如何評價王垠的文章《我為什麼不在乎人工智慧》？

01-13

我為什麼不在乎人工智慧

王垠師兄很有名，這篇與AI有關文章引起很多的反響，不過這是篇Blog而非嚴謹的論文，有觀點而少論證，想認真反駁都無從下手，所以這裡只是藉機會簡單講幾個自己的看法。智者千慮，必有一失；愚者千慮，終有一得；這篇Blog裡面也有一些不錯的觀點，不再贅述。

每當提到 AI，這些人必然野心勃勃地號稱要「取代人類的工作」，「節省勞動力開銷」。暫且不討論這些目標能否實現，它們與我的價值觀，從一開頭就是完全矛盾的。一個偉大的公司，應該為社會創造實在的，新的價值，而不是想方設法「節省」什麼勞動力開銷，讓人失業！想一下都覺得可怕，我創造一個公司，它最大的貢獻就是讓成千上萬的人失業，為貪得無厭的人節省「勞動力開銷」，讓貧富分化加劇，讓權力集中到極少數人手裡，最後導致民不聊生，導致社會的荒蕪甚至崩潰……

訴諸情懷，容易淪為口舌之爭，多說無益。不過AI可見的未來，不是取代人類的工作，而是提高人類的工作效率。這當然會讓一部分人失業，但也會讓人從繁瑣機械工作解放出來，做更有價值和創造力的事情，我能看到的，是完全不一樣的未來。

而「機器學習」這個名字，完全就是一個幌子。很多人都看出來了，機器學習說白了就是統計學裡面的「擬合函數」，換了一個具有迷惑性的名字而已。

如 @何欽堯童鞋回答所說，對事物做過度抽象，並不能抓住事物本質。如果非要說機器學習是擬合函數，人又何嘗不是：人們認定太陽每天都從東邊升起，也無非是對無數次這樣的歷史的擬合，不是么？

世界上這麼多 AI 研究者，有幾個真的研究過人腦，解刨過人腦，拿它做過實驗，或者讀過腦科學的研究成果？最後你發現，幾乎沒有 AI 研究者真正做過人腦或者認知科學的研究。著名的認知科學家 Douglas Hofstadter 早就在接受採訪時指出，這幫所謂「AI 專家」，對人腦和意識（mind）是怎麼工作的，其實完全不感興趣，也從來沒有深入研究過，卻號稱要實現「通用人工智慧」（Artificial General Intelligence, AGI），這就是為什麼 AI 直到今天都只是一個虛無的夢想。

胡說。僅以MIT的Josh Tenenbaum為例，就是橫跨AI和認知科學的大家，最近發表在Science上的How to grow a mind: Statistics, structure, and abstraction和Human-level concept learning through probabilistic program induction就分別是認知科學和機器學習的代表作。

更何況，在學科高度分化的今天，完全不能要求所有學者成為所在學科的百科全書式的人物，那個時代已經一去不復返了。AI作為交叉學科，需要的是多個學科學者協作推進。即使不解剖人腦，一點都不妨礙大師如Noam Chomsky等作出經天緯地的學術成就。

縱觀歷史上機器學習能夠做到的事情，都是一些字元識別（OCR），語音識別，人臉識別一類的，我把這些統稱為「識別系統」。

胡說。把無人駕駛、智能問答、多模態學習等往哪裡放？再展開一點說，的確過去相當一部分時間裡研究者聚焦在這些模式識別的任務上，但這也並不是全部，如何實現複雜情境感知、語義組合建模等高級智能，也是不同領域都在關注的任務，也在不斷取得進展。如前面提及，如果把機器學習過度抽象為函數擬合，所有這一切都不值一哂。但是，人類智能不並非全都是高級智能，需要一點點地逼近。

那另外幾個同類，也沒有好到哪裡去。很多人被「微軟小冰」忽悠過，咋一看真能理解你說的話，然而聊一會你就發現，小冰不過是一個「網路句子搜索引擎」而已。它只是按照你句子里的關鍵字，隨機搜出網上已有的句子。大部分這類句子出自問答類網站，比如百度知道，知乎，等等。一個很簡單的實驗，就是反覆發送同一個詞給小冰，比如「智能」，看它返回什麼內容，然後拿這個內容到 Google 或者百度搜索，你就會找到那個句子真正的出處。

