内容介绍
《新未来简史》旨在颠覆过往绝大多数有关人类未来的预测与推断，最大限度地靠近事物的本原。以特有近乎刁钻的视觉、博杂的知识、激情的文风和严密的逻辑，联动前沿科技（如区块链、人工智能、大数据等黑科技）与社会、自然、经济、金融、人文、历史以及人性驱动下的人类竞争、价值创造等进行了深入的思考与推演，展现出"气势恢宏、磅礴瑰丽”的未来价值场景，极具吸引力。
其中，本书率先提出"大数据悖论、算法马甲、科技道德定律、资本科技悖论、大生态人力论、分工悖论，互联网将被替代、人工智能让人最终摆脱无用阶级、追算你的9倍价值、未来人类演进9大范式”等独到的观念或理论，极具"颠覆”性，刷新人们的五官。有利于人生、事业的未来布局。
书籍摘录
技术冲击的另一个视角
诸如像波士顿这样的少数派的加入，让这次以智能化、信息化为核心的技术大变革（又称第四次工业革命）对未来就业市场前景形成了两种不同的判断（即多数派认为：人们未来将大规模失业，甚至被AI替代的；少数派则认为：与无数新工种将被创造出来，人们不会受到多大冲击）。
本书认为，如果换个角度去理解的话，这两派的观点实际上都是没有问题的：多数派主要强调这次大变革的过程，或许过分悲观地评估了过渡期的威胁；少数派则更加注重这次变革的机会和所带来的综合性结果。
然而，问题就出在：一些人对人工智能这个行业技术了解得不多或不够深入，另一些专业人士却认为机器可能会突破“意识”，他们所形成的误解与误判导致的结果就过分夸大了人工智能的“智能”，制造出了人工智能将全面替代人类，从而让绝大多数人将沦为无用阶级的预测与论断，甚至炮制出了“强人工种智能”和“超强人工智能”这些子虚乌有的概念和物种。
这个就像看到艺术家雕塑出的人物太过栩栩如生了（如下棋、问题抢答、人脸识别等战胜人类的技术等一样），于是就突发奇想地得出“只要再雕刻出内脏与脑髓并放进体内，这些雕像就会变成活生生的人”一样的预测与结论。
实际上，人工智能连两三岁小孩的通用智力都远远未达到，甚至比后者的差距呈几何级数，而且机器是不可能突破人类连门都未曾摸着的“意识”的这一精神巨沟的，所以，正如前文所说：不破意识的一切科技只能是工具，包括人工智能、算法与数据挖掘等。
既然是工具，那么，人工智能是不可能全面代替人类的，更不可能统治、奴役人类。而只能帮助人类提高工作效率，帮助人类去做那些简单、重复性、没有创意的、“通用（跨领域的复杂逻辑推理、丰富的想象、跨界组合思维、情感交织下的冲动或理智举动、判断等）智力”运用很少的工种，当然，这类工种确实很多。
在前述“多数派报告”中，最让人们担心的事情就是如今很多工种、工作将很快被自动化的人工智能所替代。以美国为例，许多权威机构都认同在未来10～20年，美国有47%的就业人口可能会面临失业风险。这里引用牛津大学马丁学院的技术与就业项目评估报告[i]，涵盖了自动化风险（被人工智能替代）最低和自动化风险最高的职业。其中，0分表示完全没有风险，1分表示该工作存在被某种计算机即人工智能替代的一定风险。
自动化风险（被人工智能替代）最高的职业
如下：
电话销售员，概率是0.99；
报税代理人，概率是0.99；
保险鉴定、车辆定损人员，概率是0.98；
裁判和其他赛事官员，概率是0.98；
法律秘书，概率是0.98；
餐馆、休息室和咖啡店工作人员，概率是0.97；
房产经纪人，概率是0.97；
农场劳务承包商，概率是0.97；
秘书和行政助手（法律、医疗和高管助手除外），概率是0.96；
快递员，概率是 0.94。
而自动化风险（被人工智能替代）最低的职业如下：
与精神健康和药物滥用相关的社会工作者，概率是0.0031；
编舞人员，概率是0.004；
内外科医生，概率是0.0042；
心理学家，概率是0.0043；
