淺談人工智慧的發展路徑和研究方向

根據本人對相關問題的回答整理而成，個人感悟，歡迎交流。

什麼是人工智慧？

人工智慧沒有統一的定義。在這裡，我傾向於伯克利大神Russell教授對人工智慧AI的定義： In computer science AI research is defined as the study of "intelligent agent": any device that perceives its environment and takes actions that maximize its chance of success at some goal[Russell & Norvig 2003].人工智慧的核心是『感知環境』，『採取行動』（判斷做出反饋），『最大化達成目標的成功率』。

也就是說，人工智慧的目標是讓機器具有『智慧性』-充分的感知環境，做出正確的判斷，採取最合理的方法達成目標。但是，這個『智慧性』不一定是讓機器像人一樣思考判斷，因為人並不是最智慧的，經常做出錯誤的決策（就如alpha狗和圍棋手的對弈中，人總是犯錯的那一方）。從定義的角度說，人工智慧在達成目標上的最終表現是強於人類的。

這裡先插入一個大家都關心的倫理問題：既然智能機器在達成目標上強於人類，智能機器最終將會戰勝並取代人類嗎？其實這裡有個坑，文章後面會再來填一下。

人工智慧的目標

既然要實現定義上的人工智慧，就必須實現人工智慧所需要達到的基本『小目標』，本人以為可以包括：

1. 知識庫。建立計算機能夠充分』感知『世界上已知信息的Ontology（一種能在語義和知識層次上描述信息系統的概念模型），包括實體、概念、特徵、關係等，即一套機器能讀懂的和學習的，蓋了所有客觀存在的信息系統。
2. 自我學習。也就是機器學習machine learning，讓機器自主探索，反饋和修正。大家都知道目前的機器學習分為無監督學習（unsupervised learning）和有監督學習（supervised learning）。前者如波士頓動力公司的機器狗採用的reinforce learning，機器可以通過所感知的環境（輸入值）自主進行特徵值提取和發現模式；後者如常用的人工神經網路、SVM等，需要根據已知模式進行訓練修正學習參數，達到新信息下的模式識別（classification）。但是，不管哪種方式，都存在致命的瓶頸：每種學習方法只能用於單一任務，無法實現通用智能（AGI），什麼深度學習和遷移學習都還不行，不能像人類那樣面對什麼樣的問題，都可以用大腦迅速自主切換思維模式來解決問題。
3. 邏輯判斷。這其實包括了上面機器學習中的部分內容，即通過自我學習進行對目標歸類識別。但也包含了另一個內容：如何判斷解決問題的最佳途徑，因為解決問題的方法可以是多種的。計算機擁有的信息是海量的，解決問題的時間是有限的，計算機不僅需要做出『合理』時間內的最優方案判斷，而且也要做出什麼是『合理時間』的判斷。人往往依靠直覺，那機器呢？
4. 預測。在信息不充分的情況下，機器自我學習和邏輯判斷不一定能帶來符合以後客觀發生的預測。更重要的，目前的智能機器是無法預知自己的預測結果將會對現實世界產生的影響，即無法對預測結果進行評估，並調整自己在可能因自身預測而帶來環境變化的適應性。換做人類社會，心理預期是能改變世界的（最簡單的例子就是股市），而且人類也會有解決問題的『預案』的。
5. 計劃&目標。回到前面要填的坑：機器能夠自我設定目標/目的嗎？就如alpha狗知道自己的使命是贏棋嗎？是人設定的！智能機器要從環境中習得自己的未來計劃或一步步目標，擁有真正的自主『意識』，是對『智慧』最深層次的挑戰。這個問題，我沒有能力剖析。只能談一點自己的感受：即使自然界最低等的生物都有一個基本的目標，那就是生存。機器會有意識嗎（即『強人工智慧』）？我認為機器終歸不是生命，不會有意識，這個探索太深奧，就不展開了。

人工智慧的方法論

實現人工智慧，學界有兩個在根本思路層次上的爭論：其一，側重產生『智慧』的結果（result-driven）而不在意過程，實現方法是多樣化的；其二，側重產生『智慧』的過程（modeling process），對自然界尤其人類處理信息的模式進行建模。

