德约科维奇大多回合落败…但最终获胜 [AI错误笔记]

by Kim Dongpyo

Published 19 Jul.2025 21:30(KST)

得分率仅五成左右却接近下游选手
但对局胜率高达九成形成压倒性差距
微小的2%~3%差距累积成巨大分化
AI一线同样在失败中以小成就累积成革命
以“概率思维”取代成功与失败的二元划分

编者按审视失败，是通往成功的捷径。“AI错题本”将探究与人工智能相关的产品和服务、企业与人物的失败案例。

AI的历史与现场是“失败的墓地”

Novak Djokovic。AP 联合新闻提供

迄今为止（第1～39期）回顾的人工智能（AI）历史，是一部连续不断的失败史。与AI相关的产品和服务、企业所取得的耀眼成功，本身固然值得喝彩，但与此同时，它们在AI整部历史中只占很小一部分。今天我们享受的AI创新，其实是无数次试错与挫折之上站起来的成果。

AI历史的讽刺之一在于，即便是天才也未能预见AI的未来。提出“人工智能”这一术语的John McCarthy和Marvin Minsky，当时沉迷于符号主义，实际上扼杀了当时AI研究两大支柱之一的连接主义，由此招致了所谓“AI寒冬”。选择与当时主流研究方向不同道路的Yann LeCun，则在“AI寒冬”时代饱受冷遇，坚持了数十年。

在AI产品和服务领域，失败同样从未间断。微软（Microsoft）的聊天机器人“Tay”因卷入种族歧视争议，不得不在上线16小时后紧急中止服务。亚马逊的AI招聘系统也引发了性别歧视、种族歧视的争议。自动驾驶汽车酿成致命事故，医疗AI则做出了错误诊断。

谷歌的“流感趋势”（Flu Trends）项目，曾以利用大数据预测流感为名雄心勃勃地起步，却因混淆相关性与因果关系，最终被废弃。房地产、金融、证券等各个领域都曾寄望于AI革命，但最终虎头蛇尾的案例数不胜数。

回顾AI的历史，会发现错误与失败似乎是必然且无法避免的。既然是人类创造的技术，就不可避免地会反映人类的局限与偏见。要对复杂的现实世界做到完美预测或完全控制，从一开始就几乎是不可能的任务。

错误与失败是成功的土壤：多样性的力量

错误和失败令人畏惧，但为了成功，它们却是必不可少的。

这一点在生物学上同样成立。如果细胞在复制过程中DNA完全不发生复制错误，这种“完美”反而会导致灭绝。

基因复制的完美会阻断变异。没有变异，就会失去遗传多样性；没有多样性，就无法应对环境变化。当冰期到来、瘟疫肆虐、气候剧烈变化之时，如果所有个体都拥有同样的基因，只能在瞬间土崩瓦解。也就是说，完美复制最终会走向完美灭绝。

正是错误产生了突变，其中极少数变异转化为有利于生存的特性，得以通过自然选择。这就是我们今天得以存在的原因。从这个意义上说，生命体本身的存在，就以错误和失败为前提。

同样的原理也适用于AI技术的发展。许多追求完美的尝试，反而经常阻碍创新。只有在允许试错和失败的环境中，真正的突破口才会出现。错误是创新的动力。

偶然与社会环境的力量

如果决定成功与失败的因素只有“努力”一项，我们恐怕很难对失败与错误保持宽容。努力固然重要，但并非一切。

在围绕AI的成功故事背后，隐藏着无数偶然与社会因素。Kunihiko Fukushima早在1980年就已经提出了卷积神经网络（CNN）的核心结构。CNN可以说是机器学习和深度学习的滥觞。

但在当时，并不存在能实现此类模型的计算能力。30年后，Geoffrey Hinton等后辈学者能够凭借类似的想法取得成功，是因为他们“遇到了合适的时代”。那是一个可以试验并实现CNN结构的时期。也就是说，无论多么出色的创意，如果没有社会基础设施的支撑，也只能被埋没。

