AI研究院 | 人工智慧哪都強？NO，它還沒有聰明的「軀體」

【編者按：《AI研究院》由網易智能頻道與杭州研究院共同打造，每日一篇，專註AI行業研究與深度分析，並提供技術應用交流。轉載請聯繫我們獲得授權，公號 smartman163）】

人們很容易把大腦想像成凌駕於更原始的認知結構之上的層次。我們以意識感受自身，畢竟，我們以此感受到心跳的節奏或胃的隆隆聲的不同。如果大腦的運轉可以被分割和分層，那麼也許我們可以構建類似的上層建築，也可以構建類似人類的人工智慧(AI)，同時避開那些表徵有機生命的雜亂軀體。

我理解這一觀點的吸引力，因為我共同參與創立了SwiftKey公司，這是一家語言軟體公司，隨後被微軟收購。我們的目標是模仿人類理解和操縱語言的非凡過程。目前已經取得了一些不錯的進展:我在2012年到2014年間為物理學家斯蒂芬·霍金建立了更為優雅的新通訊系統，因此倍感自豪。

儘管結果令人鼓舞，但大多數時候我都提醒自己，我們還遠未達到像人類那樣的人工智慧。為何如此呢？因為分層的認知模式是錯誤的。

大多數人工智慧研究人員目前都沒有發現這一難題的核心部分:感知。在上世紀50年代，現代人工智慧的開始走向彎路。計算機科學家決定通過創建基於符號的邏輯系統來模仿有意識的推理。該方法包括將現實世界中的實體與數字代碼相關聯，從而創建虛擬的環境模型，然後再將其投射回世界本身。

例如，使用符號邏輯，你可以指導機器「了解」貓是一種動物，用數學公式來編碼某一特定的知識，比如「貓>是>動物」。這樣的公式可以用於更複雜的語句，讓系統可以操縱和判斷命題，比如普通的貓是像馬一樣大，還是會追著老鼠？

這種方法在簡單的人造環境中早期得到了成功:在「人類社會」中，在1968年至1970年之間，在計算機科學家TerryWinograd創建的虛擬世界中，用戶可以與電腦對話，讓其移動簡單的形狀，比如錐和球。

然而，面對現實世界的問題時，符號邏輯證明是絕對不足的，面對模糊的定義和五花八門的解釋的陰影，微調符號難以為繼。在之後的幾十年里，隨著計算能力的增強，研究人員開始利用統計學從大量數據中提取模式。

這些方法通常被稱為「機器學習」。機器學習不是試圖對高級知識和邏輯推理進行編碼，而是採用一種自下而上的方法，即演算法通過重複的任務來識別關聯，例如將圖像中的視覺對象進行分類，或將有記錄的語音轉錄成文本。這樣的系統也許能學會識別貓的圖像，例如，通過查看數百萬張貓的照片，或者根據它們在整個文本中被引用的方式來建立貓和老鼠之間的聯繫。

近年來，機器學習已經產生了許多非常實用的應用。我們在語音識別、圖像處理和讀唇語方面已經建立了超越人類的系統;在國際象棋、益智問答和圍棋上，人工智慧可以打敗我們人類;而且，人工智慧正在學習創造視覺藝術、創作流行音樂、編寫自己的軟體程序。

在某種程度上，這些自學演算法模擬了我們已知的有機大腦潛意識過程。機器學習演算法從簡單的「特徵」(比如單個字母或像素)開始，合併成更複雜的「類別」，並考慮到真實世界數據中固有的不確定性和模糊性。

這有點類似於大腦視覺皮層，它接收來自眼睛的電信號，並將其解釋為可識別的模型和物體。但是，要想像我們一樣思考，演算法還有很長的路要走。

最大的區別在於我們的進化生物學，以及生物學處理信息的過程。人類是由上萬億的真核細胞組成的，根據化石記錄，這些細胞在大約25億年前首次出現。人類細胞是出色的聯網機械，擁有與現代大型噴氣式飛機相同數量的部件，而所有這些都是在與自然的長期磨合中產生的。

