神話的誕生

記得幾年前流行一本書，《人類簡史》。此書風行之后還有一些類似的《智能簡史》之類。 在AlphaGo出現之前，《人類簡史》的作者尤瓦爾·赫拉利對人工智能的態度還是比較客觀和保守的，對奇點的探討也不是很絕對。但在李世石慘敗后，作者的觀點則出現了較大的轉變。《人類簡史》的末尾，在人類社會的發展進程中，從最開始的動物到神的出現，最后催生出有關神話的想象和信仰，而這個神話的中心點就是AI。 李世石和DeepMind研發的AlphaGo進行的人機大戰，每一盤直播我都幾乎是屏住呼吸在看。圍棋上手的每一步，都會給對手帶來巨大的心理壓力，而AlphaGo的棋一直讓人喘不過氣來。直到第四盤李世石的78神之一手——看到這步棋之后，我幾乎哽咽，兩眼從濕潤到流淚。

李世石VSAlphaGo第四盤白78手

DeepMind創始人握著李世石的手說，AlphaGo的勝利是人類自身的進步，而不是機器對人類的勝利。在當時的愛好者群里，我提出一個建議：馬上更換25路棋盤再戰。這個策略是出于對AI仍舊是一種統計程序的考慮，我估計它還不能從19x19中發現通用規律并移植到更大的盤面上去。

李世石對戰AlphaGo 也有人認為盤面越大人類越不行。但在LeelaZero出現后，我曾跟Leela多次對弈，結果是19路完敗，25路完勝。在更大盤上面，AI完全沒有基本的圍棋常識，這一定出乎很多人的意料。 雖然口頭上還在探討圍棋AI的弱點，但作為一個從90年代就開始編程的程序員，在那一刻，我真實感受到的是時代的巨變。我覺得自己必須馬上行動，馬上跟上時代的腳步，才能避免被無形的巨輪碾壓在塵埃中。 在此之前，我一直在做編碼解碼器優化、內容分享這一類工作。看完這幾盤棋后，我暫停了所有的手頭開發方向，安裝了Python，下載了DeepMind論文的相關開源代碼，開始學習AI。后來又選擇了超分辨率這個方向來作為突破口，到今天縱向發展到推理引擎深度優化，橫向關聯到NPU加速的編碼解碼器等等。 尤瓦爾·赫拉利有一個很有名的觀點，那就是神話在人類社會發展過程中起到的最重要作用。在有語言通信工具的情況下，十幾個人的小團隊能夠運作得很好，智人和尼安德特人的團隊合作都達到了這個程度。但是當智人和尼安德特人在歐亞大陸相遇的時候，智人還有更強的工具，那就是gossip，我們理解為八卦，意思是通過篝火和睡眠前的八卦，智人的溝通更有效率，能夠保證比較穩定的更大規模上的團隊合作。因此智人最終取代了尼安德特人。

《人類簡史》作者尤瓦爾·赫拉利 后來人類團體變得更大了，達到了幾百數千人，這個時候八卦也出現了問題，因為更大的團隊也更容易產生分裂。于是，神話就適時地出現了。神話也就是宗教，氏族首領代表神來進行治理。國家形態出現了，而且這種統治形態可以長時間保持。人類的科學技術、文化文明等等，都得益于超大規模的團隊合作，也就是國家和政治。 神話并不屬于科學技術，而是一種社會意識形態，但是神話對于人類社會的發展、科學技術的飛躍都是不可或缺的。超級AI，奇點理論，其實就是一種神話。 無論是DeepMind的哈撒斯比，還是BAT的普通程序員，都知道自己正在開發的AI，和超級AI扯不上一點關系。奇點究竟是怎么回事，在OKR的壓力下也沒有幾個人去關心。但是開發AI的人，總是有一種使命感，總覺得自己不僅僅是寫一些模塊算法或者拿一點工資，自己每天在干的事情屬于一個無比宏偉的藍圖的一部分，自己和成千上萬的開發者一同在書寫一部史詩。這就是我們心中的神話。 在神話的鼓舞下，我這樣的老程序員，每天都在學習新的算法新的技能，不斷轉換賽道開疆拓土。更有無數的年輕程序員，抱著一種創造神話的激情和理念，突破了一個又一個的技術難點，把AI算法推向千千萬萬的用戶。我們看到了新的億級別VV應用的快速崛起，也見證了一批不思進取老牌APP的迅速消失。

