人工沟通

当前的沟通革命主角是算法，但算法本身并不新奇。算法的概念至少可以追溯到中世纪，该术语本身源于“花拉子米”（al-Khwarīzmī）的拉丁化，这是9世纪一位波斯数学家的名字。新鲜之处是最近利用了大数据和机器学术技术，使算法缺乏智能这一特殊的特征成为可能。

算法的优势一直在于其执行过程中不需要任何“创造性”思想。与计算机一样，它们根据精确的指令按顺序机械地执行运作。在算法以及依赖于算法的数据的数字管理中，信息处理和映射与理解无关——事实上，在许多情况下，对理解的需求反而会成为障碍。随着要分析的元素数量的增加［达到今天令人难以置信的拍字节（petabytes）和皆字节（zettabytes）］，这些机器的运作变得越来越难以理解——但它们的性能不仅没有下降，而且逐渐变得更加精确和可靠。还有其他方法来测试数字机器程序的正确性。

算法的沟通相关性实际上与它们理解的独立性有关。我们面临着一种不同于人类信息处理和理解的数据处理（和管理信息）方式。笔者的假设是，这种差异不是一种责任，而是这些技术成功的根本所在。正如人类最初实现了飞翔，是因为他们放弃了制造像鸟一样拍动翅膀的机器的想法，在放弃以数字形式再现人类思维进程的雄心之后，数字信息处理成功地实现了我们今天看到的结果。如今算法不再试图模仿我们的意识，算法已经变得越来越能够充当有能力的沟通伙伴，适当地回应我们的请求，并提供人类思维无法构建或重构的信息。

这在我们对算法的实际使用中已经表现得很明显，但在我们对它们的理论研究中并不总是如此。大数据和机器学习领域里使用的隐喻保留了对人类思维及其过程的参考。举个例子，人们普遍认为最近的深度学习程序之所以如此有效，是因为它们基于生物神经网络复制了人脑的功能。然而，正如大多数研究人员承认的那样，我们对大脑的运作仍然知之甚少，这使得这个类比非常奇怪——将我们的无知作为模型是否有意义？如果机器不再试图理解人类头脑中发生的意义，我们不应该找到一种不同的、更合适的隐喻吗？

最近的大数据方法与20世纪70年代和20世纪80年代的AI研究计划有很大不同，后者旨在通过机器模仿或类比（分别为“强”或“弱”人工智能）再现人类智能的过程。现在已经不是这样了。正如一些人工智能设计师明确宣称的那样，“我们不会试图复制智能”——因为这将是一个太重的负担。翻译程序不会试图理解它们翻译的文件，它们的设计者也不依赖任何语言学习理论。算法在不懂中文的情况下，可以从中文翻译文本，它们的程序员也不懂中文。拼写检查器可以纠正任何语言的印刷错误，但它既不了解这些语言，也不了解它们的（变化的）习俗。数字助理在不理解单词含义的情况下使用文字，生成文本的算法“不会像人一样推理，以便像人一样写作”。这些例子在算法最成功的所有领域中都成倍增加。在国际象棋、扑克和围棋中，与人类玩家竞争的算法既不了解游戏，也不了解人类策略的巧妙之处。使用协同过滤的推荐程序对它们推荐的电影、歌曲或书籍一无所知，但运行起来它们却是可靠的时尚引领者。基于计算机的人格判断“自动进行，并不会涉及人类的社会认知技能。”

这些程序不是在复制智能，而是在复制沟通能力。与算法的智能无关，使算法具有社会相关性和实用性的是它们在沟通实践中充当合作伙伴的能力，这些沟通实践产生和传播信息。我们可以说机器学习程序实现的不是人工智能，而是一种人工沟通（artificial communication），为人类提供了不可预见和不可预测的信息吗？也许我们整个社会变得“更智能化”，不是因为它人工地复制了智能，而是因为它以不同的方式使用数据创造了一种新的沟通形式。

社交媒体的巨大成功证实了互联网的重点在于沟通而不在于智能，这在任何数字演化模型中都没有预见到。今天的网络更多地通过联系人、链接、推文和喜好来组织，而不是通过内容之间和站点之间有意义的联系——它是由沟通驱动的，而不是由意义和理解驱动的。每个链接（每个沟通行为）都被视为一个“喜好”（like），“在喜好中”（liking）和“正对此产生喜好”（being like）也被等同起来了。网上发生的一切都被当作事实，从而成为事实、形成结果，并产生信息。