胡說。把IBM Watson往哪裡放？實際上我們日常使用的Google、百度、Bing、搜狗等搜索引擎已經是問答系統的最常用場景，越來越多的用戶查詢問題可以直接得到答案，而不再是網頁列表。當然，搜索引擎仍然會通過規則、模板等工程手段保證答案準確率，但毫無疑問搜索正變得更加「智能」。

所以機器能不但要能夠形成真正的對話，理解客戶的話，它們還需要現實世界的大量經驗，需要改變現實世界的能力，才可能做客服的工作。由於這些個人助手全都是在忽悠，所以我看不到有任何希望，能夠利用現有的技術實現機器客服。

可以打個賭。我賭機器客服將會逐漸代替人類機械勞動。只是這個過程是漸進的，就像搜索引擎、機器翻譯，能夠越來越精確，越來越多地提高人類工作效率。

機器學習對世界的改變之大，是不能忽視的。

但人們卻容易低估已經被創造出來的東西的智能程度。要是十年前說自動駕駛，一定覺得那是人類智慧集大成才能發明的東西，說電腦圍棋打敗人類，一定是機器的掌握了一種極為先進的學習方法。突然間這些我們都做到了，但是突然間大家都覺得這些成就是 Trivial 的了。自動駕駛僅僅是圖像識別的進步，AlphaGo 也僅僅是暴力搜索的升級，任何智能的進步一旦被創造出來，就不再智能了。人工智慧的進步變得毫無驚喜，未來依然遙不可及。

真是這樣嗎？當然不是，我們的世界已經被演算法改變的太多。我們的閱讀大部分來自 Facebook（今日頭條）的機器學習演算法推薦，聽的音樂來自 Spotify（網易音樂）的機器學習演算法推薦，購買的東西來自 Amazon（淘寶京東）的機器學習演算法推薦。我們已經生活在了一個幾乎完全由演算法來決定的世界，機器學習已經完全改變了我們的生活。

對於人工智慧的發展特別容易走兩個極端，過於狂熱或者過於悲觀。但這都有一點迷思往往是共通的：人們對於人工智慧的期待總是喜歡對標人類的智能，認為只有像人類那樣歸納和演繹才是智能的表現。然而這種期待是錯誤的，機器智能不會是一種像人類智能成長方式來成長的。正如我在這一波人工智慧泡沫將會怎麼破滅？ - 知乎中提到的：機器智能的發展，是漸進的，是被廣泛應用的，是永遠不會後退的，並且是普通人難以察覺的。

話說回來，倘若你也經歷過機器學習的模型上線，取代人類的經驗系統，帶來 KPI 翻5倍，或者營收翻翻，這樣的巨大震撼體驗的話，或許你也會像我一樣，由衷地認為機器學習的應用前景廣闊，激動不已。倘若當初王垠能夠堅持學習人工智慧，早日投入工業界做應用，恐怕早已功成名就，揚名立萬，成為人工智慧第一吹了。

----

@陳然

奇了怪了，機器學習就是擬合函數這件事很low嗎？還把這個拿出來大講一番。

要說這個世界也不過就是個函數嘛，最多加點概率。各種複雜的函數，你能擬合得上，就是你的能耐。

然而光說機器學習只是擬合函數，這只是一句正確的廢話而已。對於現實問題中需要解決的複雜的函數，能不能擬合？怎麼擬合？用什麼擬合？監督學習和強化學習的「擬合」是一回事嗎？

對於任何一個學科，你都可以用這種類似的方式進行一個「高度的概括」，然而這種概括除了是個真命題以外，一點用處都沒有。

我覺得這種簡單粗暴的學科還原論的思想還是不要有的好。

兩岸猿聲啼不住，輕舟已過萬重山。

「所以別妄想自動編程了。節省程序員開銷唯一的辦法，是邀請優秀的程序員，尊重他們，給他們好的待遇，讓他們開心安逸的生活和工作。同時，開掉那些滿口「Agile」，「Scrum」，「TDD」，「軟體工程」，光說不做的扯淡管理者，他們才是真正浪費公司資源，降低開發效率和軟體質量的禍根。」

我想這就是王垠做不了 Principle 的原因之一……

王垠是一個語不驚人誓不休的人，我們不能忽視他的才華，也不能被他的偏見影響。

文中有一些東西是對的，就是人工智慧有點overhyped，很多人以為有人工智慧是萬能的，曾經有一年輕人說要找我創業，說要用機器學習預測天氣??小弟無語。另外，人工智慧、機器學習、大數據、深度學習等相關卻不相等的概念放在一起說，談論起來很容易失焦。

