我們什么時(shí)候才能擁有在各方面能夠模仿人腦的人工智能？專家們對(duì)這個(gè)問題意見不一。

但大家都同意的是，目前的人工智能系統(tǒng)與人類的智力相去甚遠(yuǎn)。直接表現(xiàn)是：AI只在特定任務(wù)中表現(xiàn)優(yōu)異，無法將其能力擴(kuò)展到其他領(lǐng)域。

例如，我們可以創(chuàng)造一個(gè)在星際爭霸賽中擊敗世界冠軍的程序，但這個(gè)程序在其他類型的游戲中可能連業(yè)余選手也打不過；一個(gè)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)可能在X光片中發(fā)現(xiàn)乳腺癌“跡象”，但它卻無法分辨貓和狗。

為什么會(huì)出現(xiàn)這種情況？數(shù)據(jù)科學(xué)家Herbert Roitblat在他的著作《 Algorithms Are Not Enough》中將AI的這種缺點(diǎn)歸納為：算法。具體而言，我們現(xiàn)在用AI處理的問題，都是可以用數(shù)學(xué)公式表示出來，并且在很大程度上能夠求解此公式。

換句話說，如果我們發(fā)現(xiàn)了一個(gè)問題，并找到了其數(shù)學(xué)表達(dá)式，我們就可以以此創(chuàng)建一個(gè)人工智能算法去解決它，這種算法往往比我們自己去解決更有效率。然而，那些未被發(fā)現(xiàn)，以及無法用可計(jì)算的數(shù)字方式代表的問題，仍然是我們無法觸及的空白領(lǐng)域。

當(dāng)前的一些人工智能探索思路，例如“神經(jīng)符號(hào)系統(tǒng)"、Bengio的系統(tǒng)2深度學(xué)習(xí)思想、LeCun提出的自監(jiān)督學(xué)習(xí)等雖然取得了不錯(cuò)的進(jìn)展，但是它們?nèi)匀簧婕霸陬A(yù)結(jié)構(gòu)化空間運(yùn)行，沒有一個(gè)思路能解決這個(gè)空間從何而來，因此也沒有解決從狹隘到一般智能的具體需求。

1

符號(hào)AI的表述

圖注：“Algorithms Are Not Enough”

在人工智能的整個(gè)歷史中，科學(xué)家們經(jīng)常發(fā)明新的方法來利用計(jì)算機(jī)的進(jìn)步以巧妙的方式解決問題。前幾十年的人工智能側(cè)重于符號(hào)系統(tǒng)。

人工智能的這一分支假定人類思維基于符號(hào)的操縱，任何能夠“處理”符號(hào)的系統(tǒng)都是智能的。符號(hào) AI 要求人工開發(fā)人員“仔細(xì)”定義計(jì)算機(jī)程序行為的規(guī)則、事實(shí)和結(jié)構(gòu)。符號(hào)系統(tǒng)可以解決很多問題，如記憶信息、以超快的速度計(jì)算復(fù)雜的數(shù)學(xué)公式以及模擬專家決策。流行的編程語言和我們每天使用的大多數(shù)應(yīng)用程，其基礎(chǔ)都是符號(hào) AI 。

但符號(hào) AI只能局限于解決有著清晰“分步解決方案”的問題。問題是，人類和動(dòng)物執(zhí)行的大多數(shù)任務(wù)不能用明確的規(guī)則來表示。

"智力任務(wù)，如下棋、化學(xué)結(jié)構(gòu)分析和微積分，在計(jì)算機(jī)中相對(duì)容易執(zhí)行。但是有些一歲的孩子甚至是老鼠都能做到的一些活動(dòng)對(duì)于計(jì)算機(jī)而言卻難以做到。這被稱為“Moravec’s paradox” （"莫拉韋茨的悖論"），以科學(xué)家Hans Moravec（漢斯·莫拉韋茨）的名字命名，他說，與人類相比，計(jì)算機(jī)可以用很少的算力執(zhí)行高水平的推理任務(wù)，但很難執(zhí)行一些人類和動(dòng)物自然獲得的簡單技能。

數(shù)百萬年來，人類大腦已經(jīng)進(jìn)化出機(jī)制，使我們能夠執(zhí)行基本的感應(yīng)運(yùn)動(dòng)功能。我們接球，我們識(shí)別面孔，我們判斷距離，一切似乎都毫不費(fèi)力。

