人類還處在人工智慧的石器時代

來源：財經雜誌

用微信掃描二維碼分享至好友和朋友圈

目前弱人工智慧的最好寫照是：一邊是天才、一邊是弱智的「雨人」式智能。

李軍/文

人工智慧，是2017年最熱的科技話題。從今年5月Google的人工智慧系統AlphaGo以3比0戰勝世界圍棋第一人柯潔，到7月份Facebook的CEO馬克·扎克伯格（Mark Zuckerberg）和特斯拉的CEO埃隆·馬斯克（Elon Musk）為人工智慧隔空論戰。最後埃隆·馬斯克直指馬克·扎克伯格對人工智慧知之甚少。

那麼，人工智慧真的可以具有類人的智能嗎？今年5月底，《麻省理工技術評論》（MIT Technology Review）發表的人工智慧發展前瞻時間表給了這樣的回答：除了戰勝人類圍棋高手的目標已經達到外，語言翻譯（2024年），撰寫高校論文（2026年），駕駛卡車（2027年）乃至撰寫紐約時報排行榜暢銷書（2049年）和完成外科手術（2053年）都赫然在列。

最近幾個月，有關人工智慧的終極警告見諸媒體：如「霍金警告：人工智慧可能讓人類滅絕」，「保安機器人『自殺』 人工智慧對人類來說是福是禍」，「細思恐極！兩個人工智慧系統用人類無法理解的語言進行了交流」等，那麼，人工智慧技術真的已經在人類可控的邊緣嗎？

答案是否定的：目前我們掌握的人工智慧技術還非常粗糙和原始。如果把人工智慧和人類使用工具的歷史相比，我們目前還處在人工智慧的「石器時代」。

弱人工智慧階段進行中

目前業界公認的人工智慧發展分為三個階段，即弱人工智慧（Artificial Narrow Intelligence，ANI）、強人工智慧（Artificial General Intelligence，AGI）和超人工智慧（Artificial Super Intelligence，ASI）。但每個階段的定義稍有不同。

所謂弱人工智慧，就是像目前的各種對話機器人如Siri，還有圍棋系統AlphaGo和IBM的認知系統Watson。它們需要依賴于海量數據，並在設計者精心構建的環境下進行模型訓練，最終對給定目標基於明確任務展現強大的計算和認知能力。目前人類出現的所有人工智慧系統都在此階段，無一例外。

所謂強人工智慧，目前業界沒有統一的定義。但總的來說強人工智慧應該不再局限於單一的明確目標，它應該能夠自主進行非結構化數據的學習，並完成通用的任務。訓練過程不再局限于格式化的數據輸入，而是可以像訓練貓、狗一樣進行模糊訓練。

我認為，人工智慧系統應該達到高級哺乳動物甚至人類嬰兒的智力水平，這才談得上強人工智慧系統，這就包括了類似於批判性的分析問題和抽象的思考能力。

顯而易見，目前無論是谷歌、亞馬遜還是別的互聯網創新企業，他們研究的人工智慧項目與此都還相去甚遠。

超級人工智慧目前是意見分歧最大的階段。但總的來說，作為發展的最高階段，人工智慧系統應該已經適用阿西莫夫的機器人三定律，即：機器人不得傷害人類，或因不作為使人類受到傷害；除非違背第一定律，機器人必須服從人類的命令；除非違背第一及第二定律，機器人必須保護自己。

所以，超級人工智慧應該具有自我的認知能力，它將以我們目前無法理解的方式來構建和運行。同時，作為目前已知的智能和認知領域的唯一傑作——大腦，在超級人工智慧到來時，大腦本身的工作方式和針對其的人工模擬技術一定已經實現。很難想像人類會創造一種新的和大腦工作機理完全不同的人工智慧系統。

我認為更大的可能性是人類基於對大腦構造的深刻認識和全面模擬基礎上構建出真正的超級人工智慧系統。

弱人工智慧弱在哪？

根據這樣的階段劃分，我們就知道目前所有的已經應用和還在研究的人工智慧技術無一例外都是弱人工智慧，其核心能力和大多數人所理解的智能相去甚遠。

那麼我們看看，現有的人工智慧技術究竟弱在哪裡？

其一，目前的弱人工智慧必須精確學習，指定輸入。人類智能來自於學習，而人類的學習過程往往是模糊學習，正誤混雜。對於目前的人工智慧系統，學習的過程其實是通過輸入已知數據完成對模型的調整（通常被稱為訓練模型）。任何錯誤的已知數據都會導致模型偏離最終的理想結果。在沒有人工干預的前提下，模型本身沒有任何過濾錯誤數據影響的能力。

微軟公司在去年推出了一款名為「Tay」的人工智慧系統，其設計能夠模仿一名19歲的美國少女與Twitter用戶在線聊天，微軟希望Tay能夠通過與人類對話進行自我學習並不斷完善，從而更好地與人類交流。但是在Tay上線之後僅僅16小時，Tay開始頻繁爆出粗口，其中不乏種族歧視、侮辱女性以及污穢不堪的詞句，最終微軟不得不將其緊急下線。

微軟的Tay人工智慧系統發生與預想結果重大偏離的核心原因就是現有的弱人工智慧技術無法面對模糊學習和錯誤信息的挑戰。

有關弱人工智慧的指定輸入有這樣一個實例：主人設定掃地機器人iRobot每天凌晨1點半自動啟動清理房間，這樣起床後就能享受到乾淨的室內空間。但當某天晚上他的寵物狗把大便拉在了地板上。第二天早上主人看到寵物狗的大便均勻地抹平在iRobot走過的每一個房間角落。

