2019年2月13日出版的英国《自然》杂志,刊载了一篇题为:Large teams develop and small teams disrupt science and technology(大型团队发展科学技术,小团队颠覆创新科学技术)的重量级论文。
这篇论文的作者之一是美国芝加哥大学社会学教授、知识实验室主任James Evans,他在2004年获得了美国斯坦福大学社会学博士学位,目前是全球科学学(Science of science)、复杂网络和知识社会学的大牛级学者。
在不久前举办的2019世界人工智能大会商汤科技主题论坛上,James教授就分享了他的一些研究和观点,为AI的迭代与发展带来更多样的思路。
下面是James教授演讲的详细内容,分享给大家。
训练具有颠覆式思维的AI
首先思考一个问题:什么样的AI能够帮助我们以更多样的方式进行思考,让人类的目标更长远,甚至打破我们的思维模式?在我看来,这样的AI可能是一种有别于现在的人工智能,能够扩展人类认知世界的能力。
大数据和机器学习模型的产生,能够帮助我们以截然不同的方式去思考社会作为一个整体系统如何运转。为了能够打破固有理解方式,我们需要了解人类是如何产出创新性思考并最终付诸实践的。同时,我们需要创造的不是最趋同于人类的智慧,而是具有颠覆性思维的智慧,这类智慧是对人类惯有思考模式的良好补充,可以激发我们以全新的系统性方式进行思考。
那么,我们每个人都是如何思考的呢?
亚里士多德建议从事实或公理进行逻辑推演,弗朗西斯·培根则在数千年后提出了另一种截然不同的归纳法,即从大量观察中引申出结论。
而与推演和归纳法不同,近代哲学家查尔斯·桑德斯·皮尔士又提出了溯因(Abduction)概念,即根据一个因果联系中的结果而推出原因,皮尔士认为产生新规则的实际过程不受逻辑规则的牵制。
现实中,我们也可以发现,几乎科学、技术和商业的每一项重大进步都从令人惊讶或挑战理论的创造性假设中产生。
以我们此前做过的一项研究为例:通过搜集过去很长一段时间内生物科学和物理科学的专利及论文来预测明年的研究方向。简单来说,就是基于时间的推移来预测一个新的未来。实践证明,我们能够准确预测次年95%-97%的论文和专利,这个模型的结果基本上就是从人们的思维方式归纳出来的。
这里的问题在于预测颠覆性科技创新的难度。通常这类创新能够在期刊上获得最好的引用数据或是获得最高的专利授权费,但即便我们采用更好的预测模型,也没有办法对这类具有颠覆性意义的创新进行预测。
颠覆性创新来自于特别的思考,能够做出这类创新的人,源自于他们聚焦在整个职业生涯的一些技术创意上,与在同一领域中的其他研究者存在截然不同解决问题的方式,他们利用少见的路径去解答了一个熟悉的问题。
所以,在我看来,要想获得长足的进步,我们不应该去聚焦于设计性能最好的AI或最类人的AI,而是需要去训练那些能够改变我们思考方式、具有颠覆式思维的AI。
Small Teams Disrupt小团队颠覆创新
除了上面所提到的逻辑,我们还会通过哪些方式去思考?事实上,我们惯常聚集在一起,而非分散开去各自寻找新的可能。
不久之前,我们的一个研究成果登上了《自然》杂志封面:当前,在学界和商界,解决重大问题往往都需要大型团队,但通过分析超过5000万篇论文、专利和软件产品(1954-2014)的团队合作情况,我们发现小团队更容易产出一些颠覆性的研究和成果。
无论在论文、专利或软件产品开发中,我们发现每增加一名团队成员,颠覆性创新的机会就会大幅下降,即便是在一些总结、评述性质的文章中,我们也发现,作者越少反而能产出更有趣的见解。大型团队往往倾向于关注一些比较成熟的领域,并不断完善相关理论,普遍更保守,所做的事情就像制作一部一鸣惊人的电影的续集,低风险。
然而小团队更倾向于去关注一些少为人知的领域,去做与众不同的研究,小团队往往更重视真正的难题和最尖端性的问题,哪怕需要外界花费更长时间来理解他们的工作。我们近期发表的另外一篇文章也有类似结论,通过分析近万种药物和基因相互作用的数据,发现在生物医药领域,去中心化的研究或许能带来更可靠的结果。
现阶段科学创新的理论或许在无意中会导致不可靠结果的产生。我们发现,经常合作、使用类似方法、经常引用近似文献论点的大批科学家很容易产生相同的、自我确认的结果,这样的情况会降低团队的活力与稳健性。相反,那些独立实验室以不同的方式进行实验,有着不同的目标,比密集连接的科学家网络更不容易产生同伴压力,也能够产出更好的结果。
在我看来,我们需要更加多样化的智能团体才能够产生强大洞察力,推动技术快速革新。
基于以上的论证,我认为,我们要做出大的改变,而不是渐进式的改变。我们需要一种新的人工智能,它可以通过一种超越人类推理局限的理解和编程从根本上增强智能。这意味着,我们需要更好地理解人类的思考方式,并以更多样的颠覆式思维样本去构想未来。