為什么說我們現在的AI不是超級AI

從事AI開發的人都知道，現在的AI還沒有自主學習的能力。算法都是工程師設定好的，AI只是在執行一種程序。與其說是AI在學習，不如說是算法工程師在學習更合適。和基本的傅里葉變換、拉普拉斯草帽算子、線性方程組一樣，現在的深度學習也只是一種統計算法，是一種從數據中尋找規律的計算機程序。 那么將來是不是有這種可能：AI會發展到自主學習、自行修改算法、自行進化的程度？這是對未來的一種預測。因為是預測，所以很難是準確的。 對過去歷史上發生過的事件進行總結，總有人可以做的很到位。但是有沒有人能夠預測新冠肺炎的爆發？有沒有人能預測到雙色球開獎號碼？有些理論說世界本質上是模擬和隨機的，沒有能夠長期成立的預測。 首先，AI的發展是不是可以按照指數形式無限制暴漲？要知道，硅芯片從20年前到達4G主頻之后，CPU的計算能力增長開始減緩，改進形式變成了多核心，GPGPU，NPU，FPGA，這是因為物理規律的限制。 愛因斯坦的廣義相對論已有百年歷史，至今再無突破性的理論出現，科學家們還在茫茫宇宙中尋找相對論的一些證據，這是人類智能的限制。 人們都說外星文明幾乎是必然的，但是人類如何走出太陽系都是一個問題，這是空間和時間的限制。 其次，從目前的狀態來說，超級AI還很遠。超級AI的神話總是和永生，和人造生命一同綁定。某種意義上來說這是同一個問題。我們目前面臨的冠狀病毒、艾滋病、癌癥、衰老，仍舊是沒有解決的問題，長生不老還只是一個神話。無論你多么成功，或者富可敵國，該死還得死。更別提還有全球性變暖、生態災難、小行星撞擊等種種不可預測的事件。 第三，對AI未來的預測，實際上是對人類自身甚至地球共同體未來命運的預測。每個人，每個生命都參與其中。那么這個事件的發展就不是一個可以被獨立觀察的孤立系統。由于每個人都可能有意無意地影響事件的走向，那么這個系統的演化很大程度上就帶有主觀色彩，至少不是完全客觀的。 兩種極端情況：第一種，我手中握著一只小強，讓你來預測生死。你說“活”，我捏死它，你說“死”，我放開它；第二種，我預測自己明天早上吃個漢堡。那我完全可以強行讓這個預測成立。實際上在具體項目開發中，往往存在這種情況，決定工程最終走向的，往往是最有實力的程序員，而這個走向跟大家最初的判斷往往差別很大。 并不是說這個“最強程序員”的走向一定是最合理的，而是因為只有他能填平大坑讓算法走向實用。大家預測AI的未來和規律也是類似的，這種預測往往會改變被預測過程的走向。如果人類意識到不加限制的超級AI會帶來威脅，那么超級AI從開發到使用就必然受到一系列限制，超級AI仍舊只會是一種工具，不會發展出無限智力。 因此，實際上目前的AI并不是影視文學作品中的那種超級AI，也不是很多人心中神話了的AI。目前不是，甚至20年、30年之后也差得很遠。

那么目前的AI究竟是個什么狀態，短期的發展會如何?