對於掃地機器人這種弱人工智慧設備，感測器採集的都是預設好數據，任何模型之外的因素如寵物狗的大便，都是視而不見的。

對於精確學習、指定輸入的弱人工智慧，任何超範圍的輸入和訓練數據集中的雜訊數據對於其都可能帶來一場災難。

其二，目前的弱人工智慧是單一能力的「雨人」式智能。美國電影《雨人》描寫了一個患有自閉症、生活幾乎無法自理的人同時擁有超強的記憶力，甚至可以利用自己的超強能力到賭場贏錢。這種一邊是天才、一邊是弱智的「雨人」式智能，就是對於目前弱人工智慧的最好寫照。

從人工智慧技術出現到現在，所有已知的人工智慧系統都在追求給定場景下、特定業務問題的解決。所以，從數據收集、模型選擇、模型訓練到實際應用，目前的人工智慧系統都是設計解決單一任務的。

以Google的AlphaGo為例，它除了會下圍棋，其他什麼都不會。哪怕是需要解決類似的問題如下國際象棋，整個系統包括演算法就都需要重構。

類似的情況同樣存在於絕大部分現有的人工智慧系統中。比如對於自動駕駛系統，它的任務就是根據各個感測器的動態輸入決定對於方向盤、油門和剎車等系統的操控。如果我們需要開發一個非輪式的行走機器人，那麼原有自動駕駛系統積累下來的「知識」全無用處，從輸入數據到核心演算法全部都要推倒重構。

對於具有「雨人」式智能的這種單一功用人工智慧系統，其實更應該稱其為人工智慧輔助系統，因為幾乎沒有任何應用場景的彈性，其實和公眾心目中認知的人工智慧天差地別。

其三，神經網路演算法離「類腦計算」還非常遙遠。「類腦計算」，指的是以大腦相似的方式工作，並完成相應的計算工作。

神經網路是目前人工智慧領域最熱的演算法，沒有之一。僅從神經網路的名字就容易聯想到人腦，人腦不就是由億萬個神經元細胞構成的神經網路嗎？通過神經網路構造的系統是不是可以完成「類腦計算」，擁有類似人腦這樣的高級智能呢？

再加上Google的AlphaGo系統就是使用卷積神經網路和相關的深度學習技術構建核心演算法，最終超越了所有人類目前能夠達到的圍棋水平，不由得更容易讓公眾以為神經網路和「類腦計算」有什麼關係。

其實神經網路只是人工智慧演算法的一種，並且也不是佔壓倒性優勢的演算法。目前的神經網路與人類大腦的區別，比算盤和超級計算機的區別更大。主流神經網路演算法包含的單向信息流動和輸入輸出節點模式，更是對大腦神經元工作方式的拙劣模仿。人類目前對大腦的核心工作原理幾乎是一無所知，所以神經網路和大腦相比只是形似而已。

如果有一天人類破解了大腦的核心工作原理，是非常有可能創造出類似大腦的強人工智慧甚至超人工智慧系統的。當然，人類也有可能創造出不同於大腦工作機制的全新人工智慧系統。但在我看來，擺著現成的智能實物（大腦）抄都抄不會的話，憑空創造一個人工智慧體系的難度就更大了。

除了神經網路以外，目前主流的人工智慧演算法還包括回歸、聚類、決策樹、隨機森林等。KDnuggets統計，數據科學家們常用的演算法包括10種。

所以把目前的人工智慧和神經網路甚至與「類腦計算」相提並論，是公眾認識的誤區。

筆者從1998年就開始接觸數據科學，目前仍然任職某500強企業的高級數據科學家。我的看法是，目前人工智慧領域並沒有真正越階的突破。

近幾年人工智慧特別火爆的根源一方面是通過一些創新的技術如深度學習等，讓模型在訓練過程中能夠快速逼近，從而支持海量的數據訓練任務並大大縮減模型訓練時間，最終在特定場景下能夠匹敵甚至超越人的智力水平。

此外也是因為雲計算向模型提供強大的訓練算力，並為人工智慧帶來開放與廣泛應用的平台。

但目前人工智慧所採用的各種模型演算法如神經網路、隨機森林、貝葉斯分類和支持向量機等，都是十幾年甚至幾十年前就已經出現的，並不是新鮮事物。現有的模型演算法如果沒有越階的突破，從弱人工智慧到強人工智慧的階段式跨越是不太可能發生的。

目前，網上流傳的各種關於人工智慧的驚悚話題都是以訛傳訛的誇大之詞。試想，目前基於單一任務的弱人工智慧系統，怎麼可能會產生系統的自我意識，就更談不上「自殺」、「交流」這樣帶有主觀認知的行為了。感測器故障或者是模型訓練失敗導致的錯誤輸出，才有可能是這些「驚悚事件」發生的最大根源。

人們往往高估某一事件或趨勢的短期影響，而低估其長期效果，對於人工智慧也是這樣。

人們在最近十年撿起人工智慧這一「石塊」並開始打磨作為智能工具，未來一定會逐步進入智能的青銅時代、黑鐵時代乃至蒸汽時代。但有限的模型和相應的弱人工智慧決定了人類還處在人工智慧的「石器時代」。

（作者為科技與互聯網資深分析師，編輯：謝麗容）

推薦閱讀：