专访Michael Jordan：AI的分布式决策与不确定性(2)

我认为在付出艰巨努力之前，首先要确定我们面对的「重大问题」究竟是什么。是建立一个能够和人以自然语言进行沟通的系统？还是获得一个能够拟人活动的机器人？还是试图建立一个市场，能够让更多的商品、服务、信息以更快的速度流通？在这个世界上，某些问题亟待解决。只有在厘清了基本概念及其差异之后，才能更好地确定你想解决哪类问题。 [原创文章：www.11jj.com]

除此之外，很多人在单纯从「拟人 AI」角度出发设计基于机器的系统时并未考虑其社会影响，而只是在系统产生影响后思考对策。如果设计者能够从更多的角度思考，那么他们会更早地发现系统正在制造问题，甚至从一开始就避免问题的出现。

机器之心：相比于拟人 AI，您对 II 似乎有更为浓厚的兴趣，能否给出一个更为具体的 II 的定义？

Michael Jordan：II，或是说智能基础设施，某种程度上就是过去大家所说的「物联网」。物联网已经是一个有些历史的概念了，但是参与到这一类技术发展的主体成员还是网络研究者和工程师。他们关注的问题只有一个：给每一样东西赋予一个 IP 地址，让它可以连接到某个网络上。然而对 II 的讨论并不应该停留在「联网」本身，II 所关注的问题更为广泛：在「联网」完成后，如何在不同事物之间进行数据传递、如何利用利用数据进行推理，并将所有事物视为一个整体建立起基于数据流的知识网络，才是问题的核心所在。

机器之心：II 系统能否像现在的 AI 系统一样，从输入、输出的角度看待呢？

Michael Jordan：与其从输入输出的角度思考问题，我更多希望从「谁是这个系统中的参与者？他们如何参与到这个系统中？」的角度进行思考。

现阶段，一个并不完整的有限 II 系统的例子是网约车。

你可以看到，这个系统本身并非由一个「超级智能」控制，它只是一个双边交通系统，让司机和乘客从不同的 App 登录，让需求方的乘客看到供给方的司机情况然后出价。和普通的市场不同的地方在于，它的适应性更强——因为它有更多的数据，更清楚双边的偏好，然而它的局限性也非常大，现在只能解决一小部分出行问题。

但是想象一下，如果市场互动能够和推荐系统相结合，又是不一样的故事。推荐系统是历史上最重要的机器学习应用之一，但是如果它不能在市场中扮演角色，其作用始终有限。举一个推荐系统和市场互动的例子：在餐厅老板和食客这对双边关系中，如果我作为一名食客，能够在晚餐时段走在街上打开一个 app，表示我有兴趣寻找餐厅，app 知道我的地理位置、口味，把信息告诉相关的餐馆「这里有一个潜在客户」，仍有余位的餐馆学习我的基本情况后，可以用折扣等方式对我「竞价」。如是这般，一个双边市场就形成了，我可以选择接受或拒绝，而餐厅从我的行为中变得更了解我，如果我再多去几次这家餐厅，我们就建立起了一种联系。

在这个过程中，我，作为一个食客很开心：因为我拿到了折扣，吃到了合口味的食物，并且与餐厅建立了好的联系。餐厅老板也很开心：因为他们得以充分利用餐厅的资源，并且招徕到了喜欢这家餐厅的客户。这个过程中并不存在一个复杂的、超级智能的中枢系统，而只有数以百万计的实体，每天进行巨量的数据交换和分布式的决策。饮食、娱乐、交通……城市里的任何服务都能以这种形式进行。

机器之心：分布式的决策系统和单线程决策系统有什么区别？

Michael Jordan：人类是「单线程生物」，我们自己做出的决策大多是单一决策。而只有当存在稀缺性的时候，分布式决策才会比多个单一决策更加困难。