我某程度同意王兄提到編程是無法自動化的，但當然，有些簡單的編程可以自動化，但要如此做，為什麽不做一個靈活點的模型？

王兄有一些觀念是弱化或歪曲一事物，然後攻之，有點飲管人謬誤在當中。如王垠把機器學習說成是一個函數。是的，機器學習不是萬能，你可以說是一門應用數學學問，有很多統計和最優化的東西在其中，但他要說「機器學習只不過是這些東西罷了」，那就很容易得罪人了。他又批評Peter Norvig的書，如果說得中性點，那是一個很好的學術討論。

當然，自動化對社會的影響還是未知知數，王兄提出的反對意見，和社會上不少人說的差不多，是蠻經典的論述。

其他的，不再詳述。

止增笑耳

BTW: 回國之後，同事老闆都看得懂中文，我就等著看他是不是還敢這麼亂噴。那我就敬他是個真漢子。

雖然我一直不懂為啥還有那麼多人關注他，不過就以他這樣proven failure, 如果他回國自己當老闆公司能成功被收購或者上市，我就給他當真愛粉。

「AI讓成千上萬的人失業」

感覺這可以和「原始人發明輪子讓成千上萬的奴隸失業」相媲美了。所以我們現在應該把小轎車的四個輪子換成四個奴隸，讓他們有充分的工作機會。如此我們社會會更加美好。

「機器學習就是統計學的擬合函數」

我跟第一次接觸機器學習的萌新都會這麼說。However，the thing is，個人看來機器學習和統計所側重的方面完完全全不一樣吧。籠統說機器學習最終會回到數據上去，統計學最終關注得到的擬合函數、得到的規律上去。機器學習更加關注函數形式及其對應的優化目標（損失函數）。統計學更加關注所得規律的顯著性分析等等。

「神經網路研究者根本不研究人腦」

神經網路本身就是一個對神經信號傳導機制的一個極其簡易的抽象模型，至少我見過的做神經網路研究的人從來沒有認為它能和大腦相媲美。神經網路的強勢是因為它在機器學習領域取得了巨大成功，並不是因為據說它「模擬」了人腦，因果關係不能反。神經網路線性層和非線性層的交替本身就有一種形式上的美感，就好似信號在突觸和遞質交替傳遞。批評神經網路和大腦的關係純屬抬杠，研究模擬退火演算法有詳細研究過各種不同材料在不同環境下退火機制嗎？研究蟻群演算法的人研究過不同種類的螞蟻在不同環境下的行為嗎？研究背包問題的人調查過不同品牌的背包在不同緯度上的最大容積的變化嗎？抬杠誰不會呢。其實做神經網路的很多大牛都有神經科學的背景，許多的學術新星也對神經科學和機器學習的結合抱有極大的熱情。畢竟，飛機並不是人造的鳥，但同樣不妨礙我們飛上藍天。畢竟，指責他人的努力總是容易，但銳意進取、腳踏實地的人總是在前面的路上引領我們。

「很多人以為deep learning能做出人類級別職能」

至少我認識的研究者、哪怕最年輕的研究者也對有生之年能否看到強人工智慧表示懷疑。談何很多人？當然個人而言我非常希望有生之年看到強AI的出現，但對此並不樂觀。但我強烈相信這個願望終有一天會實現。仰望星空，腳踏實地。

博主之前的博文也看過，我個人一向覺得每個人有自己的生活方式和行為準則，由此形成的世界觀或許並不能一定幫助他很好的融入某個集體，但無可指摘。今天讀了這篇，博主不遺餘力用極其專業的知識抹黑人工智慧與人工智慧從業者，我有個大膽的想法，覺得他可能是被某個其他計算機領域派來的水軍了。

說說我對垠神這篇博文的看法。先聲明我是他的粉絲，我覺得他性格要是循規蹈矩一點，早就牛逼大發了。但具體到這篇博文，他下面這段話我是嚴重不贊同的，有些年輕人看了垠神的文章可能會產生機器學習也就是統計學的錯覺：

「而「機器學習」這個名字，完全就是一個幌子。很多人都看出來了，機器學習說白了就是統計學裡面的「擬合函數」，換了一個具有迷惑性的名字而已。」

1）這幾乎是一句正確的廢話，還僅僅是在百分之八九十的情況下正確。先舉個簡單的反例，支持向量機是統計學裡面的擬合函數嗎？

神經網路有個重要作用是抽象feature，這算擬合么？尤其是在無監督學習的情況下。

是，很多時候我們就是要在找一個輸入輸出的關係，但come on，什麼事情不是找輸入輸出的關係。做自動翻譯，就是找兩個語言之間的mapping，是是是，本質上是用神經網路擬合一個非常複雜的mapping，但這不是廢話么，怎麼擬合，怎麼擬合，怎麼擬合？這裡面學問大了，我重要的事情說三遍。

