一

和人最大的不同之處是，AI永遠不會說不。?????

這不止是說，當你給ChatGPT派任務時，它永遠會給你一個答案，哪怕是一本正經地胡說八道。

還因為，AI模型的工作方法很大程度上是基于概率：

“它們估計所有選項的概率，即使所有選項的正確概率都極低，它們仍然只會選擇概率最高的路徑。”

有人會說，這不是人之常情嗎？

面對兩個蘋果，傻子也會選大的呀。 然而，兩個蘋果是確定性的，是眼見為實的。 一旦變成概率，大多數人就不會了--

“什么是概率？一件事情發生了就是百分之百，沒發生就是零，哪里有什么30%啊，60%啊，根本不存在。”

更別說，還是兩個正確率都很低的概率。這時，即使是概率信徒，也會失去了選擇的力氣。

比方說，一個相信概率的人，可能會在70%和80%之間選后者。

但如果一個數值是3%，一個數值是5%，還有啥可選的？

如果希望僅為3%或5%，那就相當于毫無希望，根本沒有選的心情了。

我想將其稱為“決策厭惡癥”：

絕大多數人處在僅有“小概率可能”的環境里，就會放棄思考，失去向前選擇的動力，只想躺平。

想想看，當你遇見事情一團糟，或者做事條件不充分，未來毫無頭緒，哪里還有心情在一堆壞事里面，去找那件相對不那么壞的事情？

與人不一樣，AI永遠會行動，即使所有選項的正確概率都極低。

AI永遠會給你答案，哪怕一切模糊不清，“仍然只會選擇概率最高的路徑”。

而一旦以上動作可以迭代循環往復，就會產生驚人的智能。

只有特別厲害的人才會如AI一樣：

哪怕選項再糟糕，也會冷靜地選擇概率相對較大的那一項，然后全力以赴做好。

二

棋手卡帕布蘭卡說：“我只向前看一步，但總是正確的一步。”

這看起來有點兒奇怪，作為一名棋手，難道不應該向前計算很多步，高瞻遠矚，運籌帷幄，為什么只向前看一步呢？”?

的確，所有偉大的棋手，以及決策高手，都會比對手計算得更深遠，并且以終局勝利作為評價當下一手的價值標準。???

然而，即使如此，你也只用為接下來要走的那一步操心。????

以圍棋AI為例，它會計算幾個主要落子點的終局勝率，然后從中選擇勝率最高的那一手。?????????????

這是一個典型的馬爾可夫決策過程。????

馬爾可夫性質（或稱馬爾可夫性）是指一個隨機過程的未來狀態只依賴于當前狀態，而與過去的歷史狀態無關。簡單來說，這就是“無記憶性”。

在馬爾可夫鏈的每一步，系統根據概率分布，可以從一個狀態變到另一個狀態，也可以保持當前狀態。狀態的改變叫做轉移，與不同的狀態改變相關的概率叫做轉移概率。

下棋具有馬爾可夫性質。在這些游戲中，下一步的決策只需要考慮當前的棋局狀態，而無需考慮達到這個狀態之前的所有步驟。

換句話說，棋盤的當前狀態（即每個棋子的位置）包含了決定游戲未來走向的所有必要信息。

所以，可以說下棋游戲符合馬爾可夫性質，因為你不需要知道游戲是如何進行到當前這一步的。

只要知道當前棋盤上各個棋子的位置，就足以決定你的下一步棋應該怎么走。

1、面對未來，以終局為目標，但只操心下一步；

2、回望過去，壓縮可用價值，忘掉得失和情緒。

這才是活在當下的真義。

三

大神Stephen Wolfram談及，ChatGPT嘗試寫一篇文章時，基本上只是在猜：下一個單詞應該是什么？

我們假設已有文本為“人工智能最擅長的一點是...”，然后想象一下掃描數十億個人類編寫的文本（例如網絡內容和數字化書籍），找到所有這些文本的實例，看看下一個單詞出現的頻率是多少。這里概率最高的下一個英文單詞是學習（learn）。

如何計算這些概率呢？Wolfram介紹說：

大的想法就是制作一個模型，好的模型是與人類看法相一致的函數結果，這里就涉及到了神經網絡，它可以被認為是對大腦是如何工作的簡單理想化表達。

ChatGPT的神經網絡基于有數十億個權重的數學函數，根據它所看到的訓練內容，查看數十億頁的文本），“合理地”去猜下一個單詞。

所以，AI的“只看下一步”，不止是胸懷全局，還是一個強化學習的過程。?

在強化學習中，代理（agent）通過與環境交互，進行一系列的動作，從而嘗試最大化累積獎勵。

每個動作都會導致環境狀態的改變，每種狀態都有一個與之相關的獎勵。代理的目標是學習一種策略，該策略能夠根據當前的狀態確定應采取的最佳動作。

機器學習的訓練，令AI的預測越來越準。在與環境的交互過程中，智能體持續自我改進，不斷進化，進而實現了整體的更大回報。??????

從這個角度，更能理解胡先生說的--科學家明知真理無窮、知識無窮，但他們仍然有他們的滿足：

進一寸有一寸的愉快，進一尺有一尺的滿足。

四

選擇最接近的，而非追逐完美。

如笛卡兒所說：

當追隨真理超出了我們的能力時，我們應該追隨最可能是真理的東西。

笛卡爾的這句話，和AI的邏輯有些像。

我們總是生存于在混亂、不完備的狀況之中，如果我們總是糾結于要想明白，要條件充分，要明明白白，要大概率，那就寸步難行。

在已知條件下，找到對你的全局利益相對而言比較優的一手。

馬斯克提過類似的工作方法，他說，你應該設好大目標，別太擔心現在和目標之間的山高水長和種種殘缺，每次想好朝著目標的最優下一步即可。

大處堅定，小處靈活。 辛頓也是一類人，不然神經網絡這種當初被罵慘的路線很難堅持下來。 這和偏執之間的差別是什么呢？也許是大處去“賭”，具體執行則極端理性，極其柔韌，極致務實。

哪怕那一手的獲勝概率極低，也理性選擇，認真走好。

一手棋的勝率是6%，一手棋是3%，雖然都一塌糊涂，但還是冷靜地選6%那一手。 而不是說，反正都很爛，選哪個不是一回事？然后破罐子破摔。 其實，這個時候才是真正考驗高手的時刻。

反過來說，不管一個人的處境多么困難，永遠會有相對較好的下一步。

這就是本文雞湯標題的并不雞湯之處。

這時候，與其哀怨，不如堅定地走出概率最優的一步。

最后

我們不僅要有“永遠都有最好的下一步”的樂觀，還需要評估當下可選項的理性，并選擇相對優的下一步。

AI不僅教會我們機器似的理性決策，還通過模仿人類大腦的方式，反過來提示我們，智能體如何通過強化學習越變越聰明。????

想想看，那正是我們小時候的樣子：大膽試錯，跌跌撞撞。???????

童年，是我們學習速度最驚人的歲月。???

那當然也是我們最快樂的歲月。????????

童年的我們，有一種“相信可能性”的勇敢。就像《愛麗絲夢游仙境》里的女孩，她有時候在早餐的時候會相信六件不可能的事情。

對可能性的信仰和智慧，正是本文想要表達的某種生命中最重要的品質：

基于小概率的100%的勇敢。

這絕非是孤注一擲，一切依然需要基于整體的正期望值。

當所有選項的正確概率都極低，仍然只選擇概率最高的路徑。

想和老喻聊聊嗎？

請加微信：four-feet-friend