人人都是产品经理是中国最大最活跃的产品经理学习、交流、分享社区。集媒体、社区、招聘 、教育、社群活动为一体，全方位服务产品经理。本文由人人都是产品经理社区专栏作家 @潘一鸣 原创发布。转载请联系人人都是产品经理。

柯洁大战AlphaGo已经落幕AI这个话题，又开始被人们广泛讨论，人们眼中的AI更多的是《终结者》和《西部世界》那样的会思考且能力极其强大的存在。不了解AI的人，要么极度低估了AI，要么极度高估了AI，这样的论调，就是属于后者。

1. AI会思考吗

在回答这个问题之前，先分享一个答案。知乎上我回答了一个问题——AlphaGo「理解」围棋吗？

答案如下：

一个东西，看起来像鸭子，叫起来像鸭子，那么这就是鸭子。

我们怎么判断人理解围棋？可以和对手下棋，理解规则。有布局有细节操作，根据对手有针对性下法，懂得怎么赢下来比赛。所以我们觉得人理解围棋。机器也可以做到相同的事情，甚至比人做得好。所以机器也理解围棋。

只是人不理解机器而已。机器学习的算法，SVM也好，神经网络也好。不是机器不理解所输入的样本。而是人不理解怎么把机器输出结果的逻辑，用人能理解的逻辑表达出来。

AI会思考围棋。但是，AI会思考么？我倾向于认为目前的AI并不会思考，或者换个角度，目前的AI不会像人类一样思考。

2. 人和AI的学习机制

人是怎么学习的呢？作为一个dota资深菜鸟玩家，当我第一次玩王者荣耀的时候，选了英雄，看了技能介绍，开奖，第一局就拿到了非常好的数据。在这之前，我没有看过任何王者荣耀的视频或者介绍。而整个学习过程只有几分钟。

AI是怎么学习的呢？如果有一个dota碾压职业玩家的AI，想学习王者荣耀，之前训练出的模型瞬间失效。这个时候只能拿到职业选手的大量比赛视频，进行算法训练。整个学习过程需要大量的计算资源，并且需要一段较长时间的训练评估。

这里面看到了人类为作为自然界46亿年进化出的生物算法，相比较婴儿期的AI算法，具有一个绝对优势：快速迁移学习的能力。目前AI并不具有这种能力，而且在可预期的时间内，不可能具有这种能力。

3. 人和AI信息处理机制

脑科学领域研究目前没有突破性进展，我们并不知道人类怎么思考。而在机器学习领域，算法从规则算法升级到机器学习之后，我们也不知道机器怎么思考。

但是如果把人和机器作为一个黑箱，我们发现人和机器作为不同的系统，信息处理能力非常不一样。

在新场景下，人拿到的信息非常少，也能快速适应，比如鲁滨逊漂流荒岛，可以迅速适应并生存。而机器学习在缺少数据和规则不明确的情况下，无法发挥作用。

在稳定场景下，有大量反馈数据的情况下，人的决策能力反而不如AI。这也是人类个体单个大脑算力决定。在面对大量数据的时候，人会归纳数据，分析数据，并从数据中提取大量规则。在遇到问题的时候用规则快速决策。

这个归纳数据，分析数据的过程，本身就是信息丢失的过程。换句话说，拿到1000条数据和拿到10000条数据，对于人而言差别可能不大。而计算机基于统计算法和学习模型，最大规模的保存了信息量，数据量不断增长，决策效率也会不断提高。

总结而言：人可以通过复杂的类比、联想等策略，在无明确目标的新场景下表现良好。AI在明确的场景，并且有足够数据反馈的情况下，可以超过人类的决策。

4. 人类哪些工作会被取代

人工智能会替代的领域有哪些？这是一个老生常谈的问题。

总结而言：长期固定类型的脑力劳动工作者，决策数据来自线上数据库或者可以被线上数据大量收集，工作效果可以有线上数据的反馈或者记录。

在这些行业中，需要根据数据做出判断。而由于数据过载，大量的数据人在决策是时候无法完全利用，只能挖掘数据中的一些规则，做出应对方案。在这样的领域，人是很容易被替代的。

比如运营排期，广告投放，素材设计，医生诊断，等等。

在互联网中，活动排期通常是需要依赖运营手动配置，在个性化推荐引擎面前，千人一面的活动排期本身就是有先天缺陷的。而个性化推荐引擎可以分期所有的历史用户行为，给出最优结果。素材设计目前淘宝已经上线，虽然有时候会有明显的Badcase，但是根据每个人的历史行为数据给出的banner素材，引流效果在总体上肯定是优于千人一面的banner样式的。

广告投放也好，金融分析也好，都是需要分析历史的结果，以及进行不断优化过程数据，而高效处理数据则是算法的强项。