2）強化學習。reinforcement learning，垠神的意思可能是不就是擬合一個decision policy么，policy也就是根據歷史選取action的分布的一個mapping么。說是這麼說。。。我懶得吐槽了，我實在無法理解這為什麼是統計。

#####

不過除了上面那句話，我對垠神的其他噴點還是比較贊同的。尤其是評價alpha go的那段。

我覺得未來十年我們生活中不會有什麼重大改變會歸因於人工智慧。

相比大數據，互聯網和雲服務，人工智慧貌似影響力不大。

舉幾個例子吧，有人說以後一些簡單腦力勞動會被機器取代，沒錯。比如我們公司的文秘崗位會變少，但這是現在辦公自動化軟體牛掰了，資料庫做得好，工資系統，招聘系統也都數據化了，這跟AI沒幾毛錢關係。

機器取代了一些簡單的記賬，報稅工作什麼的。這很明顯是軟體工程師的功勞。

美國這邊的家庭醫生，工作就是做一些例行檢查，做一些相對簡單的診斷，碰見疑難雜症就把病人推薦給專家specialist。這個跟AI能扯上一點，但更重要的是現在病例數據化了，工程師才有可能通過大數據，訓練出來一些模型，讓這些模型代替人做判斷。我的point是，就算我用二三十年前的AI演算法，有了足夠多足夠好的數據，一樣可以做得很好。

解放體力勞動貌似就更不是AI擅長的了。。。

自動駕駛，我怎麼覺得是computer vision以及hardware的貢獻呢。自動控制的演算法也是long existing了。

再舉個例子吧，我們現在看視頻，前面的廣告都是根據用戶的消費習慣等特徵，為用戶個人「精心打造」的。就是能戳到消費者的g點讓你買買買。看起來彷彿有個聰明的AI在電腦屏幕後面猜你的心思，其實不是，這只是大數據的一個典型應用罷了。model可以很簡單。

我個人認為，個性化的精準廣告投送，作為data science最主要的研究方向之一，會對我們的未來生活產生巨大影響。而這玩意主要靠big data，Hadoop，machine learning。

總之呢，相比AI，我對大數據和分散式計算更感興趣。

但最讓人感興趣的還是，business在哪裡？

我能不能寫一篇文章，叫做---我為什麼不在乎王垠不在乎人工智慧……

一個偉大的公司，應該為社會創造實在的，新的價值，而不是想方設法「節省」什麼勞動力開銷，讓人失業！

當一個從事理工科的人說出這麼有「情懷」的話的時候，我就知道他是個渣渣。

按照他的邏輯，

農用機械應該全部銷毀，牛都不能留。大幅度提升農業效率，使農民被迫離開土地。

流水線需要全部回到工坊時代，特斯拉的全自動產線全部銷毀。

計算機全部砸了，程序員全部燒死。他們的存在讓傳統行業的人大量失業。

天下才華共1byte，而大神獨佔256。

沒想到誤解更大了，教條都出來了。23333。討論問題最重要的不就是先明確大前提嗎？這種定義看起來沒啥作用，但是他確定了一個圈子裡面討論問題的大前提啊。這個太重要了啊。具體的名稱就顯得不重要了。當然你可以說這個名字取得不好，但是已經用了這麼多年了，也就很多渠道給你明確的定義。

說起來，平時那麼多吵架吵起來的，不都是搞不清楚基本的問題假設嘛。。。知乎也這樣？

-------------------------

我去，竟然被人挂圖了，23333.那就好好說為啥我懷疑WY沒有看過AI那本書了。那本書算是AI的入門書籍了。我發了一下正文的第一頁和第二頁的截圖。懶得仔細看的同學直接看第二張圖裡面的那個表格就好了。就是研究領域對AI的定義的變化了。基本思路就是最開始的時候，最開始大家對AI的定義確實是研究一個像人一樣思考的機器，然後沒過幾年就發現太尼瑪扯淡了。然後想去弄像人一樣工作的機器，或者rationally 思考的機器，發現也太尼瑪扯淡了。最後退化到rationally 工作的機器。所以現在基本上科研人員裡面，搞AI的科學家們說的AI，都是最後一種。這種還沒真的實現呢。

