会理事长高文指出，我国已经成为人工智能领域的超级大国之一，具备四大优势，但也存在四大短板。

首先，我国拥有政策优势。人工智能已被列为中国整体优先发展的领域，因此我们在政策方面拥有明显优势。其次，我国拥有海量数据资源的优势。中国人口是美国的四倍多；我们拥有全球最大的手机用户群体，手机支付规模也居全球之首。在医疗、旅游、物流等领域，中国积累了全球规模最大的数据。这使得在应用方面，中国与其他国家相比都具备不可比拟的优势。第三，我国拥有应用场景的优势。由于我国从农业社会到工业社会的转变时间较短，许多基础设施尚未完善。然而，这也为人工智能的应用提供了深刻的场景。例如，城市化进程中，原本是乡镇的地区突然变成城市，基础设施不足。但是，人工智能的介入可以快速改善服务，实现高效、优质、节省成本。当前，老龄化问题日益严重，社会服务需求迫切。人工智能系统在医疗、教育等领域的应用，能够迅速解决这些民生问题。

最后，我国拥有青年人才优势。我国大学毛入学率已接近40%，且理工科学生比例较高。与西方发达国家不同，这些国家的学生更倾向于法律和文科专业，而工科比例较低。然而，中国的学生将成为人工智能系统工程师的重要储备库。此外，国家自然科学基金委员会近年来专门设立了人工智能一级学科代码，许多年轻人可以申请人工智能项目。因此，高校年轻教师获得项目的难度较低。在大型国际会议和顶级人工智能期刊上，约有一半的投稿人和参会者来自中国的年轻人。

3.2面临挑战

第一个薄弱环节，我们在基础理论和原创算法这方面，我们得老老实实承认，还是有差距的。一个原因本身我们起步就晚，是后来者，好多的积累还是不够；另外加上这些年我们发展的速度比较快，萝卜快了不洗泥。对到底谁做得好、谁做得不好，有一些非常简单粗暴的人才评估体系，比如说就数你发了多少论文，拿了多少科研项目，对于那些长期做基础研究、肯坐冷板凳的人，客观上是不鼓励的。现在这个情况正在改观，一个是国家在加大投入，大学里面给年轻人的待遇越来越好；另外我们很多有实力的企业自己成立了研究院，在里面养了一批很强的年轻人，这些人工资给得很高。所以我相信再过五到十年，中国在人工智能方面的基础理论和算法一点都不会弱。

第二个短板是在高端器件方面，比如说利用GPU（图形处理器）做深度神经网络训练的这个芯片GPU（图形处理器）芯片，目前英伟达（NVIDIA）一家公司就占了70%的市场份额。中国真正自己的GPU（图形处理器）的生产厂商占的份额，还是比较低的。

第三个短板就是我们缺乏有影响的人工智能的开源开放平台。人工智能这几年能够发展这么快，和开源开放关系很密切。现在最好的算法有很多都开放了，源程序都在网络上，你从网上下载下来以后，根据你自己的应用稍微修改一下，马上你就可以做一个。现在我们经常讲笑话说，高中生可以和教授做同样水平的工作。但是最有影响的前五个平台，都是美国的企业，包括谷歌、亚马逊、微软、国际商业机器公司、脸书，这是五个人工智能开源开放做得最好的平台。

第四个短板是高端人才我们比较少。所以有统计说，中国最顶级的做人工智能的高端人才数量只相当于美国的20%，什么时候我们的高端人才数量和他们差不多了，我们的人工智能发展就基本上到位了。

3.3对于大学生的意义

3.3.1机遇

随着人工智能的发展，更多的领域打破次元壁，融合在一起，这也让我们有了更多的机会去做接触甚至开创新的技术。

图9：我国 AI 专利申请量年度变化趋势

（图片来源：《2020 人工智能中国专利技术分析报告》）

3.3.2校企联合

目前，我国人工智能领域的人才培养规模应该来说远超世界其他国家地区，但是质量较低，甚至出现了由于竞争激烈，庞大的规模影响了高质量人才得到的培养资源的情况。应该意识到，大部分情况下“人才”越多越好，但是也需要有足够的资源将人培养成“人才”，另外过于激烈的竞争环境会逼所有研究者（主要是研究生和青年教师）走“捷径”，注重短平快的应用领域的小问题而放弃需要下苦功夫的好研究。所以校企联合一方面为我们提供了便利，另一方面也对我们提高了要求，脚踏实地地钻研不再是一句口号，而是需要用百倍努力践行。

