讀AI未來進行式筆記10幸福感

1. 幸福感

1.1. 所謂的抑鬱只是製藥公司發明出來的營銷概念

1.2. 幸福是非常主觀的感受

1.2.1. 對於中低收入人群，財富的確能帶來一定程度的幸福感

1.2.2. 可一旦超過一定的金額之後，它的邊際效應就會遞減，甚至還會有反效果

1.2.3. 中了彩票的人並不比對照組更幸福

1.2.4. 事故受害者儘管當下更不幸福，對未來幸福感的預估卻和普通人無異

1.2.5. 通往自我實現的道路並非一路向上，而是起起落落，有高峰也有低谷

1.2.6. 如果被不安全感控制，你就無法得到真正的愛和歸屬感

1.2.7. 幸福不是一件非黑即白的事情，而是一種持續的追求

1.3. 沒有意外也就沒有靈感

1.4. 在科技巨頭壟斷的時代，所有人的資料像一座座孤島，分佈在不同的產品海域

1.4.1. 每座島嶼只負責處理某個特定領域的事項：娛樂、購物、社交、職業、健康、投資、保險

1.4.2. 有時這些資料島嶼會被切分成更垂直的品類，但更多時候是島與島之間的融合兼併

1.4.3. 巨頭們用演算法操控人們的心智，左右政治選舉結果，散佈關於種族仇恨與性別歧視的言論，濫用或洩露個人隱私，強化資訊繭房，讓使用者沉迷於即時性的感官刺激，甚至上癮

1.4.4. 如果沒有中介軟體透過標準介面抓取到你分散儲存在各個平臺上的資料，再交給AI進行聯邦學習，就不可能最大化地滿足你的需求

1.4.4.1. 中介軟體技術供應商必須遵守政府制定的可靠性、透明度與一致性的標準，並透過付費訂閱方式避免與大平臺爭利，或者受流量變現的誘惑而走上巨頭的老路

1.4.4.2. 中介軟體系統的相容架構允許兩套演算法並行不悖，如同在同一片海域中的兩股洋流

1.5. 定義的問題

1.5.1. 到底什麼才是“幸福”？

1.5.2. 從馬斯洛的需求層次理論到塞利格曼的積極心理學，歷史上關於幸福的定義和理論不計其數

1.5.3. 這個問題更復雜的地方在於，20年後，人類的生活水平將在AI技術的加持下實現質的飛躍

1.6. 衡量標準的問題

1.6.1. 幸福”是一個抽象、主觀而且千人千面的概念

1.7. 資料的問題

1.7.1. 要開發能夠給人類帶來幸福的強大的AI，離不開海量資料的支援，其中的大量資料還會涉及個人隱私

1.7.2. 《通用資料保護條例》是一套保護個人隱私和資料的新規，旨在幫助人們重新收回對個人資料的掌控權

1.8. 資料儲存安全的問題

1.8.1. 歷史告訴我們，只有當這個實體的利益與使用者的利益完全一致時，穩定可靠的關係才能被建立起來

1.8.2. 在未來，如何找到或建立一個其自身利益與使用者利益一致的實體，或將成為最關鍵的問題

2. AI時代的幸福準則

2.1. 1943年，美國心理學家亞伯拉罕·馬斯洛發表了著名的《人類動機理論》

2.1.1. 五個層次，呈金字塔形，由低到高依次是生理、安全、愛與歸屬、尊重以及自我實現方面的需求

2.1.2. 金字塔需求模型最底部的兩層基礎需求已經得到滿足的人，會更願意去追求更高層次的精神幸福，如愛與歸屬、尊重、自我實現等，而不是追求物質財富、肉體歡愉這類較低層次的幸福

2.2. 心理學家邁克爾·艾森克（Michael Eysenck）用“享樂跑步機”來形容人類的幸福感狀態

2.2.1. 儘管生活中會有許多積極或消極的事情發生，個人的物質財富也有增有減，但人們的幸福感最終會調整到一個相對穩定的水平

2.3. 物質財富確實能在短期內讓幸福感有所提升，但長期來看，物質財富與幸福感的關係並不大

2.4. 對幸福的追求也將從膚淺的物質享樂轉向更高的精神追求

3. 如何利用AI衡量和提升幸福感

3.1. 直接問就行了

3.1.1. 透過問答的形式來評估人們的幸福感，可能是目前最可靠的方法，但這種方法不便於長期使用，因此必須開發其他的衡量手段

3.2. 依託於一系列日新月異的技術

3.2.1. 利用物聯網裝置（攝像頭、麥克風、運動檢測儀器、溫度或溼度感測器等）捕捉使用者的行為反應、面部表情、聲音資訊，然後使用情感計算演算法（識別人類情緒和情感），輸入所採集到的物聯網資料，輸出每個人的情緒識別結果

