什么是人工智能，什么不是?

毫無疑問，AlphaGo是由谷歌DeepMind設(shè)計的“人工智能圍棋系統(tǒng)”，它是個非常聰明的系統(tǒng)。AlphaGo擊敗了圍棋世界冠軍Lee Sedol，而類似的深度學(xué)習(xí)方法已經(jīng)被用于解決各個行業(yè)的復(fù)雜計算問題。多虧了AlphaGo，人工智能這個詞匯再次成為人們關(guān)注的焦點。

然而，本文作者并不認(rèn)為AlphaGo屬于人工智能，因為它不涉及通用人工智能(AGI)。要建立通用人工智能，關(guān)鍵問題之一是讓它避免受到設(shè)計者的限制，應(yīng)該讓它自身發(fā)揮出能量。它可以從自己遇到、聽到、說過、做過的事情和體驗中發(fā)展出內(nèi)在的意義，就像人類一樣。

而事實相反，如今的人工智能程序基本無法理解周圍發(fā)生的事情，也無法處理其他領(lǐng)域的問題。那么什么是人工智能呢?這或許是人工智能最根本的問題。

1990年，認(rèn)知科學(xué)家Stevan Harnad在他的論文《符號接地問題》中探討了意義的問題，任何代表性的符號都存在于外部的現(xiàn)實世界中。例如，假設(shè)你必須學(xué)習(xí)漢語作為第二語言，而你所掌握的唯一信息來源是漢語字典。通過字典來學(xué)習(xí)的過程，就像是坐無休止的旋轉(zhuǎn)木馬，不斷接觸一個又一個沒有意義的符號。那么你要怎么樣跳出這個怪圈呢?符號要怎樣才能擁有意義?這是典型的符號接地問題。

關(guān)于人工智能意義的問題在幾十年前就被提出了，但直到今天也沒有什么解決辦法。這個問題可以細(xì)分為四個子問題。

1.如何構(gòu)建人類或人工智能從外部接收到的信息?

這是有關(guān)人工智能意義的第一個問題，關(guān)于構(gòu)建信息。隨著機器學(xué)習(xí)的快速發(fā)展，特別是深度學(xué)習(xí)和非監(jiān)督學(xué)習(xí)的發(fā)展，這個問題近年來得到了很好的解決。包括AlphaGo在內(nèi)的巨大進步，在一定程度上是源自圖形處理器技術(shù)的進步，這種技術(shù)非常擅長處理信息。這些有效的算法，例如深度學(xué)習(xí)算法，是在一個高緯度空間中利用最有用的信息，去讀取復(fù)雜的數(shù)據(jù)。

對于今天的人工智能來說，監(jiān)督學(xué)習(xí)無疑是應(yīng)用中最成功的。例如樸素貝葉斯分類(Naive Bayes Classification)、邏輯回歸(Logistic Regression)和支持向量機(Support Vector Machine)這三種算法，每年可以產(chǎn)生數(shù)十億美元的價值。但前面提到的非監(jiān)督學(xué)習(xí)也在快速發(fā)展。聚類算法和主成分分析解決了監(jiān)督學(xué)習(xí)無法解決的許多問題。

此外，半監(jiān)督學(xué)習(xí)和強化學(xué)習(xí)在企業(yè)中也有著越來越廣泛的應(yīng)用。盡管有許多有用的、強大的算法來解決不同的人工智能問題，但是沒有一個通用的人工智能系統(tǒng)可以應(yīng)對所有情況，也沒有人知道這么多人工智能系統(tǒng)中的哪一個可以用來構(gòu)建通用人工智能。

在我看來，非監(jiān)督學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)將為實現(xiàn)這一夢想提供最大的幫助。例如，IBM的Watson整合了許多算法，以便處理各種各樣的數(shù)據(jù)。然而，許多研究人員認(rèn)為，如果沒有認(rèn)知心理學(xué)和神經(jīng)科學(xué)的幫助，就不可能建立通用的人工智能。要實現(xiàn)這一夢想成真，還有很長的路要走。

2.如何將這些結(jié)構(gòu)化的信息與外部世界聯(lián)系起來，或者像上述所說，去創(chuàng)造意義?