人力资源管理者，概率是0.0055；
计算机系统分析师，概率是0.0065；
人类学家和考古学家，概率是0.0077；
海洋工程师和造船工程师，概率是0.01；
销售管理者，概率是0.013；
首席执行官，概率是0.015。
如上统计，我们可以看出：最容易被自动化（人工智能）替代的工种往往具有重复性、缺乏创意、更多趋向于机械模式的特点，这些工种大多数都集中在具有中、低等技能水平且工资水平较低的人群，而这正好就是机器自动化（人工智能）的长项。不容易替代的职业的特点主要涉及复杂的逻辑思维与判断、富有创造性、复杂经验的积累、丰富情感的融合、对艺术的理解与创造等特点。
而且，上述报告数据显示，前者的替代性非常高，后者根本就不可能被替代，这实际也支持了本章的一个观点：人工智能是不可能全面替代人类的，至少在其能预测到的期限内。当然，我们依旧坚持并再次强调：在不破意识的情况下，机器是永远都不能全面替代人类的，它们只能是人类使用的工具而已。
炫技“狗”的秘密
棋类比赛的“人机大战”，为什么从战胜国际象棋世界冠军到战胜围棋世界冠军，计算机要等20年？人机对弈玩了30多年，按照常理，应该早已麻木了，然而，为什么“阿尔法狗”这场持续一年之久的“人机大战”，人们依然热情未减呢？
在回答上述问题之前，我们先简略地回顾一下阿尔法狗近一年来的疯狂表现。
2017年5月27日，世界排名第一的中国九段围棋选手柯洁在与人工智能“阿尔法狗”（AlphaGo）艰苦拼杀后，以总比分0:3败北。在鏖战现场，柯洁忍不住哽咽落泪……或许这次巅峰对决，早已超出了“赢与不赢”的问题本身，而是寄托了人们太多的希望与担忧。所以，柯洁哭的或许不是他自己，似乎是某种历史的终结。
实际上，早在2016年3月15日，“阿尔法狗”曾以4:1大败韩国顶级围棋棋手李世石后，世界便炸了锅，各类大尺度的观点和预测甚嚣尘上。此后的一年多时间，“阿尔法狗”将双手交叉放在背后，踱着方步，被自己何时才能被打败的问题弄得忧郁不已……
如果说，“阿尔法狗”与李世石的交手是攻陷人类围棋的智慧堡垒的话，那么，这次与柯洁的表演便是锁定了人工智能在围棋的胜局。当然，在此之间有一场“阿尔法狗”以“反向车轮战法”围猎世界高手的世纪大战，可谓精彩绝伦。所谓“反向车轮战法”就是以单一个体的力量依次挑战群体中的所有个体，以不败反胜的方式达到围剿群体力量的效果。这就是实力差距的“太远”。
2016年12月29日晚到2017年1月4日晚，“阿尔法狗”在弈城围棋网和野狐围棋网以“Master”（大师）为注册名，依次对战数十位人类顶尖高手，击败15位世界冠军，其中包括中国、韩国、日本各自“当今第一人”的柯洁、朴廷桓和井山裕太，以59胜1平0负的辉煌战绩为这次“阿尔法狗”“燕山勒石”的胜迹奠定了基础。
自此，“阿尔法狗”连“独孤求败”的美名都不要了，直接宣布退隐江湖。似乎在说，“本帅从此封刀，不再且不屑与你们玩了”。这种大胜利的高姿态，或许把“阿尔法狗”的创始公司DeepMind及其东家“谷歌”给乐坏了。
毕竟这场持续一年多时间的风光表演再次引爆了“人工智能”这一世界性热点，这不仅让谷歌收获了涵盖广告、科技、巨大商业价值链对未来催化及影响的丰硕成果，更是将人工智能这一世界话题推升到了一个崭新的认同、联想与落地的事业高度。
问题来了，正如本章开篇所述，DeepMind团队早在2016年1月便将阿尔法狗的运作原理公开于《自然》杂志之上，而且，如此神勇且耗资无数的研究发明，为何就这样轻易地分享给世人了呢？其中，或许有四大原因：
一是或许DeepMind志向高远，其目的绝不仅仅只是玩玩围棋，诸如开发一些简易的棋类软件，卖给消费者赚点小钱，过过快活的小日子什么的，而是要将此技术、思维和积累的经验转移到其他领域，从而为企业同时也是为社会带来巨大的价值。
