今天，加州大学伯克利分校工程教授、“人类与机器人行动”主任Ken Goldberg在《华尔街日报》上发表评论文章《The Robot-Human Alliance》。
他从上个月棋手在乌镇与AlphaGo合作对局谈起，提出了思考未来AI时代的另一种方式：“机器取代人类”被过分夸大，人类的反馈循环是人工智能系统优化的关键，多样化的人类与机器配合，共同解决问题，才是我们更应该思考的方向。
斯坦福教授李飞飞在Twitter上转发文章，称“再同意不过”，MIT机器人学教授Rodney Brooks等人也纷纷发推表示赞同。
△ Ken Goldberg
以下内容来自Goldberg的文章，量子位编译：
人类再次被机器打败。上月，世界排名最高的围棋选手输给了谷歌的人工智能软件AlphaGo。考虑到围棋的复杂程度，这标志着机器学习取得了又一个重要成就。
然而更重要的是，人们可能没有注意到，某些世界顶尖的围棋选手已开始与AlphaGo合作，进行人机组队比赛。通过研究AlphaGo之前的新策略，选手们有了新思路。他们表示，与人工智能软件的合作给他们更强的信心。
这反映了思考未来人工智能时代的另一种方式。
大部分计算机科学家都认为，关于机器人将取代人类工作的预测被过分夸大。与其担心即将到来的人工智能“奇点”，我们或许更应该思考人工智能带来的“多样性”（Multipilicity）：多样化的人类和机器配合，共同解决问题。
这样的多样性并非科幻小说。机器学习、群体智能和云计算的结合已经深入美国人的日常：搜索文档、过滤垃圾邮件、语言翻译、查找新闻和电影、地图导航，以及管理照片和视频。
可以来看看谷歌搜索引擎。谷歌搜索引擎基于一组算法，这些算法的输入来自大量人类用户，用户的每次点击和跳过链接都会带来有价值的反馈信息。
垃圾邮件过滤器也是如此。每当有人将电子邮件标记为垃圾邮件，或是修改过滤器设置时，人工智能就会对系统进行微调，以确定怎样做才更加合适。
多样性帮助亚马逊推荐图书，帮Netflix推荐电影，以及为Facebook管理消息流中的内容。
数以百万计的的用户通过点击来表现自己的偏好，而这些数据被用于建立和维护统计模型，预测用户的需求。这里的关键是对用户和产品进行分组，而算法可以根据相似人群具有相似偏好的特点来做出推荐。持续的人际交互可以确保，随着新元素的引入和用户品味的变化，系统可以不断发展。
尽管科学家仍然不太理解多样性，但他们已经看到了多样性带来的优势。
研究人员开发了一套被称作“整体学习”的技术。在这种技术中，一组专门的算法协同工作，产生单一结果。
加州大学伯克利分校的Leo Breiman和Adele Cutler共同开发了名为“随机森林”的技术。他们证明，对于存在噪声数据的复杂问题，一组“决策树”的表现要胜过单一树，只要这样的树足够多。
基于同样的原因，几个世纪之前，人群多样性带来的帮助和挑战就已经在政治学、经济学和社会学中得到认可。对群体问题的实验表明，参与人群的多样性比他们的智商更重要。或许，机器学习最有趣的领域是深度学习。在这种技术中，利用人工打上标签的语音或图像数据进行训练，数百万个参数将得到不断调整。
在机器人领域，尤其是自动驾驶领域，许多技术进步都可以用多样性的方式来描述。通过整合不同人群司机的数据，我们可以了解如何在不同环境下做出反应，进而训练多个统计的机器学习方法，并将其运行在分布式硬件上。
系统必须根据道路、天气和交通状况的变化，以及用户期望的变化来持续做出改变和微调。所有这一切都需要持续的反馈循环，而核心是人类。
配合人工智能的集体智慧带来了当前正在使用的最复杂、最高效的系统。如果人类停止提供输入，那么这些系统很快就会过时，甚至恶化。尽管我们在人类因素和人机界面领域已有多年经验，但仍需要更多的研究，将多样化的人群和多样化的机器组合在一起。重要的问题并不是机器何时能超过人类智能，而是人类如何以新方式与机器合作。
多样性的关键是合作，而不是对抗。这类技术不会影响全世界的人类劳动者，而是赋予他们更多力量。
【完】