3.2.2. 情感計算演算法不僅能夠識別出人們的普通表情（通常持續0.5―4秒），而且能識別出微表情（通常僅持續0.03―0.1秒），這些表情包含了豐富的情緒資訊

3.2.3. 臉色也是演算法能夠識別的重要物理特徵之一

3.2.4. 人在講話時聲音的高低、節奏的快慢、語調的輕重，也可以用作評估一個人情緒的有效特徵

3.2.5. 因為能識別出如此多的特徵，AI會比人類更準確地檢測出一個人的情緒（諸如高興、悲傷、厭惡、驚訝、憤怒或恐懼等），而且AI還可以在同一時間內對多人進行觀測，然後結合對周圍人的觀察結果，得出更進一步的評估結論

3.2.5.1. AI識別人類情感的能力已經超過了人類的平均能力

3.2.5.2. 儘管AI能夠精準識別人類的感情，但這並不代表機器人也能表達感情，更不代表機器人有感情

3.3. 持續監測與特定感覺和情緒相關的激素水平

3.3.1. AI可以識別出客人在進行什麼活動時會感到快樂，處於什麼環境下會感到幸福，然後利用這些資料訓練AI模型，讓其能夠識別幸福感

3.4. 要建立一個真正科學嚴謹、永不翻車的“幸福發電機”，我們需先在科研層面解決一些極為棘手的問題

3.4.1. 要制定幸福感指標

3.4.1.1. 人類的心理狀態是由腦電波、大腦組織結構以及身體內的化學成分（激素）這三部分協同決定的

3.4.2. 實現更高層次的需求意味著不再尋求當下的滿足感，而是要追尋人生的意義或目標，併為之付出長期的努力

3.4.2.1. 長週期學習對於AI來說非常具有挑戰性，因為當測量出一個人的幸福感上升時，AI無法確認這是當下的活動所導致的結果，還是上週或者上一年的某個事件所導致的結果，甚至不排除是以上多重事件共同導致的結果