二是首选“攻破围棋不可战胜”这一世界性宿论，而不是其他领域，其媲美“核弹爆炸”的广告及其连带效应已经达到。
三是阿尔法狗的运作原理并非深不可测（但其开创性思维和技术探索绝对意义重大，犹如人类其他的重大发明一样），与其藏着掖着，还不如公开，以便推动人工智能整个行业的繁荣与发展，所以，2017年10月，升级后的阿尔法狗算法又被再次公布。
四是阿尔法狗的运作原理虽然似乎很简单，但是，要开发并训练出这样高级的“棋手”，很烦琐、很复杂，成本很高昂，实非易事，更为重要的是要花费巨资，仅仅玩一个比赛，其实用性有限，所以，其他机构、国家再做这么高级的“狗”，意义实在不大。
前面讲过，超级级计算机“深蓝”战胜国际象棋棋王用的是“穷尽一切可能的暴力搜索法”。由于国际象棋棋盘由横纵各8格、颜色一深一浅交错排列的64个小方格组成，要计算所有可能的棋步，大概是10的四十几次方，虽然计算量巨大，计算机还是可以应付的。
但是，对于围棋来说，由于棋盘纵横各19道，共有361个交叉点。对手下一着棋子下去，你有360种走法，就此再向下测算以指数级别增长的各种棋局（搜索量达到了惊人的10的170次方）结果，目前计算机根本就不可能完成，所以，围棋早先一直被那些科技内行们预测是不可战胜的。比如，假设规则允许的话，你落下一颗棋子，然后回家睡觉一天，回来后发现计算机还没有落下对弈的一颗棋子。所以，对于围棋，计算机的计算能力遇到了瓶颈，这也就是在“深蓝”战胜人类国际象棋之后，计算机二十多年沉寂，不问棋事的原因。
“深蓝”这种办法行不通，需另辟蹊径。有人想到了结合“概率”的算法。于是“蒙特卡罗方法”（Monte Carlo Method）出场了。这一方法也称统计模拟方法，是20世纪40年代美国在第二次世界大战 “曼哈顿计划”计划的成员S.M.乌拉姆和J.冯·诺伊曼首先提出，并以驰名世界的赌城——摩纳哥的Monte Carlo来命名这一方法的。该算法就是以某种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。
蒙地卡罗方法首先被人用在国际象棋上运算，似乎根本行不通，直到2006年，有人发展了蒙地卡罗方法，即在此方法上加了树枝状搜索，从此探索出电脑围棋编程的另一条通途。这一改进的方法就是“蒙地卡罗树搜索”。该搜索法面世后，那时就有人惊奇地预言说，未来不久，电脑将在围棋上击败人类顶级选手。而此之前，人们一直相信围棋是不可战胜。这一预言只经历了十年，即2016年就变成了现实。所以，技术是改变一切的真正神器。
根据谷歌曾在《自然》杂志上公布阿尔法狗的运作的基本原理，分别如下：走棋网络（Policy Network），给定当前局面，预测和采样下一步的走棋；快速走子（Fast Rollout），在适当牺牲走棋质量的条件下提高速度；价值网络（Value Network），给定当前局面，估计双方胜率；蒙特卡罗树搜索，就是把以上三个部分串联成一个完整的系统。该搜索法并没有穷尽所有的走法，而是先完成数十步计算以后，剩下的便靠概率模拟算法（传统的局部特征匹配与线性回归两种方法演算出可能胜负作为依据）来推算获胜可能，并据以选择棋步。
其中，阿尔法狗所计算的那数十步很重要，用到了三个重要的概念和算法，即“深度神经网络”“卷积神经网络”和“增强学习网络”。这三个概念非常重要，并由此很好地体现“深度学习”与“增强学习（也称加强学习）”的概念。这数十步到底是如何计算的呢？