如果說WY只是去噴一下媒體，公眾號，創業的，投資人，忽悠老百姓騙錢，我覺得他幹得漂亮，但是他在噴搞AI的科學家什麼什麼的，真的很讓我懷疑他沒看過這本書啊。還有對與deep learning的評價，真的就是局限在看幾個公眾號的階段了，最多看過兩篇論文吧。你去跟真正弄deep learning的人去討論一下，別去找那些灌水的。裡面的問題很多，現在還去研究為什麼會工作的那麼好呢。PS：WY就算是作為一個公眾號科學家，至少應該能去看看deepmind的paper吧，那裡面可是各種cite神經科學的研究哦。。。

-------------------原回答--------------------

我想他肯定是連AI a modern approach的第一章引言都沒看過

前半篇文章王垠搬出了他自己精湛的無垠經濟學毀天滅地。

完全顛覆勒現代經濟學理論和歷史事實的存在，令人深省。

如果王垠願意放棄計算機科學，用他那「遠超世人的推理能力」來進行經濟學研究，想必也是叱吒風雲的人物。

期待：我為啥離開經濟學，我為啥不在乎諾貝爾經濟學獎等等發人深省的文章。

後半篇，王垠老師又抬出一個哲學的世紀難題 chinese room，並且一語擊破「機器根本沒有思想」。粉碎了哲學家們百年來對意識和機器的思考

讓人感覺醍醐灌頂發人深省，如果王垠拿他遠超世人的邏輯推理能力來研究哲學，想來也能讓哲學界風捲雲涌，掀起哲學的大革命也不為過。

總的來說，王垠真的是千古難遇的奇才。

是能和亞當斯密，約翰納什，愛因斯坦，牛頓，康德等等比肩的在學科中有開創性人物。

最後祝他早日拿到微軟的principle。

他說的沒錯，百分之90的機器學習演算法是在擬合函數。試圖通過研究來讓人工智慧逼近人類智能的學者只佔很少的一部分，大概是類腦計算之類的。最新的ICLR討論焦點：怎樣理解深度學習中的泛化問題，之前認為神經網路隱約存在的記憶功能也被推到了風口浪尖。個人認為擬合是智能的基礎，多層神經網路（CNN,RNN,DGM）在擬合函數(概率分布)的同時，具備了低等的生物智能。hopfield網路和玻爾茲曼機等優化能量函數的方法則是另一類的低等智能。《The Master Algorithm 》形容的終極演算法，集五大學派之大成究竟是否存在，如果存在，它是為我們帶來更接近生物智能的方法，還是讓之前的人工智慧研究與生物智能徹底分道揚鑣，一切都需要時間來證明。

這篇文章有很典型的營銷手法在裡面。

首先，機器學習中的名詞，包括但遠不僅限於神經網路，深度學習，強化學習等，並不是一拍腦門想出來的名詞，舉個例子，神經網路，簡單理解就是一個多層的可反向映射的決策函數或者分類器，其拓撲結構與人腦的神經元極其類似，因此得名，作者將這些專業的，伴隨學術發展而逐漸產生的專業名詞說成是故弄玄虛，典型的刻意貶低，其心可誅。

還有，強調人工智慧就是擬合函數，所有稍稍懂行的人都知道，人工智慧的理論依據，追根溯源，大多來源於分類器和凸優化，凸優化本身就是擬合過程，因此這句話本身沒毛病，但是他這麼說，彷彿是業界把一個簡單的事物故意弄得複雜化，只能說作者非蠢即壞，擬合過程，根本就是個更大，更複雜，更深刻的研究方向，局部傅立葉變換，小波分析等，深度和難度不亞於人工智慧，用"擬合函數"這麼個看似簡單的辭彙，不過是利用大多數人的知識盲區進行誤導而已。

其他的有空再更。

對事不對人，這是王垠最近唯一一篇內容還算不錯的文。

很多位忿忿的原因估計是代入到文章裡面批判的角色去了。實際上，在社會上甚至it公司裡面，這篇文章批評的對象正是大多數。比如，真正搞dl的人誰會真的研究大腦呢，但動輒xx大腦不是業界標準套路嗎。完全不知道ml是什麼的人張口AI、閉口大數據，這些人真就連統計是什麼都不知道。

ML就是研究擬合這話也沒毛病。雖然我認為準確的來說是研究擬合和過擬合。但研究過擬合姑且也算是研究擬合吧。而且講真，哪個搞ML的人不承認這點呢？別提符號啊推理啊啥的，自己心知肚明，那玩意不是主流了，連接主義和貝葉斯才是。

