你需要知道的關(guān)于人工智能的一切

1956年，一群由年輕的數(shù)學(xué)助理教授約翰·麥卡錫(John McCarthy)領(lǐng)導(dǎo)的科學(xué)家聚集在新罕布什爾州的達(dá)特茅斯學(xué)院(Dartmouth College)，開(kāi)始了一項(xiàng)為期六周的雄心勃勃的計(jì)劃:創(chuàng)造出能夠“使用語(yǔ)言、形成抽象概念、解決人類特有的各種問(wèn)題、并自我提升”的計(jì)算機(jī)。

該項(xiàng)目開(kāi)啟了人工智能(AI)領(lǐng)域。當(dāng)時(shí)，科學(xué)家們認(rèn)為，“兩個(gè)月、10個(gè)人的人工智能研究”將解決人工智能等式的最大部分?！拔覀冋J(rèn)為，如果精心挑選的一組科學(xué)家在夏季共同研究這些問(wèn)題，我們可以在其中一個(gè)或多個(gè)問(wèn)題上取得重大進(jìn)展，”第一份人工智能提案寫(xiě)道。

加入線上工作坊及工作坊;關(guān)于未來(lái)一年的實(shí)時(shí)討論

60多年過(guò)去了，創(chuàng)造人工智能的夢(mèng)想依然遙不可及。我們?nèi)匀粵](méi)有能夠像人類孩子一樣思考和解決問(wèn)題的思考機(jī)器，更不用說(shuō)成年人了。但是我們已經(jīng)取得了很大的進(jìn)步，因此，人工智能領(lǐng)域被劃分為人工一般智能(AGI)和人工窄智能(ANI)。

麥卡錫和他的同事們?cè)O(shè)想的人工智能是一個(gè)人工智能系統(tǒng)，它可以學(xué)習(xí)任務(wù)并解決問(wèn)題，而不需要明確指示每一個(gè)細(xì)節(jié)。它應(yīng)該能夠進(jìn)行推理和抽象，并且能夠輕松地將知識(shí)從一個(gè)領(lǐng)域轉(zhuǎn)移到另一個(gè)領(lǐng)域。

幾十年來(lái)，研究人員已經(jīng)認(rèn)識(shí)到，創(chuàng)造一個(gè)滿足所有這些要求的人工智能系統(tǒng)是非常困難的。人工智能的最初設(shè)想，即模仿人類思維過(guò)程的計(jì)算機(jī)，已被稱為人工一般智能。

閱讀:[自主學(xué)習(xí)是人工智能的未來(lái)]

根據(jù)維基百科，AGI是“一臺(tái)能夠理解或?qū)W習(xí)人類能夠理解的任何智力任務(wù)的機(jī)器”?？茖W(xué)家、研究人員和思想領(lǐng)袖都認(rèn)為agi至少還需要幾十年的時(shí)間。

但在他們不斷努力實(shí)現(xiàn)創(chuàng)造會(huì)思考的機(jī)器的夢(mèng)想的過(guò)程中，科學(xué)家們成功地發(fā)明了各種有用的技術(shù)。狹義人工智能是一個(gè)涵蓋所有這些技術(shù)的總稱。

狹窄的人工智能系統(tǒng)擅長(zhǎng)執(zhí)行單一任務(wù)，或有限范圍的任務(wù)。在許多情況下，它們甚至在特定領(lǐng)域超越人類。但是一旦他們遇到的情況超出了他們的問(wèn)題范圍，他們就會(huì)失敗。他們也不能將知識(shí)從一個(gè)領(lǐng)域轉(zhuǎn)移到另一個(gè)領(lǐng)域。

例如，由谷歌旗下的人工智能研究實(shí)驗(yàn)室deepmind開(kāi)發(fā)的機(jī)器人可以在錦標(biāo)賽級(jí)別上玩熱門(mén)的實(shí)時(shí)戰(zhàn)略游戲《星際爭(zhēng)霸2》。但是同樣的AI將不能玩其他的即時(shí)戰(zhàn)略游戲，如魔獸或命令與游戲;征服。

雖然窄人工智能在需要人類智能的任務(wù)上失敗了，但它已經(jīng)證明了它的實(shí)用性，并在許多應(yīng)用中找到了出路。你的谷歌搜索查詢是由狹隘的人工智能算法回答。一個(gè)狹窄的人工智能系統(tǒng)會(huì)在YouTube和Netflix上推薦你的視頻，并在Spotify上管理你每周的發(fā)現(xiàn)播放列表。Alexa和Siri已經(jīng)成為許多人生活的主要內(nèi)容，它們是由狹隘的人工智能驅(qū)動(dòng)的。