阿尔法狗在比赛之前便通过“深度神经网络”开始“学习”（形象的比喻，实际上就是计算机的反复计算与修正）。深度神经网络是一种模拟人类脑神经系统的运算流程，有资料输入端与输出端，中间则是运算神经元（由无数晶体管组成），透过一次次“学习”，比对输出资料与正确资料的差异，反馈调整神经元的运算参数，便能“学习”某种运算技能。这里输入的资料便是数以亿计的历史棋谱，包括所有顶尖高手曾经下过的棋谱，输出资料便是这些高手在各种棋局下获胜的走法，反复调整参数，使得计算机输出的资料与获胜的资料尽可能相同，这些信息便储存在计算机里，相当于人们记住了某些烦琐的操作一样。
注意，深度神经网络的“深度”，就是运算神经元有许多层，每一层处理原始资料的一种特征，多层汇总，以达成强大的运算能力。但是，像围棋棋谱这样的原始资料非常复杂，这么多的资料（棋盘上所有方格）都传输到神经元上的话，那么电脑处理起来很吃力，所以，输入资料需要有所选择，于是“卷积神经网络”出场了。
卷积神经网络的运算神经元，接受的并不是棋盘上的全部资料，而只是来自棋盘上邻近方格的资料，这样就大大简化了处理程序。例如，阿尔法狗从棋盘上选取48种布局方式的特征，利用13层神经网络予以分层处理，反复“学习”、反复调整参数，这样就实现对当前棋局的辨认，就像人们学会了某种复杂事项的处理一样。于是，在实战中，只要一遇到某种棋局，阿尔法狗便能对照存储库中庞大现成棋谱及其最接近胜利（如选择顶级高手的下法）的走法予以辨认，好像顶级棋手亲自到场一样，步步胜算。
此外，为了增强对战能力，还需要用到“增强学习网络”，让阿尔法狗与先前下过的棋局对战，或者干脆让其跟自己下棋，就像金庸笔下周伯通在桃花岛开创的“左右互搏”术一样，以累积更多的实战经验。
增强学习网络是一种半监督式学习，没有标准答案，通过程序设计，下赢了棋局，收获正向回馈，下输了便会被扣分。由此慢慢累积学习经验，越学习越厉害。当然，这种学习是需要一些时间的。不过，对于计算机来说，高速计算与不知疲倦就是它的长项和特色，全人类几百年来下过的全部棋谱，对“阿尔法狗”来说，“学习”分析一遍只需要花费几天时间而已。
“阿尔法狗”自己“左右互博”2000万盘，如果是一个人，按15分钟练一盘来算，也需要600年。“阿尔法狗”的奇迹就是，仅仅用几个月的时间，通过“学习”，就能模拟人类围棋招式的几百年进化历程，同时优胜劣汰，形成自己的棋风。所以，当“阿尔法狗”在与李世石对弈时，还输了一盘，但在一年后再与柯洁对战时，却把柯洁下到哭泣。也就是这半年时间，阿尔法狗通过增强的“学习”使其功力至少提升了数十倍。
由上，“阿尔法狗”原理中所用到的“蒙地卡罗树搜索”根本就算不上传统的人工智能。当然，上述被认为最可能像人一样智能的“机器学习”“深度学习”和“增强学习”，也是对计算机通过输入资料到输出资料反复测试以达到最佳效果的这些编程，其自发运行过程的一个拟人化的比喻。不仅如此，这些“学习”所涉及的“深度神经网络”和“卷积神经网络”更是一个美丽的比喻，不过是一大堆模仿大脑用的晶体管、存储器与无数传导线等元件组成的系统而已。
虽然我们每个人心中都有一个自己的“人工智能”，但是，更多的民众或许真的就把这些比喻当成了现实，以为机器真的可以像人一样有意识、自觉地去学习、思考了，实际上它们仅仅是按照人类的编程运行，交互式自动控制的机器，与本章开篇所说的复印机的故事有很多相似的地方，只不过绝大多数挂名为人工智能的器械、系统要比复印技术高级、复杂得多得多。
或许，神秘得人气爆棚的人工智能就是：主流倡导者们相信机器未来会有意识（现实中连边缘都未触及），在推动各类计算机技术飞速发展的过程中，创造了“智能”“神经”和“学习”这些比喻性的词汇与概念，同时制造了可怕的预测；而局外的广大民众混淆了这些概念的“比喻性”，忽视了机器“智能”“神经”和“学习”的真相，以及和人类的真正差别，进而相信并传播了这些可怕的预测，从而制造了恐怖。当然，这些预测和恐怖与人工智能改变世界的巨大实用价值和前景是两件不同的事情。