關於自動編程，懂得編譯原理，學過可計算理論的人，都應該知道吧，就現在來說，AI自動編程還是噱頭。

看了一下這篇文章，作為一個估計要靠機器學習養家糊口的人，我表示

這篇文章有一些誤解，但大部分內容我是認可的

講真，不要動不動就強人工智慧，動不動就改變世界，動不動就取代人類，這點我非常贊成。機器學習毫無疑問是有用的，但它說白了是基於統計的推斷，目前的機器學習，包括深度學習，跟「智能」半毛錢關係都沒有。你覺得它智能，只是因為它「看起來很智能」而已。

任何一個對機器學習稍有研究的人應該都能得到這個認識。可惜的是，很多對深度學習大吹特吹的人並不真的研究機器學習，他們只是憑藉自己的主觀經驗和幾篇媒體報道，用想像的方式認識所謂的人工智慧。

這種研究深度學習的流派，我有個朋友起了個名字我覺得非常好，叫做「媒體人工智慧」。研究人工智慧的方法全靠看新聞。

好了不黑了，說回來。機器學習的核心統計推斷，沒什麼可遮掩的，我也不覺得有啥丟人的。不過我想之所以叫「機器學習」，倒不是想嚇唬誰。一方面機器學習不僅僅是統計推斷，另一方面，畢竟機器學習是有明確的目標的，我們的終極目標是要做更智能的東西，當然要有一個看起來屌一點的名號。

下面說要反駁的部分

首先，深度學習是受了認知科學的啟發，但深度學習不模擬人腦。它自己是完整的一套東西，也許某些模型的靈機一動是出於「誒這麼搞說不定可以誒，試試！」，但絕不代表所謂認知科學是深度學習的「理論」。這一點要搞清楚。大部分深度學習的論文，基本上都沒什麼數學證明，所以理論上確實存在不足。但我至少從沒看過一篇論文說，我們的模型有效是因為我們模擬了人腦的xxx結構，我們的模型與認知科學xxx理論有很高的相似度所以它有效。

其次，通用人工智慧是個大問題，我記得MIT還是哪好像有個實驗室研究這個。但……這麼說吧，凡是跟你講通用人工智慧的，都不怎麼靠譜。通用不了的，就我本人而言，我壓根就不相信機器學習能通用。視覺有視覺的問題，語言有語言的問題，行為有行為的問題，每一個大問題底下更有很多互相關係不大的子問題。通用的人工智慧，就是通用的人工智障。什麼都要學，就什麼都學不會。

如果通用人工智慧是可行的，那我想它一定是一個極端複雜，極端龐大，由各個子系統拼接成的龐然大物，而不太可能是一些人想像中小巧優雅，散發著未來氣息的人形裝置。

專門的問題專門建模，專門解決，現在機器學習就是這樣子的。這樣做很有效，很靠譜，很能產生經濟收益。但不美觀，不大一統，不牛逼，看起來就是統計學。

大一統是美的，但大一統很遙遠。現階段，情況就是這麼個情況，您要使勁吹，我們也攔不住，事實上我們自己有時候也吹一吹，但是是理智的吹。我只希望每個人在做決策——比如要入AI這行，要給某創業公司投錢的時候，不要光聽吹逼，多聽專家意見。

第三，這篇文章技術上雖然問題不大，但總有一種自己樹稻草人自己打的意思。上面說了，通用智能也好，超越人類也好，都是外行瞎BB的。講真，至少在現階段，機器學習的研究者真的不是很care所謂的「智能」。機器學習是面嚮應用的解決具體問題的技術，問題能解決好就好了，至於方法是不是「智能」，你以為有人會在乎嗎？把機器學習研究者一頓批，問題是你提出的批駁點本來就不是我們的觀點啊？你批的是外行人的觀點，我願意跟你一起批，但請別一轉頭黑鍋甩我們身上好不。

另外，關於「人工智慧讓成千上萬的人失業」這種話，實在太low，不值一駁。

以前搞房地產的人掙得多的時候，我們眼紅嘲笑房地產都是泡沫；

看到搞金融的掙多的時候，我們都羨慕說別人做的不是實體經濟；

沒想到有一天人工智慧也被噴了，我的內心終於感到了些許的慰藉。

雖然目前我還是沒有掙到多少錢…

我只想問，為什麼還有人在乎王垠的看法？