在《盆地和山脈》(1981年)中，作家約翰·麥克菲觀察到，如果你伸出手臂展現出地球的整個歷史，那麼複雜的生物體只能在離你遠的手腕上演化，而只用一個指甲銼，你就可以根除人類的歷史。

傳統的進化論觀點認為，我們的細胞複雜性是由早期的真核生物通過隨機的基因突變和選擇進化而來的。但在2005年，芝加哥大學的生物學家詹姆斯·夏普羅提出了一種全新的觀點。他認為，真核細胞「機靈地」通過操縱自身的DNA來適應環境刺激，從而「機靈地」適應環境。

最近的微生物研究結果證實了這一觀點。例如，哺乳動物的免疫系統傾向於複製DNA序列，以產生有效的抗體來攻擊疾病。我們現在知道，至少有43%的人類基因組是由可以通過一個自然的「基因工程」從一個位置移動到另一個位置的DNA組成的。

如今，從聰明的、自我組織的細胞發展到我們關注的聰穎的智能，這算是一種飛躍。但關鍵是，在我們意識清醒之前，我們的細胞正在從環境中讀取數據，並齊心協力，將我們塑造成強大的、能自我維持的媒介。

因此，我們所認為的智能並不僅僅是用符號來展現世界的客觀存在；相反，世界就像它向我們揭示的那樣，根植於我們進化而來的、作為有機體的需求。自然「建立了理性的機制，不僅凌駕於生物監管機制，同時也依靠這種機制」，神經學家Antoni Damasio在其關於認知的重要著作《笛卡爾的錯誤》(1994)中寫道。

換而言之，我們的整個身體都在思考，不僅僅是大腦。我懷疑，在一個不安的世界裡，生存的迫切需求是人類智力的靈活性和力量的基礎。

但很少有人工智慧研究人員真正接納這些見解的弦外之音。大多數人工智慧演算法的驅動力是從大量訓練數據中推斷出問題，因此，人工智慧可能需要數百萬甚至數十億張私人貓片才能在識別貓的過程中獲得高度的準確性。

相比之下，由於我們的生物本能，人類在更廣闊的環境中攜帶著極其豐富的物體模型。我們從相對少量的觀察樣本中借鑒經驗和期望，從而預測的可能結果。所以，當一個人想到一隻貓時，她可能會想像它的移動方式，聽到呼嚕聲的聲音，從未出鞘的爪子上感受即將出現的抓痕。她擁有豐富的感官信息，可以理解「貓」的概念，以及其他可能幫助她與這種生物互動的相關概念。

這意味著當一個人解決一個新問題時，艱難工作已經大部分完成了。以我們剛開始理解的方式，我們的身體和大腦，從細胞的層面上，已經建立起了一個世界的模型，我們幾乎可以將其應用到各種各樣的挑戰中去。

但是對於人工智慧演算法來說，這個過程每次都是從零開始的。有一個活躍且重要的研究領域，即所謂的「歸納轉移」，重點是利用之前的機器學習知識來提供新的解決方案。然而，就目前的情況來看，這種方法能否捕捉到我們身體模型的豐富程度尚且存疑。

就在2014年，SwiftKey發布了霍金的新通訊系統的同一天，霍金接受了BBC的採訪，他警告到，智能機器可能會終結人類。

可以想像，後面這個故事最終佔據了新聞頭條。我同意霍金的意見，即我們應該認真對待可能出現惡棍般的人工智慧的風險。

但我相信，我們還遠未至需要擔心一切接近人類智能之物的地步，除非我們認真考慮如何給演算法提供某種與環境相關的長期、具體的關聯，否則我們幾乎無望實現這一目標。

（英文來源：SingularityHub 編譯：機器小易 審校：Anjou）、

2017年3月24日