4. AI資料

4.1. 資料聚合是構建強大的AI必不可少的步驟之一

4.1.1. 透過“淘寶”知道我們想要購買的商品

4.1.2. 透過“支付寶”知道我們的資金流動情況

4.1.3. 透過“高德地圖”知道我們去過的每個地方（除非我們關閉了定位功能）

4.1.4. 透過“餓了麼”知道我們的口味偏好

4.1.5. 透過“天貓精靈”知道我們在家時都做了什麼

4.1.6. 阿里巴巴可以為我們提供非常獨特的定製服務，同時，阿里巴巴也將源源不斷地從數億人身上收集到海量的資料

4.2. 網際網路巨頭對我們的瞭解可能遠超各位的想象

4.2.1. 它們不僅可以推斷出我們的家庭住址、種族、性取向，以及我們為什麼心情不好，甚至還能猜到埋藏在我們心底的秘密，如偷稅漏稅、酗酒或者婚外情等

4.3. 隱私問題不但引起了人們的重視，也引發了政府關於應該如何行動的探討

4.3.1. 對於資料是否會成為網際網路巨頭壟斷的根源這一問題，包括中美在內的多個國家都在密切關注

5. 通用資料保護條例

5.1. 設計GDPR的初衷（透明度、問責制、保密性）是善意的、高尚的

5.1.1. AI是不斷進步的技術，會不斷有新的應用出現，所以在收集資料之初，系統無法窮舉每一條資料未來的所有用途

5.1.2. 如果企業在每次進行產品功能升級時，都就每條使用者資料徵得使用者的同意，那麼對於使用者來說，也是不可接受的騷擾

5.1.2.1. 使用者造成極大的干擾

5.1.2.2. 絕大多數使用者都是未經思考就“同意”授權，所以並沒有真正實現保護使用者資料的目的

5.2. 推行GDPR是一個良好的開端，為世界提供了一種新思路，有的國家正以此為基礎構建自己的資料保護體系

5.3. GDPR的最終願景是將個人資料的使用權還給個人，讓每個人都能控制並知悉個人資料將會被誰檢視、使用並從中獲利，而且有權拒絕其他個人或機構使用這些資料

5.4. 2018年正式生效的GDPR規定，企業對使用者資料的使用必須是透明的，使用者有權瞭解自己的資料將被如何使用

5.5. GDPR還要求，如果使用者對AI的判斷不滿，使用者有上訴請求人類仲裁的權利

5.6. GDPR的目標是確保企業儲存最少的資料，同時確保企業立即刪除儲存時間超過一定期限的資料

5.6.1. 這些都會嚴重影響AI的效果和發展

5.6.1.1. 不是失去了原有的功能，就是變得不再智慧

6. 可信AI

6.1. 與其捨本逐末，因對隱私方面的擔憂而全然捨棄AI所能帶來的便利，不如等到技術成熟時，嘗試構建一個值得信賴的“可信AI”

6.1.1. 可信AI將代表我們，根據我們每個人的價值觀和喜好，以及提出資料請求的企業的可信度，評估對方所提供的服務是否值得我們冒提供資料的風險，然後做出決策

6.2. 可信AI不僅擁有我們的全部資料，還可以利用這些資料判斷出我們的想法和情緒，也就是說，在“可信AI”面前，即便我們試圖隱藏，我們的一切也將無所遁形

6.2.1. “可信AI”不僅會成為使用者的強大助手，還會化身為資料保護者，以及所有應用程式的介面

6.2.2. 我們可以把它視為在AI時代為資料建立的一種新的社會契約

6.2.3. 所有從網站或App上彈出來的那些煩人的隱私條款和授權要求，將沒有任何存在的必要

6.3. 如果使用者和“可信AI”持有者的利益發生分歧，那麼使用者的利益就失去了保障

6.4. 網際網路公司需要盈利，所以它們的AI必然把業務最佳化作為系統最重要的目標函式

6.4.1. 可能導致網際網路公司的利益和使用者的利益背道而馳

6.4.2. 要求網際網路公司把使用者利益設為最重要的目標函式也不現實，原因很簡單，這將大幅削減企業的利潤

6.5. 最可靠的“可信AI”持有者，應該是一個沒有商業化營利目的的實體，只有這樣的實體，才會毫無保留地把使用者的利益放在優先位置

6.6. 如果我們要構建一個值得人們信賴、聚合人們資料的強大AI，也可以先看看是否有類似的催化劑

6.6.1. 聯邦學習就是一種可跨多個分散的邊緣裝置或儲存本地資料樣本的伺服器訓練演算法

6.6.1.1. 種演算法無須使用者把資料上傳給演算法持有者，它透過把訓練任務交給不同的終端，在不接觸使用者隱私資料的前提下，就能完成模型的訓練

6.6.2. 名為同態加密的演算法

6.6.2.1. 即讓AI直接在加密資料上進行訓練

6.6.2.2. 其背後的原理是，同態加密演算法的加密是單向的，無法透過逆向破解倒推出使用者資料

6.6.3. 可信任執行環境（Trusted Execution Environment，TEE）技術

6.6.3.1. 加密和受保護的資料可以在這種環境下被讀取，在晶片上進行解密，然後成為AI的訓練資料，但解密後的資料，永遠不會離開晶片

6.6.3.2. 很難保證晶片公司不在執行環境裡設定後門

6.7. 那些對新技術持懷疑態度的人，可能更認可類似於GDPR之類的強監管方案

6.7.1. 我們必須以完全開放的態度去探索多樣化的解決方案，這樣才有可能找到技術創新與資料安全的最佳平衡點

6.8. 把最有價值的個人資料交給第三方

6.8.1. 相信絕大多數人都是把錢存在銀行，把股票委託給證券公司，把比特幣交給網際網路。銀行、證券公司、網際網路，都是第三方

6.8.2. 在未來，如果人們能找到值得信任的“可信AI”，並把所有資料交付給它，那麼就會出現可以給人類帶來幸福的強大AI系統

6.8.2.1. 人們將不必再為無數的資料請求視窗所困擾，也不必擔心自己的資料是否會被盜用或濫用

6.8.2.2. 這個可信的系統，可能是一個仁慈的君主，也可能是一個開源公社，或者是一個分散式區塊鏈網路

6.8.2.3. 新技術的進步會讓人類的資料隱私更加安全