另一方面，“智力活動(dòng)”是近年來才得到發(fā)展的新概念。我們經(jīng)常進(jìn)行大量的訓(xùn)練，并且非常努力的去完成各種各樣的任務(wù)。那么，我們能否問這樣一個(gè)問題：是能力讓我們產(chǎn)生了智力，還是智力讓我們產(chǎn)生了能力？

2

機(jī)器學(xué)習(xí)中的表述

因此，盡管具有非凡的推理能力，符號(hào)AI仍然與人類的表述方式緊密相連。 機(jī)器學(xué)習(xí)提供了不同的人工智能方法。無需明確的規(guī)則，而是通過實(shí)例"訓(xùn)練"機(jī)器學(xué)習(xí)模型。Roitblat表示："（機(jī)器學(xué)習(xí)）系統(tǒng)不僅可以做“專門任務(wù)”，而且可以將其能力擴(kuò)展到以前沒有見過的事件，至少擴(kuò)大一定范圍。 最流行的機(jī)器學(xué)習(xí)形式是監(jiān)督學(xué)習(xí)，其中模型接受一組輸入數(shù)據(jù)（例如濕度和溫度）和預(yù)期結(jié)果（例如下雨概率）的訓(xùn)練。機(jī)器學(xué)習(xí)模型使用此信息來微調(diào)，形成從輸入映射到輸出的一組參數(shù)。即使遇到以前沒有見過的數(shù)據(jù)輸入時(shí)，訓(xùn)練有素的機(jī)器學(xué)習(xí)模型也可以非常準(zhǔn)確地預(yù)測結(jié)果。并不需要去制定明確的規(guī)則。 但是，受監(jiān)督的機(jī)器學(xué)習(xí)仍然建立在人類智力提供的表述基礎(chǔ)上，盡管這種表現(xiàn)比象征性的人工智能更寬松。Roitblat 這樣描述受監(jiān)督的學(xué)習(xí)："機(jī)器學(xué)習(xí)涉及問題的表述時(shí)，它的解決方法是將其設(shè)置為三組數(shù)字。一組數(shù)字表示系統(tǒng)接收的輸入，一組數(shù)字表示系統(tǒng)生成的輸出，第三組數(shù)字表示機(jī)器學(xué)習(xí)模型。 因此，盡管受監(jiān)督的機(jī)器學(xué)習(xí)并沒有像符號(hào)AI那樣被規(guī)則緊密的約束，但它仍然需要人類智慧所創(chuàng)造的嚴(yán)格表述。人類工程師必須定義特定問題，策劃訓(xùn)練數(shù)據(jù)集，并在創(chuàng)建機(jī)器學(xué)習(xí)模型之前標(biāo)記結(jié)果。只有當(dāng)問題以自己的方式被嚴(yán)格表述時(shí)，模型才能開始調(diào)整其參數(shù)。 換句話說：表述由系統(tǒng)的設(shè)計(jì)者選擇，在許多方面，表述是設(shè)計(jì)機(jī)器學(xué)習(xí)系統(tǒng)的最關(guān)鍵部分。 機(jī)器學(xué)習(xí)另一個(gè)分支是深度學(xué)習(xí)，常常被比作人腦，其核心是深度神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)模型可以執(zhí)行非常復(fù)雜的任務(wù)，如對(duì)圖像進(jìn)行分類或轉(zhuǎn)錄音頻

圖注：深度學(xué)習(xí)模型可以執(zhí)行復(fù)雜的任務(wù)，如對(duì)圖像進(jìn)行分類（來源：http://www.deeplearningbook.org)

但同樣，深度學(xué)習(xí)的威力在很大程度上取決于架構(gòu)和表現(xiàn)力。大多數(shù)深度學(xué)習(xí)模型需要標(biāo)記的數(shù)據(jù)，而且沒有一種通用的神經(jīng)網(wǎng)絡(luò)架構(gòu)可以用以解決所有可能的問題。

在構(gòu)建模型的過程中，機(jī)器學(xué)習(xí)研究員必須首先定義要解決的問題，然后“找”一個(gè)大型訓(xùn)練數(shù)據(jù)集，然后找出能夠解決該問題的深度學(xué)習(xí)架構(gòu)。

