分享一本我最近读过的小书——《You Look Like a Thing and I Love You》。这个标题听起来很奇怪，对吧?"你看起来像个东西，而且我爱你"——感觉有点不着头脑，但又有点可爱。其实，这本书关于人工智能(AI)的的书，书名本身也是AI的创意。
作者简介：AI领域的先行者
这本书的作者叫Janelle Shane。大家可能更熟悉Sam Altman或者谷歌、苹果的AI团队，但对于真正的AI领域前沿学者和专家，我们并不太了解。Janelle Shane就是这样一位专家，她在当前AI浪潮席卷之前就已经开始从事这方面的研究了。
Shane是一位作家、演讲者，主持了多个杂志专栏，还写了一个名为"AI Weirdness"的博客。早在2010年代，她就开始从事AI相关研究。她在TED上做过演讲，也接受过多次专访。这本书于2019年出版，当时ChatGPT还没有问世，OpenAI也才刚刚成立。
Janelle Shane的个人网站
https：janelleshane.com
书中亮点：AI的广泛应用
这本书并不局限于我们现在熟知的AI技术，而是探讨了更深层次的问题：AI如何学习?AI存在哪些系统性问题和优势?在2019年人们对AI还不太熟悉的时候，它已经在哪些领域投入应用了?
有趣的是，书中提到了AI在中国的一个应用案例。在四川西昌，有一个饲养了60亿只蟑螂的农场。这个农场使用AI来控制温度、湿度等条件，以创造最适合养殖蟑螂的环境。这些蟑螂被用作一种叫做"康复新液"的中药原料。
路透社关于这个蟑螂农场的报道：
https：reuters.com/article/us-china-cockroaches-id..
这个例子让我意识到，AI在2019年及之前就已经在很多领域投入使用了，包括游戏和工业领域。比如，在刚结束的奥运会上，法国的游泳池就使用AI来调节水温，保持最适合运动员的温度。
传统编程vs机器学习
作为一个外行，我一直好奇传统编程和机器学习的区别。这本书给出了很好的解释：
传统编程是基于规则的，需要人为调整逻辑。
机器学习是基于数据驱动的，从数据中学习模式。
传统编程由人来编写程序，创建数据库或网站。而机器学习可以用于图像识别、自然语言处理或数据预测分析。
这个定义让我们清楚地认识到AI的局限性。人为制定的规则可以跳出现有数据框架，创造全新的东西。而机器学习更多是在已有的大量优质数据基础上进行分析，确定共性，然后开发程序。
AI的"捷径"思维
书中提到了一个有趣的概念：sneaky shortcut(狡猾的捷径)。AI在执行任务时，会尝试走捷径。
1997年的一项实验就发现了这一点。程序员开发了两个算法来玩井字棋(Tic-Tac-Toe)。其中一个AI想出了一个人类无法想到的方法：它让自己的棋盘变得无限大，导致对手(另一台电脑)因内存溢出而系统崩溃，从而取得胜利。
这让我想到，人类其实也类似。我们的大脑也倾向于使用简单化的框架来节省脑力，而不是费力思考。如果你听过我之前关于Daniel Kahneman的"系统1和系统2"思维的播客，就会知道这一点。
数据质量的重要性
另一个重要观点是"garbage in， garbage out"(垃圾进，垃圾出)。如果给AI优质数据，它输出的也会是优质数据。这一点对人类也适用。
比如，中国传统教育理念强调选择好的环境。如果一个孩子的天赋稍弱，但周围都是聪明、有才华、乐于助人的小伙伴，那么他通常也不会差到哪里去。这就是一种"优质输入，优质输出"的体现。
如何更好地使用AI
从这本书中，我学到了一些实用的AI使用技巧：
Narrow the task(缩小任务范围)：给AI一个明确的、可控的范围来工作会非常有效。比如，如果你要AI提供设计建议，可以先指定它的角色(如资深设计师)，然后明确问题领域(如用户体验设计)，再给出具体问题和例子。
注意偏见(Bias)：AI可能会出现幻觉(Hallucination)，即非常自信地给出错误或想象的答案。此外，数据本身可能存在偏差。比如，如果你让AI生成"科学家"的图像，可能大部分都是男性，因为历史数据中男性科学家占多数。
批判性思维：作为使用者，我们需要意识到AI的局限性，带着批判性思维去看待它提供的内容。
道德考虑：我们还需要考虑隐私保护、AI替代人类工作等伦理问题。
结语：乐观但谨慎
面对AI，我的两个主要收获是：保持乐观(Be optimistic)和保持谨慎(Be cautious)。
我们应该乐观地看到AI能极大提升我们的工作效率。比如，我现在用AI辅助podcast的文字输出、翻译校对和图片生成。但同时，我们也要对AI的输出保持谨慎态度，进行必要的验证和思考。
就像Andrew Ng说的，担心AI会取代人类，就像担心火星会变得非常拥挤一样。在当前阶段，我们更应该考虑如何与AI良好合作，发挥人类的独特优势。