被称为“AI教母”的Fei-Fei Li构建ImageNet的过程也颇为引人入胜。她在图像分类任务中遭遇瓶颈，却通过亚马逊Mechanical Turk这一众包平台找到了突破口。正是因为全世界的低薪劳动者帮忙标注了数百万张图像，才得以完成名为ImageNet的AI创新基础工程。这是与地球另一端的低成本劳动力这一社会条件相遇后才变为可能的事业。

作为AI原料的“数据”亦是如此。深度学习的基础设计图早在数十年前就已存在，但只有在互联网普及、智能手机这一超个性化数据采集装置的普及，以及社交媒体的出现等构成数据管线的社会基础设施建成之后，才真正焕发光彩。正是当我们所有人都成为为AI提供数据燃料的社会成员时，这些创新才成为可能。

创新不可能在真空中诞生。创意只有与社会条件相遇，才会拥有改变世界的力量。AI的历史表明，创新并非天才个人的功绩，而是社会环境与时代条件共同塑造的复合产物。

当然，也不能试图把一切都归结为“运气”。如果所有结果都只是社会条件和背景所致，那就意味着努力、毅力和创造力都毫无意义了。

事实并非如此。更加平衡的视角是：将创新与成功视为个人创造力与卓越性同社会条件相互作用而形成的复杂产物。

重要的不是完美，而是完成

办公室内正在开会的人们。Getty Image Bank供图

数字世界是由0与1构成的二进制世界，一个清晰而简单的二元世界。然而，我们迄今所考察的AI世界却表明，现实并非如此。成功与失败、完美与不完美如同硬币的两面。AI是在模糊与不确定之中逐步发展起来的技术。

在产品开发和项目推进中，大致有两种路径。第一种是在每个阶段都追求完美的“瀑布（waterfall）模型”，即从策划到设计、开发、测试，每个阶段都要完全收尾之后才能进入下一阶段。

另一种则是通过持续迭代与修改来提升完成度的敏捷（Agile）模型。哪怕不完美，也先做出来，进行测试并获取反馈，在此基础上不断改进。

当今的AI发展，正是典型的敏捷模型。早期AI系统不可避免地简单且局限重重。然而AI市场的领跑者并不会等待完美系统，而是持续将不完美的版本推向市场，再通过试错与反复改进，逐步打造出精细的AI。OpenAI的“ChatGPT”就是如此。

2018年发布的GPT-1以1.17亿个参数起步；到了GPT-2，参数增加到15亿个；GPT-3则扩展到1750亿个。GPT-4的具体参数规模尚未公开，但有说法称已超过1万亿个。

各个版本都并不完美，却在持续吸收用户反馈中不断进化。每当成为话题，就会吸引更多用户涌入，积累更多数据，获得更好的反馈。如果一开始就执着于打造一个完美的AI，ChatGPT也许至今仍被关在实验室里。

“在数学中，失败是一种局部成功。对几乎成功的方法加以修正，往往就能成为成功的方法。”

这是“当代最伟大数学家”之一Terence Tao的说法。

在作为AI学术基础的数学领域，失败同样意味着成功。数学家们很少一次性完美解决问题，而是不断提出假设、进行尝试、获取反馈并加以修正。正如Tao所言，数学思维更接近一种渐进式进化的过程，而非一蹴而就的完美。

前文回顾的AI历史给我们的启示，在此同样熠熠生辉：如果失败是普遍现象，是成功的基石，而偶然与环境又左右着结果，那么我们就没有任何理由等待完美。

重要的是，即便不完美，也要先完成，再推向世界。谷歌、IBM、亚马逊等公司最初推出的服务，没有一项是完美无缺的。但正因为它们被完成并公开，才得以成为后续研究的踏脚石。完美主义是阻碍进步的障碍。AI的历史与现实世界都在强调：重要的不是完美，而是完成。

细微差异决定胜负：德约科维奇与概率优势的力量

那么，“完成”是否必须是了不起的成就？并非如此。极小的完成、极小的差异就足够了。铸就巨大成就的，往往只是微小差别。网球也是如此。

我们一听到“最强”这个词，往往会期待某种压倒性存在。听到Novak Djokovic、Rafael Nadal、Roger Federer这些名字，就会浮现他们压制对手、主宰赛场的形象。我们更熟悉的是他们胜利后怒吼的身影，而非低头落泪的样子。但比赛数据讲述的是完全不同的故事。