AI落地三要素：算法、芯片、工程

算法層面上，主要是要證明該算法的有效性。在算力能夠保證的前提下，深度算法一般能提供傳統算法不具備的一些特征。但這并不是說你只要說明自己是深度算法，市場和客戶就會買賬。 比如用戶往往希望超分辨率、HDR、降噪等技術，能夠把一些質量較差的視頻做出很明顯的改善。但算法并不是仙丹妙藥，只能在滿足工作區間的條件下，起一部分作用。所以我們要有比較清醒的認識，主觀意愿和客觀算法能力上肯定是不匹配的。 在芯片層面，主要是因為深度學習需要很大的計算能力，這個能力是傳統CPU不具備的。通用計算的GPU在模型訓練上是比較有優勢的，但和專有的加速芯片（TPU,NPU）比起來，單位芯片面積算力產出和功耗上，效率是比較低的。 如果前兩個問題解決的話，算法最終落地到APP用戶層面，是依靠工程開發來實現的。并不是說算法的算力需求和芯片的理論能力能夠匹配了，實際運行效果就一定滿意。這個問題在移動平臺上非常突出。手機是依靠電池供電的，電力非常有限，同時散熱空間也很小。這兩個特點使得在手機上應用深度算法難度陡然加大。比較大的網絡即使在NPU上運行也是很慢的，常規的暴力裁剪縮小網絡，往往使得算法失效，或者出現大量badcase.

AI 能落地的幾個條件：

1） 工作區間內沒有明顯的badcase。 這個原因顯而易見，自然界生物里面，老弱病殘是第一個被淘汰的。先天殘疾的幼兒很難存活，產生癌癥的變異不能通過自然選擇。一個算法有badcase的話，就得有很多彌補措施，這些措施的代價可能超過了算法本身的收益。這就如同用錢買了房子，坐等房子升值就可以發財，至少是不虧；而如果投資做買賣的話，費了很大力氣折騰半天反而賠了。 2） 相對于其他算法選擇，要有明顯的收益。如果相對于別的算法，投入過大而收益更小，那么很明顯的應該放棄當前的思路。3） 對于現階段的硬件芯片和軟件驅動來說，算法可以高效運行。 比如一些深度算法，4k超分辨率疊加HDR、超幀率等，在服務器硬件加速下，性能滿足需要。即使不能實時運行，也不至于等待太長時間，這是可行的。但是這樣的算法放到移動平臺上，有耗電限制，芯片都是低功耗低性能類型，顯然落地的困難就非常大。

目前比較成功的落地算法

我們所了解的深度算法發展里程中，有兩個影響比較大的事件。第一個是人像識別，深度算法超越了傳統的統計特征分析。第二個就是本文提及的圍棋AI程序AlphaGo, 后續當然還有Master、zero等等。另外，在語音識別上也是類似。接近十年的時間過去了，目前圖像識別和語音識別還是最成熟的應用。從識別到內容生成，這一步還在繼續進化之中。 視頻畫質類算法，典型的包括HDR、超分辨率和超幀率。這類算法在非實時性約束的場景下已經有很多應用例子。其中一個難題是，非實時約束就必須使用視頻編碼器，編碼后的視頻質量損失是比較大的。極端的例子是，一個720P的視頻，如果先解碼為單幀圖像序列，然后做超分辨率到4k，然后再編碼為4k高清視頻來播放。 這時候我們會發現，雖然超分辨率帶來了一定的畫質改善，但是編碼過程帶來的畫質損失更大。 結果是，直接播放720P視頻反而比播放超分4k編碼的視頻效果更好。超分等算法放到端上實時運行，能避免這個問題，還能節省傳輸碼率。但是對于算法的實時性要求，使得芯片的計算壓力和算法工程的優化壓力，又變得極大。

我們看到短時間內會解決的應用：

在4k分辨率下，幾個典型視頻畫質類算法目前三元素的狀態：

我們看到，芯片的計算能力實際上是達到了。考慮到功耗的因素，算法和工程的優化還需要做一個2-3倍的改善。 但實際上無論從算法上還是工程實現上，優化的空間還是非常巨大的。我相信再過一段時間，出現20-30倍的效率提升是很正常的事情。 以AI輔助編碼為例，有人做過一個試驗，用AVX512指令集，用下山法暴力計算，實現了視頻編碼的運動估計模塊。在小運動向量場景下，1080分辨率的運動搜索，每個像素代價大概是2個指令周期。這意味著3G主頻的CPU，單線程ME性能達到了1000FPS左右。