在構(gòu)建信息之后，第二個問題是將結(jié)構(gòu)化的信息與現(xiàn)實世界聯(lián)系起來，并為機器人技術(shù)賦予了根本意義。能夠與外部世界進行互動的前提是擁有身體，因此沒有機器人就沒有人工智能。這一認(rèn)識經(jīng)常被稱為“化身問題”。大多數(shù)人工智能研究人員如今都認(rèn)為，對于人工智能來說，化身與智慧一樣重要。從現(xiàn)實世界來看，尤其是動物的世界，我們可以發(fā)現(xiàn)每個不同的身體都有著不同形式的智慧。

這個化身問題起始于對身體部位的理解，然后控制它們，并在觀察到的世界中產(chǎn)生預(yù)期的效果，最后建立起自己對世界的理解。這一過程被稱為“感覺運動理論”，J. Kevin O’Regan等人對此進行了研究。

3.如何將這一意義同步給其他人工智能媒介?

這個問題與文化的起源有關(guān)。與人類不同的是，有些動物的文化是通過舞蹈和嗅覺等方式來表達的。沒有文化，這一智力的基本催化劑，那么人工智能將僅僅是一種學(xué)術(shù)上的嘗試罷了。然而，文化是一種包含心理學(xué)和認(rèn)知能力的學(xué)習(xí)過程。它不是可以手工編碼進機器的東西。通過研究兒童如何掌握文化，研究人員正在試圖理解這一學(xué)習(xí)過程。

這一過程也與語言學(xué)習(xí)緊密相連，它是一個漸進的過程：人工智能媒介通過與世界互動，從中獲取新的信息，創(chuàng)造新的意義，再通過與其他媒介交流來創(chuàng)造新的意義，并選擇出最成功的交流方式。在經(jīng)歷了成百上千次錯誤之后，研究人員可以建立起最強大的人工智能系統(tǒng)。這是深度學(xué)習(xí)無法解釋的東西。一些研究實驗室，比如SoftBank Robotics，正在利用這一過程對復(fù)雜的文化傳統(tǒng)獲取更多信息。

4.為什么人工智能媒介需要做點什么?如何將這一切轉(zhuǎn)化為行動呢?

最后這一個問題是關(guān)于期望。人工智能媒介會因為內(nèi)在動機而采取行動，比如說，人類的行為不只是為了滿足生存需要，而是更加進一步的探索，這是由于內(nèi)在好奇心的驅(qū)使。像Pierre-Yves Oudeyer這樣的學(xué)者認(rèn)為，簡單的數(shù)學(xué)公式已經(jīng)足以用來解釋復(fù)雜的行為。

現(xiàn)有人工智能系統(tǒng)的局限性

根據(jù)作者的理解，目前世界上沒有人工智能，甚至包括最常用和最著名的人工智能服務(wù)和應(yīng)用程序，都不算。

雖然他的觀點并不具有普遍性，但目前情況下，現(xiàn)有的人工智能系統(tǒng)的確存在局限性。Siri是蘋果最受歡迎的人工智能系統(tǒng)，但是如果你說的話超出了它的任務(wù)范圍，它就無法識別你在說什么。SoftBank最著名的人工智能機器人Pepper則和Siri一樣具有局限性。此外，盡管它配備了語音識別系統(tǒng)，但有時卻無法識別語音背后真實的情緒，而且容易被騙。電商巨頭阿里巴巴集團和旗下的在線支付服務(wù)商支付寶正致力于利用人臉識別技術(shù)取代密碼。它的準(zhǔn)確性很不錯，但仍然無法識別有著相似面孔的雙胞胎。

這些例子反映出，目前的人工智能還不是足夠的智能。它們有時候甚至無法處理自己從外部世界獲得的數(shù)據(jù)，更不用說互動了。

總而言之，我們很樂于看到深度學(xué)習(xí)的快速發(fā)展和AlphaGo的巨大成功，因為它們可以被大量應(yīng)用在醫(yī)學(xué)研究、環(huán)境保護和其他許多領(lǐng)域。然而，深度學(xué)習(xí)并不是人類掌握真正人工智能技術(shù)的良方。真正的人工智能能夠從外部世界學(xué)習(xí)、與人類自然地互動，同時理解人類情感、意圖和文化差異，并最終幫助我們創(chuàng)造一個更美好的世界。