在男子网球大满贯单打中，得分是按分数（point）→局（game）→盘（set）→比赛（match）的顺序计算。要赢下一场比赛，需要在5盘中拿下3盘；要赢下一盘，需要赢下6局；而要赢下一局，则需要先拿到4分。

那么，Djokovic、Nadal、Federer这类顶尖选手的单分胜率大约是多少呢？约为54%。也就是勉强高出一半。低排位选手的平均胜率约为51%，中等选手约为52%。差距并不大。即便是最顶级的选手，也在无数回合中失分、丢掉分数。比赛过程中那些“小失败”，对他们而言也再熟悉不过。

然而在整场比赛的胜率上，却出现了巨大差异。低排位选手的比赛胜率约为55%，而顶尖选手则高达90%。在单分层面，他们与中下位选手之间只相差区区2～3个百分点，但最终结果却是压倒性优势。

这表明，微小的概率优势在整场比赛的累积中，会演化为巨大的差距。解释这一原理的，正是“大数定律”。在无数分数与局数的重复博弈中，只要能持续保持哪怕几个百分点的优势，最终就会收敛到胜利。

从头到尾完美无缺的胜利、彻底压制的表现并不存在。重要的是，在每一个瞬间哪怕只领先一点点，积累小小的胜利和微小的概率优势。

从决定论世界观到概率论世界观

迄今为止写下的“AI错题本”表明，以失败与成功截然二分、追求完美答案的决定论世界观，存在明显局限。深度学习的成功，是数十年“失败”积累的结果；创新并非源自可预见的计划，而是诞生于多样性与试错。

AI向我们提出了一种全新的思维方式——概率论式的思维。

AI的运行原理本身，就是概率论世界观的具象化。同样的问题，即便多次向ChatGPT提问，得到的回答也会略有不同。它并不是给出预先确定的结果值，而是根据实时的语境与交互计算概率。

“随机梯度下降法”是AI在学习时使用的核心方法之一。这就好比在大雾弥漫、伸手不见五指的山中，一步一步摸索着往山下走。

这里的“随机”，指的是每次只根据随机抽取的一部分数据来做判断。它并不查看全部数据，而是从样本中抽取一部分，再据此确定方向。

这一方法之所以意味深长，在于它并不试图寻找完美答案。它追寻的不是“完美的下一步”，而是以概率方式探索“足够好的位置”。这种“并不完美”的方式，反而可能带来更好的结果。

自动驾驶汽车的系统，就是这种概率性思维方式的一个极端鲜明的例子。

发生交通事故时，人们通常会问驾驶员：“你看到行人了吗？”回答要么是“看到了”，要么是“没看到”，非此即彼，是0或1。如果有人这样回答：“看到了一点点”“几乎没看到”“大概看到了”“隐约看到”，听上去就非常奇怪。

但这恰恰就是AI的回答方式。AI会用“30%”“3.5%”“55%”“25%”这样的概率来回答。引入AI，意味着从决定论方式向概率论方式的转变。

融合人工智能与股票市场走势图的图像。Getty Image Bank供图

AI革命是一段不断寻找更佳概率可能性的旅程，即便0.1%、0.2%、3%这样幅度的概率提升，也足以带来有意义的变化。成功概率49.9%与50.1%之间只有0.2%的差距，但AI会倾向于鼓励50.1%的选项。0.2%的微小优势，经过累积终将造成决定性差异。因此，哪怕看似微不足道的小小挑战，也始终足够有意义。最终结果或许不由我们决定，但我们可以改变结果发生的概率。

另一个重要问题，是在这一概率系统中人类的角色。AI并非独自运转，人类的输入与反馈会对其概率计算产生决定性影响。围绕医疗AI已经涌现出大量研究结果，其中很多表明AI的诊断准确率很高，但更值得关注的是，人类与AI结合时往往能取得更好的效果。这意味着，在AI时代，人类并非被动存在，而是能够改变概率方向的主动参与者。