3.3.3人文精神约束

作为即将步入社会的新一代，我们的发展方向一定程度上代表了人工智能的发展方向，所以，我们的法律正义意识、伦理道德意识等人文精神约束，也关乎人工智能时代对人工智能的约束，所以，这也就要求我们要有更高的意识，加强自我约束，以达到对人工智能的人文精神约束。

4.1人类和 AI 共存

4.1.1综述

目前我们看到的人工智能运用，涵盖了许多领域，包括办公楼下每天刷脸进门的人工智能识别系统，每天看手机时，不同的客户被推送不一样广告的大数据收集和分析系统，围棋大赛战胜人类世界冠军的阿法狗“强人工智能”系统……这些都是人工智能的运用改变了生活的成果。

以后人类大部分工作将被机器人取代，它甚至可能涉及到我们根本无法想象的逻辑思维层面和感受认知层面。

我们要明白这一切必然会发生，否认逃避都是无济于事的。全人工智能时代的到来无法避免。

人类被机器人取代的事情，让某一部分人感到前所未有的恐惧与担忧，因为彷徨与恐惧。

其实，时代在变，人也在变。《周易》说，“穷则变，变则通，通则久”。

人类要想在全人工智能时代下有价值的存活着，要改变的，并不是“被取代”这件事本身，而是我们要如何不被取代。只有跳出固定思维的内圈，我们才能发现原来人类比机器能干的事还很多很广。

4.1.2改变

（1）拥抱变化，利用技术

人们应该尽情去拥抱这个时代的巨变，并把“人工智能”技术为我们所用。通过智能化提升工作效率，把人们从复杂、凌乱、无序、烦躁的工作中解救出来，将更多的时间花在情感交流，创造研究上。

这样我们的生活将变得更加美好，人与人之间的隔阂会变得更少，社会会更加和谐与公平。

对于乏味的固定的工作，机器人的加入将大大提升社会的生产力，这必将为社会带来巨大的财富。

我们不必害怕人工智能的参与，害怕其强大。因为受到人工智能束缚的是我们的思想，而不是人工智能未知的危害。

（2）敬畏自然，尊重人性

机器之所以为人类所用，是因为帮它能帮助人们解决生活中遇到的难题。然而，运用人工智能需要以尊重大自然及人性为前提，不应有悖自然法则与人伦道德。

《道德经》所言，“人法地，地法天，天法道，道法自然”。魏晋哲学家王弼对此注释，“法，谓法则也。人不违地，乃得全安，法地也。地不违天，乃得全载，法天也。天不违道，乃得全覆，法道也。道不违自然，乃得其性。法自然者，在方而法方，在圆而法圆，于自然无所违也”。

人类要和平与自然共处，则必须敬畏自然，不违背自然法则，社会各阶层都这样尊重法则，则人也和谐，自然也和谐，则“法”（规则道德）自然形成并被弘扬遵守。

（3）广开思路，不断创新

如今的人工智能时代是不是最高级的智能时代？当然不是。以后的将来，人类或许还会开拓更多的可能，实现人类至今无法所闻所视所触的创新科技。而这全赖人类不断开拓创新的精神。

尽管现在的机器已经开始能实现自主“创新”，但我们依然要打开思路，让自己的脑子比机器人更“灵活”。机器，只是工具，并不能代替我们思考和探索。它们是辅助我们更好去创新、探索、研究的工具，用好了则如虎添翼，若因此忽略了人类自身强大的创造力，则“拣了芝麻丢了西瓜”。

而对于像我一样的年轻人，不要懈怠，不应过分依赖人工智能，而应该形成自己独立思考，寻找答案解决问题的能力。

正如狄更斯在双城记里说的，“这是最好的时代，最糟糕的时代……我们面前的一切，我们面前一无所有”。

全人工智能时代，是人类的蓝海，也是人类的红海。

4.2混合人机智能的理解

智能不是人脑（或类脑）的产物，也不是人自身的产物，而是人、物、环境系统相互作用的产物。人工智能的优势在于庞大的信息存储量和高速的处理速度，但是无法处理如休谟之问，即从“是”（being）能否推出“应该”（should），也即“事实”命题能否推出“价值”命题。

目前，国内外人工智能的核心在于两个方向，一个是“机器学习”，另一个是“自主系统”。在机器学习各方法中，深度学习方法容易导致局部（非全局）最优，强化学习很难识别意图的隐藏和伪装，迁移学习的跨域能力很差等等，这些机器学习的缺点很难实现真正的智能；另外，现在的自主系统还处在“伪自主”阶段，究其原因是由其底层的技术架构——机器学习和大数据处理机制局限所致。无论行为主义的强化学习、联结主义的深度学习，还是符号主义的专家系统都不能如实准确地反映人类的认知机理，比如直觉、情感、价值等。