在訓(xùn)練期間，從輸入到輸出，深度學(xué)習(xí)模型將調(diào)整數(shù)百萬個(gè)參數(shù)。但是，它仍然需要機(jī)器學(xué)習(xí)工程師來決定神經(jīng)網(wǎng)絡(luò)的層次數(shù)和類型、學(xué)習(xí)速率、優(yōu)化功能、損失功能和其他不可學(xué)習(xí)的方面。

與許多機(jī)器智能一樣，深度學(xué)習(xí)的威力來自系統(tǒng)的設(shè)計(jì)方式，而不是來自它的自主智能。只有巧妙的表述，包括巧妙的架構(gòu)，才能使機(jī)器智能變得聰明。

如果將深度學(xué)習(xí)網(wǎng)絡(luò)描述為學(xué)習(xí)自己的表述，那就錯(cuò)了。網(wǎng)絡(luò)的結(jié)構(gòu)決定了它能從其輸入中獲得什么表述。換句話說，對(duì)于深度學(xué)習(xí)網(wǎng)絡(luò)和任何其他機(jī)器學(xué)習(xí)系統(tǒng)來說，它如何表述輸入以及它如何表述解決問題的過程同樣具有確定性。

機(jī)器學(xué)習(xí)的其他分支也遵循相同的規(guī)則。例如，無人監(jiān)督的學(xué)習(xí)不需要標(biāo)記示例。但是，它仍然需要一個(gè)明確的目標(biāo)，如網(wǎng)絡(luò)安全中的異常檢測、營銷中的客戶細(xì)分、維度降低或嵌入表示。

強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的另一個(gè)流行分支，與人類和動(dòng)物智力的某些方面非常相似。似乎智能體在訓(xùn)練時(shí)不依賴標(biāo)簽示例。相反，它被賦予一個(gè)環(huán)境（例如棋或棋盤）和一組它可以執(zhí)行的動(dòng)作（例如移動(dòng)棋子，放置石頭）。在每一步，agent執(zhí)行一個(gè)操作，并以獎(jiǎng)勵(lì)和處罰的形式接收來自其環(huán)境的反饋。通過反復(fù)試驗(yàn)，強(qiáng)化學(xué)習(xí)智能體會(huì)發(fā)現(xiàn)產(chǎn)生更多回報(bào)的動(dòng)作序列。

計(jì)算機(jī)科學(xué)家Richard Sutton（理查德·薩頓）將強(qiáng)化學(xué)習(xí)描述為"第一個(gè)智能計(jì)算理論"。近年來，它已成為非常流行的解決復(fù)雜的問題，如掌握計(jì)算機(jī)和棋盤游戲，并開發(fā)多功能的機(jī)械手。

圖注：強(qiáng)化學(xué)習(xí)可以解決復(fù)雜的問題，如游戲板和視頻游戲以及機(jī)器人操作

但強(qiáng)化學(xué)習(xí)環(huán)境通常非常復(fù)雜，智能體可以執(zhí)行的可能操作的數(shù)量非常大。因此，強(qiáng)化學(xué)習(xí)代理需要人類智力的大量幫助來設(shè)計(jì)正確的獎(jiǎng)勵(lì)、簡化問題和選擇正確的架構(gòu)。例如掌握網(wǎng)絡(luò)游戲DotA 2的強(qiáng)化學(xué)習(xí)系統(tǒng)OpenAI 5，就依靠其設(shè)計(jì)師簡化很多游戲規(guī)則，例如減少可用其角色的數(shù)量等。

除了瑣碎的系統(tǒng)之外，檢查所有可能導(dǎo)致獎(jiǎng)勵(lì)的行動(dòng)的所有可能組合幾乎是不可能的。與其他機(jī)器學(xué)習(xí)情況一樣，需要啟發(fā)式系統(tǒng)來將問題簡化為更易處理的問題，即使這樣無法保證能夠產(chǎn)生最佳答案。

這恰恰也是當(dāng)前人工智能系統(tǒng)的缺陷：目前人工智能工作的方法，是在研究員已經(jīng)想出了如何構(gòu)建和簡化問題的基礎(chǔ)上開發(fā)的，以便現(xiàn)有的計(jì)算機(jī)和流程能夠解決這些問題。要擁有真正的一般智能，計(jì)算機(jī)需要擁有能夠定義和構(gòu)建自己的問題的能力。

