人工智能的意义和价值是什么？

2021-11-03数码

谢 @微调邀

我认为人工智能的意义和价值用两个字来概括，就是： 赋能。

虽然赋能这两个字，确实有点被互联网黑话用烂了，但确实是很好给予人工智能意义总结的词语。本回答将展开讲这两字，讲讲人工智能在其中是如何赋能的。

1. 给机器赋能

很好理解，给机器赋能就是让机器拥有新的能力。最早，我们给机器赋能的方式，就是制造这么一台机器，例如发电机，就具有发电的能力；纺织机，就有纺织的能力。而随着可编程计算机的出现，机器的能力变得多样化，编程成为了我们给机器赋能的新方式。然而，单单编程，赋予的能力也是固定的，你赋予机器的能力，是你的能力，而不是机器自己学来的。

然而人工智能的出现，改变了这种情况。当然，早期的人工智能就是根据专家规则制定的，基本就是if else if 之类的规则，只是由于这是专家根据经验制定的，所以也能使得机器具有一定的「知识」，这时候，是 人给机器赋能

然而这种知识，无法自动化，为了让机器具有最新的「智能」，专家需要一直工作，一直更新规则。那么有没有办法，可以让机器根据看到的或者听到的内容，自动学习知识？

于是，「统计派」开始上场。统计派主张用统计模型，神经网络等方法，自动从数据中学习。这时候，机器能自动从数据里面，得到能力，换句话说， 数据就能给机器赋能 。

然而，在数据进入统计模型前，人需要对数据预处理，还是需要人的参与，那么，有没有更好的方法，真正让 数据自动赋能机器 ？深度模型就能上场。尤其大型模型，其魅力在于突现(Emergence)和均质(Homogenization)。所谓「突现」，就是当数据规模和参数规模大到一定程度时，量变最终能产生质变，完成更高难度的任务；而「均质」指的是，AI有了小样本和零样本学习的能力，可以直接用，或者稍微用一点点样本训练，就能完成之前没见过的新任务，让语言AI具备举一反三的通识能力。例如GPT-3，作为巨量模型，产生了令人震惊的智能水平， 并给其他应用赋能 。例如另一个人工智能编写代码的应用——Github Copilot，背后就是GPT-3模型。感兴趣的可以看看关于这个写代码AI的介绍。

2. 给社会赋能

事实上 ，人工智能给社会赋能 的地方太多了，大大影响了我们社会的发展。这里举两个我自己比较熟悉的例子。

给治安水平赋能

我们都说张学友是「逃犯克星」，每次开演唱会都能让罪犯落网。当然，张学友的魅力是无人能挡的，但使得罪犯落网的功臣，是人脸识别技术。

当人进入到某一监控范围内，智能摄像机可以有效识别人脸信息，并进一步识别出人的性别、大致的年龄区间、衣服特征等信息；这些信息会被第一时间监测到并实时回传至系统大数据平台进行数据的对比、验证与分析，来判断是否满足对应的布控条件从而触发报警。平台通过对大量视频数据的智能分析，还能进一步得到犯罪嫌疑人的行为轨迹、接触的社交圈等辅助判案的重要信息。

例如北大弑母案嫌疑人吴谢宇在重庆江北机场被警察抓获，离不开AI监控设备。设备4次抓拍到吴谢宇的脸，每次相似度比对都大于或等于98%。

给反洗钱赋能

首先讲讲什么是洗钱。简单来说，就是把非法所得合法化。例如金三角的某个犯罪团伙得到了一笔非法收入，想存到户头里，但银行肯定会审查资金来源。那他会想，通过一些步骤，让钱出去「溜」一圈，最后通过各种节点回来，黑钱就「洗」干净了。

反洗钱有什么意义？你应该会说，反洗钱可以抓到犯罪分子，打击他们的非法行为。对的，没错，不过还可以更具体。

黑钱来源，主要是犯罪，例如人口贩卖，贩毒等。你猜猜每年有多少人口贩卖案件发生？根据联合国的一份报道 ^[1] ，2016年人口贩卖案件达25000起。涉毒就更多了。根据联合国毒品和犯罪问题办公室的一份报道 ^[2] ，2017 年，上一年使用过毒品的估计有 2.71 亿人（占全球 15-64 岁人口的 5.5%）。虽然这一数字与 2016 年的估计数相似，但长期来看，吸毒人数现在比 2009 年高出 30%，2009 年在上一年使用过毒品的有 2.1 亿人。

而洗钱行为，是犯罪的润滑剂。设想一下，在极端理想的情况下，反洗钱做得100%完美，黑钱永远无法使用出去，那这是不是对犯罪行为的致命打击。犯罪分子无非都是为巨额利益而铤而走险。所以反洗钱，不仅仅是经济层面问题，也是个社会层面问题。反洗钱做得好，可以大大降低人口贩卖，毒品交易发生的频率。

而 AI技术可以给反洗钱赋能 。AI可以提高可疑案件监测能力，具体来说，AI能从这些方面助力反洗钱：

在客户尽职调查阶段，通过大数据，我们可以掌握一个客户更全面的信息。应用聚类算法，我们可以更精确的分析客户风险，而不是单个用户的行为。

在调查可疑活动报告阶段（SAR，Suspicious Activity Report），应用聚类算法，以及图神经网络（GNN），我们能够在犯罪团伙中是识别出更多的参与方。

在监管部门调查SAR阶段，目前，在多数银行，SAR的误报率是非常高的，通过AI算法，我们可以识别出明显的误报，使得监管者能把更多的精力放在调查真正的可疑报告上。