事實(shí)上，在大多數(shù)情況下，當(dāng)你聽(tīng)說(shuō)一家公司“使用人工智能來(lái)解決X問(wèn)題”或在新聞中讀到人工智能，它是關(guān)于人工窄智能的。

我們今天使用的人工智能技術(shù)主要分為兩類:符號(hào)人工智能和機(jī)器學(xué)習(xí)。

象征性人工智能，也被稱為優(yōu)秀的老式人工智能(GOFAI)，在人工智能的大部分歷史中是研究的主導(dǎo)領(lǐng)域。符號(hào)型人工智能要求程序員精心定義規(guī)則，以指定智能系統(tǒng)的行為。符號(hào)人工智能適用于環(huán)境可預(yù)測(cè)、規(guī)則明確的應(yīng)用程序。雖然象征性人工智能在過(guò)去的幾年里有些失寵，但我們今天使用的大多數(shù)應(yīng)用程序都是基于規(guī)則的系統(tǒng)。

機(jī)器學(xué)習(xí)是狹義人工智能的另一個(gè)分支，它通過(guò)實(shí)例開(kāi)發(fā)智能系統(tǒng)。機(jī)器學(xué)習(xí)系統(tǒng)的開(kāi)發(fā)人員創(chuàng)建一個(gè)模型，然后通過(guò)提供許多例子來(lái)“訓(xùn)練”它。機(jī)器學(xué)習(xí)算法處理示例并創(chuàng)建數(shù)據(jù)的數(shù)學(xué)表示，以執(zhí)行預(yù)測(cè)和分類任務(wù)。

例如，對(duì)數(shù)千個(gè)銀行交易及其結(jié)果(合法或欺詐)進(jìn)行訓(xùn)練的機(jī)器學(xué)習(xí)算法將能夠預(yù)測(cè)新的銀行交易是否存在欺詐。

機(jī)器學(xué)習(xí)有很多不同的方式。深度學(xué)習(xí)是一種特殊類型的機(jī)器學(xué)習(xí)，在過(guò)去的幾年里變得特別流行。深度學(xué)習(xí)尤其擅長(zhǎng)執(zhí)行數(shù)據(jù)混亂的任務(wù)，比如計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理。

強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的另一個(gè)子集，是一種窄型人工智能，用于許多機(jī)器人游戲和必須通過(guò)反復(fù)試驗(yàn)才能解決的問(wèn)題，比如機(jī)器人。

象征性人工智能和機(jī)器學(xué)習(xí)都能捕捉人類智能的一部分。但它們無(wú)法將必要的元素整合在一起，創(chuàng)造出一個(gè)無(wú)所不包的人類層面的人工智能。這就是阻止他們超越人工智能的原因。

符號(hào)操作是人類思維過(guò)程的重要組成部分。但大腦所做的遠(yuǎn)不止是操縱符號(hào)。我們?cè)谕陼r(shí)期獲得的許多技能(走路、跑步、系鞋帶、操作器具、刷牙等)都是我們死記硬背的東西。我們可以下意識(shí)地學(xué)習(xí)它們，而不需要在腦海中進(jìn)行任何形式的符號(hào)操作。

象征性的人工智能系統(tǒng)非常脆弱。他們需要精確地指導(dǎo)他們必須完成的每一項(xiàng)任務(wù)，并且只能在他們定義的規(guī)則上下文中發(fā)揮作用。

另一方面，機(jī)器學(xué)習(xí)算法擅長(zhǎng)復(fù)制在符號(hào)推理中無(wú)法捕捉的行為，比如識(shí)別人臉和聲音，這是我們通過(guò)例子學(xué)習(xí)的技能。這是深度神經(jīng)網(wǎng)絡(luò)(用于深度學(xué)習(xí)算法的結(jié)構(gòu))擅長(zhǎng)的領(lǐng)域。他們可以吸收大量的數(shù)據(jù)，并建立數(shù)學(xué)模型來(lái)描述這些數(shù)據(jù)的特征。

但是，頭腦的學(xué)習(xí)過(guò)程不能被簡(jiǎn)化成純粹的模式匹配。例如，我們識(shí)別貓的圖像，因?yàn)槲覀兛梢詫⑺鼈兣c我們?cè)谏钪锌吹降脑S多貓的圖像聯(lián)系起來(lái)。但是這個(gè)簡(jiǎn)單的識(shí)別貓的任務(wù)還涉及很多符號(hào)處理(它有四條腿，一條尾巴，毛茸茸的身體，尖尖的耳朵，三角形的鼻子，等等)。