3

AI朝著正確的方向發(fā)展嗎？

有各種努力來應(yīng)對(duì)當(dāng)前人工智能系統(tǒng)的挑戰(zhàn)。一個(gè)比較流行的想法是繼續(xù)擴(kuò)大深度學(xué)習(xí)的規(guī)模。一般推理是，更大的神經(jīng)網(wǎng)絡(luò)最終將破解智能的“密碼”。畢竟，人腦有超過100萬億個(gè)突觸。谷歌人工智能研究人員開發(fā)的最大神經(jīng)網(wǎng)絡(luò)有一萬億個(gè)參數(shù)。證據(jù)表明，在神經(jīng)網(wǎng)絡(luò)中添加更多的圖層和參數(shù)可以帶來漸進(jìn)式改進(jìn)，尤其是在 GPT-3 等語言模型中更為明顯。

但是，大型神經(jīng)網(wǎng)絡(luò)并不能解決一般智能的根本問題。

雖然GPT-3語言模型的重大成就，但它們不是通常意義上智能。本質(zhì)上，他們只是抽象層面上的抄襲者，他們用一種語言模擬單詞的順序。給它一個(gè)提示，它會(huì)創(chuàng)建一個(gè)文本，但這些文本它并不像“真正的語言”一樣有著彼此之間的聯(lián)系。它和所有當(dāng)前的人工智能應(yīng)用程序一樣，都是只解決了一個(gè)特定的問題。這正是它被宣傳為一種語言模式而不是通常意義上的智能的原因。

其他研究方向試圖為當(dāng)前的人工智能結(jié)構(gòu)添加結(jié)構(gòu)改進(jìn)。

例如，混合人工智能將符號(hào)AI和神經(jīng)網(wǎng)絡(luò)結(jié)合在一起，將前者推理能力與后者的模式識(shí)別能力相結(jié)合?；旌先斯ぶ悄埽ㄒ卜Q為"神經(jīng)符號(hào)系統(tǒng)"）已經(jīng)有幾個(gè)實(shí)際案例，表明混合系統(tǒng)需要的訓(xùn)練數(shù)據(jù)更少，在推理任務(wù)方面比純神經(jīng)網(wǎng)絡(luò)方法更穩(wěn)定。

系統(tǒng)2深度學(xué)習(xí)是深度學(xué)習(xí)先驅(qū)Yoshua Bengio（優(yōu)舒亞·本吉奧）提出的另一個(gè)研究方向，它試圖將神經(jīng)網(wǎng)絡(luò)超越統(tǒng)計(jì)學(xué)。系統(tǒng)2深度學(xué)習(xí)旨在使神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)"高級(jí)表示"，而無需明確嵌入象征性智能。

另一項(xiàng)研究工作是自我監(jiān)督學(xué)習(xí)，由另一位深度學(xué)習(xí)先驅(qū)、卷積神經(jīng)網(wǎng)絡(luò)發(fā)明者Yann LeCun提出。自我監(jiān)督的學(xué)習(xí)旨在學(xué)習(xí)任務(wù)，而不需要標(biāo)記的數(shù)據(jù)。

所有這些解決方案都為（路徑問題）帶來了更強(qiáng)大的問題解決方案，但沒有一個(gè)能解決這些解決方案是如何構(gòu)建或生成的問題。它們?nèi)匀簧婕霸陬A(yù)結(jié)構(gòu)化空間運(yùn)行。沒有一個(gè)能解決這個(gè)空間從何而來的問題。上述都是這些都是非常重要的想法，只是它們沒有解決從狹隘到一般智能的具體需求。

因此，人工智能是一項(xiàng)正在進(jìn)行中的工作。有些任務(wù)已經(jīng)比其他任務(wù)進(jìn)展得更遠(yuǎn)了，但是有些還有很長的路要走。人工智能的缺陷往往是其創(chuàng)造者的缺陷，而不是計(jì)算決策的內(nèi)在屬性。它正在隨著時(shí)間的推移而進(jìn)步。

責(zé)任編輯：lq