可以歸納為3個重要的方法論：模擬自然生物信息處理過程（仿生派）；用統計概率和數理邏輯等實證（符號派）；以控制論實現機器自我進化（行為派）。

模擬自然生物（尤其人類）信息處理過程：目前的計算機對複雜環境感知、反饋並作出適應性決策的『智慧』可能都趕不上一個最低級的生物，更不用說和人類比了。所以，很多科學家探索人類大腦認知的過程，希望能把人類的通用智慧（GI）用在人工智慧上。大腦認知建模也是目前神經科學界和人工智慧最熱的研究領域之一。模擬大腦的路徑很多，如簡化信息為符號進行處理、邏輯、控制論等。這種思路帶來了大家所熟知的神經網路等。

用統計概率和數理邏輯等實證：相對於人類對大腦的認知仍舊困難重重，統計概率在人工智慧上的應用就發展的很快了，如貝葉斯決策、回歸分析、支持向量機等。不過這些側重於解決某個特定問題。

以控制論實現機器自我進化：這一派認為智能的實現不需要完備的知識庫和邏輯推理，通過在現實環境中交互，智能行為會逐步得到進化。受其影響的有模糊控制，進化計算等。

但三個方法論並沒有嚴格區分，而是有很多交叉的，因為人類在決策的過程中也是不自覺的用到概率，控制-反饋的。個人以為，仿生派和行為派，側重過程；符號派側重結果。

未來人工智慧的研究方向

1. 強化學習（Reinforce learning）。這個方向將把傳統機器學習中的模式識別延伸為實時決策（realtime decision making），將真正的把人工智慧帶入日常應用。如波士頓動力的機器狗，你踹它幾腳，它都不會摔倒。
2. 自然語言處理（NLP）。這個領域是目前最熱的人工智慧分支。以後的研究會從目前對人類語言的識別回答，到能夠與人類進行持續性的對話互動。
3. 深度學習（Deep learning）。這個基於人工神經網路的學習分支很火，將會更廣泛的應用於聲音和圖像的處理上。
4. 計算機視覺（Computer vision）。它將推動3D sensing等技術的發展，應用於自動駕駛、娛樂等。
5. 大規模機器學習（物聯網 IoT）。機器學習將不僅用於單一問題的解決，而是基於物聯網的大數據和機器合作系統做出更廣泛的分析和決策。
6. Crowd sourcing。人工智慧將最大規模的利用人類的智慧去建立知識庫，解決問題，如維基百科。以後，更高級的智慧平台將會是AI的研究方向之一。

人工智慧最有前途的應用領域

1. 智能交通：包括自動駕駛，個人/城市智能交通規劃優化，城市智能交通控制等。
2. 醫療健康：醫療信息電子化，醫療大數據分析，醫學圖像診斷，遠程診斷和移動醫療，智能手術機器人，智能穿戴設備等
3. 公共安全/軍事：人臉識別，目標識別，信息追蹤，武器系統優化等
4. 零售/電商：消費大數據分析，物流網優化等
5. 教育：在線學習（智能化學習內容推送）；教學輔助機器人/工具（如注意力監測系統）等。
6. 家用機器人：智能清潔機器人；智能聊天機器人等
7. 節能：電網優化，城市基礎設施優化等
8. 娛樂：沉浸式虛擬現實遊戲等

人工智慧的倫理問題

1. 機器會有意識嗎？到底該不該有意識？以我目前的認知水平，我認為機器不可能會有人類的意識——這是有機生命體和人造無機物最根本的區別，但誰也不能對未來做絕對的定論。如果機器有自主意識後，它與創造者人的關係是從屬？平等？人還有能力、法理去控制機器嗎？這看起來有些遙遠，但不得不思考。
2. 社會結構巨變/失業。今年大家都在討論人工智慧來了，最容易的失業的職業，如會計，駕駛員等等，搞得人心惶惶。如果讓人工智慧在效率上替代人類，造成社會分工和結構的巨變，而又不能帶來嚴重的社會問題，是一件很現實和急迫的事情。
3. 隱私安全。信息電子化和大數據時代，個人信息量暴增，隱私也更難保護。用於人工智慧的數據使用權到底是誰來授權？誰來負責監督？誰來保護隱私？

結束語：人工智慧不是一種特定的技術方法，也不只有機器學習，而是一種讓機器實現智慧的Philosophy，有前途，也有困境。現實中的人工智慧發展過程也恰恰就像生物本身適應環境那樣——學習，反饋，調整，進化。

基於本人對人工智慧粗淺的理解，隨便漫談，歡迎交流討論。

封面圖片來自於網路。