中图分类号：G434 文献标识码：A 文章编号：1671-1610(2020)02-0024-08 人工智能时代机器在学习方面表现出来的超能力，使其远不再停留于接近人类智慧的阶段，当它在知识的获取量上开始超越人类[1]，人类在数千年的历史长河中获得的知识与之相比将微不足道。人工智能可以在很短时间内获取人类现存的几乎全部知识，不仅如此，它还可以依托其超强的运算能力，发现人类所难以发现的“暗知识”。暗知识的出现，在我们过去对明知识(又叫“显性知识”“明述知识”“言述知识”)和默知识(又叫“默会知识”“缄默知识”“隐性知识”)的划分之外，开拓了一个新的知识类型。这项研究之所以重要，是因为长期以来，我们是站在人类的立场来思考人工智能[2]，对比人与感知智能和认知智能等方面的近似程度，关注的是弱人工智能(Artificial Narrow Intelligence)和强人工智能(Artificial General Intelligence)向人类智能无限接近的趋势，而较少认真思考如果人工智能完全脱离过去人类已有的知识和经验，进入超人工智能(Artificial Superintelligence)阶段之后，当所有靠人类智力所能企及的发现，机器早已知道答案，并能与人进行互动，这将超越我们过去传统的认知模式。在人工智能时代，面向学习能力超强的机器，面向越来越明显的大脑、意识和机器协同合作的新趋势[3]，传统的“先学后习”和“学习并行”模式之外，可能会出现新的“先习后学”模式。因为人工智能时代的机器不但可以通过模仿人脑和模仿演化学习明知识和默知识，更重要的是它能学习既无法被人类感知又不能表达的暗知识[4]42，从而可以在人类学习行动开始之前就先体验各种预设下方法、路径的成效，根据学习者的偏好、习惯等，择优呈现给学习者学习，这将使人机融合下的“致用以学”成为现实。 一、“致用以学”何以可能：人工智能时代的暗知识及其特点 (一)“用”先于“学”：对弈中暗知识的发现 暗知识是王维嘉(Weijia Wang)博士在《暗知识：机器认知如何颠覆商业和社会》一书中提出的概念，作者将它定义为人类“既无法感受又无法表达和描述的知识”[4]27。例如，人工智能技术以其超强的计算能力进行模拟测算、穷举试错等方式所发现掌握，而人类由于各种局限未曾探索和接触，却可以被人工智能机器所了解和运用的知识就是暗知识。 暗知识的发现始于2017年的围棋人机大赛。2017年3月，美国谷歌公司研发的围棋对弈程序阿法狗(AlphaGo)以3∶0的绝对优势碾压世界排名第一的围棋棋手柯洁，而数月后研发的升级版本阿法狗零(AlphaGo Zero)使用“强化学习”技术，不再基于任何人类的棋谱经验，从零开始自我对弈，不断迭代升级，随即击败之前所有的阿法狗旧版本。不仅如此，它经过4小时训练，打败最强国际象棋智能鳕鱼(AI Stockfish)；2小时训练，打败最强将棋(又称为日本象棋，AI Elmo)。人类2000多年留下记录的对弈棋谱不过几万盘，而阿法狗零则以超强的计算能力，在极短的时间内探索了大量人类过去几千年中从未曾尝试过的走法，其掌握的知识已经完全超出人类已有的经验和理性。[4]6-8这些人类未曾掌握却被机器使用的就是暗知识。 暗知识能够被发现，源于计算能力的倍数增长、数据的大量采集和积累、神经网络算法的突破，它们合力带来了人工智能技术呈爆发式发展。[5]在自然语言处理、学习计算、图像识别等许多方面[6]，机器的许多能力不但已经接近人类，甚至已经超越人类。为此，格雷斯(Katja Grace)等人甚至专门发布《人工智能何时超越人类》的报告，对现有职业领域超越人类的可能性进行公开预测。[7]当人机在学习上可以分离，机器不再依赖人类既有的经验，它便可以凭借其超人工智能技术超越人类既有的经验，获得机器所掌握而人类还从未探索过的海量的暗知识，这些知识虽然还不曾为人类所获得，“学”尚未开始，但却可以解决人类遇到的问题，足以证明其有“用”，值得人类去“学”。 (二)“用”以待“学”：人工智能时代暗知识的特点 人工智能时代机器所掌握的暗知识的“用”是对人类有“用”，可以为人类所“学”。与人类的明知识、默知识相比，暗知识具有一些突出的特点。 第一，非感知性。暗知识是无法被人类直接观察和感知的。这可能是因为人类没有能力感知，但更可能是源于人类没有机会感知。人类经验的一个特点是，事情一旦发生就没有再重来的机会，我们在每做出一项选择的同时也放弃了其他的选择。[8]为此，在做出选择之前，人类只能凭借前人的经验来判断。然而前人的经验是有限的，这使人类的学习行为只能通过有限的经验加以强化。人工智能的运算速度远远大于人类，比如阿法狗每秒钟可以走8万步，下200盘棋，它采用“蒙特卡洛树搜索”(The Monte Carlo Search Tree)方式，运用赢率更新决策网络和走子，将监督学习和强化学习相混合，从而能够感知到最优路径。由于超高的运算速度，它获取的绝大多数下棋经验都远非人类所能有机会感知和体验。但是，与此同时，也源于暗知识的非感知性特点，机器虽然可以像人类那样学习海量的知识，并且可以在实践中证明其有“用”，却只有转化为人类可以感知的明知识或默知识才能为人类所“学”，否则，它无法被人类感知，也就无法证明其有“用”。只有它被验证有“用”，才可以被人类感知和“学习”。
