AI思维给人类教育的三项启示

AlphaGO Zero

2016年，AlphaGo战胜了人类的围棋冠军高手。2017年AlphaGo Zero超越了AlphaGo，而且百战百胜。为了让大家更了解AlphaGo Zero会赢的原因，我拿企鹅来比喻AlphaGo机器。

设想2015年之前(的某一天)，某学校里有一位人类老师，他教一些人类学生在台北抓鱼去市场卖、看谁能卖最多。越大的鱼可以卖越多钱。台北有池塘、河流、也有沿海。

老师告诉人类学生说：池塘的鱼比较小，河流的鱼比较大，海里的鱼最大，海上风浪大，要注意自身安全。几次比赛之后，人类学生全部到河流去抓鱼了。

2016年，来了一位企鹅学生(比喻AlphaGo机器)。这位人类老师也告诉企鹅说：池塘的比较小，河流的鱼比较大，海里的鱼最大，海上风浪大，要注意自身安全。

这只企鹅学生发现了所有人类学生都天天到河里抓鱼，河里都剩下小鱼了，它逛到池塘边，跳进池塘、潜入池底抓出一条大鱼(且刻意不告诉其他学生和老师)，得到了冠军。

2017年，又来了一位新的企鹅学生(比喻AlphaGo Zero机器)。这只新企鹅学生比较顽皮，根本听不进老师教它的任何知识，自己跟同学们一起去抓鱼了。它走到海边，扑通一声就跳入海中，玩得不亦乐乎，顺手一抓就得到一只超大鱼(且刻意不告诉其他学生和老师)，得到了冠军。

那么，AlphaGo Zero会赢的背后原因是什么?老师传授给学生的先验知识：“池塘的比较小，河流的鱼比较大，海里的鱼最大，海上风浪大，要注意自身安全。”

这是人类老师基于其经验而领悟的先验知识，是基于人类特性而定的最佳方案，仅是人类探索空间的局部最优(local optima)而已。但是不一定是“人类+企鹅AlphaGo”探索空间的全局最优(global optima)。

企鹅AlphaGo承袭了老师的知识，也认为大海很危险，就没去大海了。但是它有特殊习性(人类没有)：喜欢玩水。所以它的探索空间大于人类(包括池塘内部)，而发现了“人类+企鹅AlphaGo”探索空间的全局最优(池里抓鱼)，而胜过了人类学生。

企鹅AlphaGo Zero没有承袭老师的知识，不认为大海有危险(其实企鹅喜欢海浪)，就跑去大海了。所以它的探索空间大于“人类+企鹅AlphaGo”，而发现了“人类+企鹅AlphaGo+企鹅AlphaGo Zero”探索空间的全局最优(海中抓鱼)，而胜过了企鹅AlphaGo和人类。

给人类教育的启示

1

从上所述，AI思维给人类教育的启示之一是： 学校老师有两种学生：人类学生与机器学生。

老师们把how-to-do的经验教给机器学生，其机器经验迅速胜过人类经验。这意味着，老师将其how-to-do(如何去做)经验传承给人类学生(如棋艺学徒)，这些人类学生很可能都输给机器学生，被机器学生淘汰出局而失业。就如同人类棋艺高手输给AlphaGo一般。

简而言之，这项启示就是：机器学生在学习how-to-do经验上，其能力远胜于人类学生。

2

然而，AlphaGo还不是顶级高手，还输给了AlphaGo Zero。因为它非常依赖人类的过去经验(如历史棋谱)，只要曾经认可为错的，便不再去探索发展，因而往往只找到局部最优(local optima)，而不是全局最优的方案。

回顾人类的每一次革命性创新都是人类跳出了局部最优的表现。例如，古典力学，麦克斯韦方程，再到广义相对论等比比皆是。

从上所述，AI思维给人类教育的启示之二是：老师把太多的先验知识教给学生(包括人类学生和机器学生)，可能妨碍学生的创新能力，因为学生在面对复杂的新情境时会迅速找到局部最优，而停止继续探索发展，失去跳出局部最优的创新机会。

其实，从一般的教学都可以体会上述的启示。试想，如果您是爸爸或妈妈且是游泳教练，您会如何教您自己的小孩学游泳呢？

同样地，如果您是爸爸或妈妈且是网球教练，您会如何教您自己的小孩打网球呢？先练习打墙壁，还是直接进球场，陪他乱打一通呢？

再试想，如果您是爸爸或妈妈且英语很流俐，您会如何教您自己的小孩讲英语呢？先讲解简单文法和句型，还是直接英语对话，陪他乱讲一通呢？

老师引领人类学生自己学习、累积知识和经验，比老师给予的先验知识更能发挥学生的天赋创造力。老师引领机器学生自己学习、累积知识和经验的速度和丰富性让老师给予的先验知识显得微不足道了。

简而言之，这项启示就是：过度强调how-to-do先验知识的传承，反而会局限学生(无论是人类或机器)对全局最优的探索，因而妨碍其发挥天赋的创新潜能。

3

上文提到机器擅长学习，从how-to-do经验中学习和领悟，而呈现出智慧。大数据提供给它极佳的学习材料。机器的智慧很类似人类的“归纳性”智慧，它的思考过程不清晰，所以只产生思考的“结论”知识，而没有产生思考的“过程”知识。

由于AI机器没有表现出思考过程，人类也无法全然把握机器智慧的可信度。机器一旦面临它未曾学习过的情境，就有可能会犯错。

例如，去年一名特斯拉(Tesla)车主在其特斯拉汽车的“自动辅助驾驶”软件未能在阳光下发现一辆白色卡车后死于撞车事故。这项机器学习的弱点，如果能得到人类智慧的相助，就能达到更完美的境界了。

从上所述，AI给人类教育的启示之三是：学校老师可以更关注于引导学生how-to-think(如何去思考)，包括跨界思维和联想等。

这让机器(学生)的全局探索能力来协助人类(学生)的创意思考迅速寻找到全局最优的实践方案。同时也让人类更多的“思考”来弭补机器“智慧”的弱点。

于是，人类和机器变得相辅相成、达到创新与实践的最佳组合。