符號(hào)操作的缺乏限制了深度學(xué)習(xí)和其他機(jī)器學(xué)習(xí)算法的能力。深度學(xué)習(xí)算法需要大量的數(shù)據(jù)來(lái)執(zhí)行人類只需很少的例子就能學(xué)會(huì)的任務(wù)。計(jì)算機(jī)視覺(jué)中使用的卷積神經(jīng)網(wǎng)絡(luò)(CNNs)需要對(duì)每一種必須識(shí)別的對(duì)象的數(shù)千張圖像進(jìn)行訓(xùn)練。即使這樣，當(dāng)他們?cè)谛碌恼彰鳁l件下或從不同的角度遇到相同的物體時(shí)，他們經(jīng)常會(huì)失敗。

像AlphaGo、AlphaStar和openai fivememe這樣的人工智能游戲系統(tǒng)必須在數(shù)百萬(wàn)場(chǎng)比賽或數(shù)千小時(shí)的游戲中進(jìn)行訓(xùn)練，然后才能掌握各自的游戲。這是任何一個(gè)人(或十個(gè)人，就此而言)一輩子都玩不完的。

機(jī)器學(xué)習(xí)系統(tǒng)也被嚴(yán)格限制在它們的訓(xùn)練例子的上下文中，這就是為什么它們被稱為窄人工智能。例如，在自動(dòng)駕駛汽車中使用的計(jì)算機(jī)視覺(jué)算法，在遇到不尋常的情況時(shí)，很容易做出不穩(wěn)定的決定，比如一輛停得很奇怪的消防車或一輛翻倒的汽車。

科學(xué)家們一致認(rèn)為，我們今天所擁有的人工智能技術(shù)中，沒(méi)有一項(xiàng)具備人工一般智能所必需的要素。但他們并不一定就下一步如何超越狹隘的人工智能達(dá)成一致。以下是一些擴(kuò)大人工窄智能能力的計(jì)劃:

人工智能的問(wèn)題之一是它是一個(gè)移動(dòng)的目標(biāo)。只要一個(gè)問(wèn)題沒(méi)有解決，它就被認(rèn)為是ai完備的。這意味著能夠解決這個(gè)問(wèn)題的計(jì)算機(jī)被認(rèn)為具有真正的人工智能。但一旦它被解決，它就不再被認(rèn)為需要智力。

一個(gè)主要的例子是國(guó)際象棋，它曾被認(rèn)為是人工智能的果蠅，參考了20世紀(jì)早期對(duì)果蠅的突破性遺傳研究。但在1996年擊敗國(guó)際象棋世界冠軍加里?卡斯帕羅夫(Garry Kasparov)的電腦“深藍(lán)”(Deep Blue)，被認(rèn)為不如人類棋手那么聰明。它使用純粹的計(jì)算能力來(lái)檢查所有可能的走法，并選擇最有可能獲勝的走法。同樣的情況也適用于其他擅長(zhǎng)特定任務(wù)的窄型人工智能系統(tǒng)，比如打電話和在餐館訂餐。

在許多方面，窄人工智能已經(jīng)證明，我們用人類智能解決的許多問(wèn)題可以分解為數(shù)學(xué)方程和愚蠢的算法。

最近，人們更加關(guān)注衡量人工智能系統(tǒng)解決一般性問(wèn)題的能力。在這方面，一篇著名的著作是“智力的衡量”，這是科拉斯深度學(xué)習(xí)圖書(shū)館(Keras deep learning library)的創(chuàng)始人弗朗索瓦·喬萊(Francois Chollet)撰寫(xiě)的一篇頗具影響力的論文。

在他的論文中，Chollet討論了衡量anAI系統(tǒng)解決問(wèn)題的能力的方法，這些問(wèn)題并沒(méi)有明確的培訓(xùn)或指導(dǎo)。在同一篇文章中，Chollet提出了抽象推理語(yǔ)料庫(kù)(ARC)，這是一組可以檢驗(yàn)這一假設(shè)的問(wèn)題。谷歌旗下的數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)競(jìng)賽平臺(tái)Kaggle今年早些時(shí)候發(fā)起了一項(xiàng)挑戰(zhàn)，以解決ARC數(shù)據(jù)集的問(wèn)題。

雖然幾乎沒(méi)有人有機(jī)會(huì)能夠解決這一挑戰(zhàn)并獲得大獎(jiǎng)，但這將是一個(gè)很好的衡量標(biāo)準(zhǔn)，可以衡量我們從狹隘的人工智能到創(chuàng)造能像人類一樣思考的機(jī)器已經(jīng)走了多遠(yuǎn)。