胡薇 發表於 2018-05-14 08:58:18
科幻片裡總把AI描繪得神乎其神，甚至像人一樣有血有肉有情感，而世界頂尖AI學者邢波教授告訴我們：要發展人工智慧，得放棄仿生學。只有掌握了這樣的深刻認知，你才能在人工智慧技術的浪潮中，獲得更有力的抓手。
是追求比較文藝的、魔幻式的人工智慧，還是看重低調的工業型、製造型人工智慧？我的建議是後者更靠譜。—— 邢波
邢波卡耐基梅隆大學計算機科學學院教授
通用機器學習平臺 Petuum 創始人
邢波，師從機器學習泰鬥級學術大咖 Michael Jordan ，卡耐基梅隆大學機器學習和醫療中心主任，2017年機器學習學術水平排名世界第一。同時，他還是生物化學與計算機科學的雙料博士，創立了通用機器學習平臺Petuum，並獲得了軟銀投資。
先來看一副古代油畫，「鋼鐵巨獸的降臨」：
同樣，當 AlphaGo 戰勝圍棋世界冠軍時，好多人也驚嘆：我們人類還有戲嗎？
其實，這個問題一點都不新，對不對？
所以，接下來，我將為你「祛魅」，告訴你，人工智慧究竟是一個什麼樣的東西。
兩大假設與一個判斷標準
什麼是智能？
簡單說，就是從自然或人工環境中感知和解析信息，提煉知識並運用於自適應行為的能力。
你會發現，人的代入感是很強的。其實，對智慧的探索，通常都是以人作為主體來定義。
2000多年前，亞里斯多德就有憧憬，如果我們能夠發明一套設備幫人幹活，我們就可以把奴隸給解放出來。
那麼，我們能不能夠用一種人工的製造方法，來代替人的一些功能？
於是，基於這個問題，產生了兩大基礎假設：
① 人類的思考過程可以機械化
要實現這種思路，需要一個技術路線，即形式推理。
什麼是形式推理？從真實前提推出真實結論的形式，比如摸著石頭過河，就是試錯法推理。
人們期望能夠用形式推理的路徑，來規範人的思維過程，這是一個很了不起的工作。
其中，一個重要的裡程碑事件是，大哲學家羅素和懷特寫了一本書叫《數學原理》，他們對數學給出了「完備」的形式化描述。
要知道，數學思維，是人類思維裡面最難的一種。
「這本書耗費了我10年精力，結果賺了負50英鎊，而且10年後只有6個人看完了」—— 羅素
接著，計算機學家圖靈，提出了著名的圖靈機假設：
一臺僅能處理 0 和 1 這樣簡單二元符號的機械設備，能夠模擬任意數學推理過程。
所以我們能夠造計算機，解答所有能夠言說的事物。
這個理論，真正的把某一種或者某一部分人類思維的內容，做了一個完全形式化的嘗試。
這就是第一個基礎假設：人的思維至少是部分形式化的。
② 機械化的思考可以用工程實現
以上這種形式化或者機械化的思考，是不是可以用工程的方式來實現？
沿著這個路徑，許多有趣的理論探索開始出現：
神經學
神經生物學家發現，人的大腦，實際上有點像一個電子網絡，實際上可以被簡化成二態（「有」和「無」）的電子開關的連接網絡。這是對大腦的基本模擬。
控制論
數學家維納的《控制論》，描述了電子網絡的控制和穩定性。
資訊理論
科學家香農提出的資訊理論，描述了數位訊號（即高低電平代表的二進位信號）中的信息表達，編碼，傳播原理。
現代二進位計算機
電子管和電晶體被發明以後，二進位的計算機開始出現，包括二戰時候的編碼器、解碼器以及 50 年代初的一些大型電子計算機。
總之，以上這些準備，產生了實現人的思維過程的可能性，從而帶來了人工智慧的曙光。
最後一個疑問：如何判斷機器擁有智能？
1956年，幾位年輕的學者在美國的一個常青藤學校舉行了一次學術研討會，即達特茅斯會議，並形成了一個共識——
「學習或者智能的任何其他特性的每一個方面都應能被精確地加以描述，使得機器可以對其進行模擬。」
自此，人工智慧正式誕生。
綜合以上，你會發現，人工智慧的誕生，其實不是一個突發性事件，它經過了上百年的理論和實踐準備，包括心理學、信息學、數學、哲學、生物學等各方面的準備工作，最後達到一個收斂，並形成了現代計算機科學的方法論基礎。
三個關鍵點與阻礙
▶第一個黃金時代及嚴冬
理論上的準備完成之後，人工智慧迎來了第一個黃金時代：
卡耐基梅隆大學計算機學院的創始人 Simon 和他的學生們一起發明了一個電腦程式 ——「邏輯理論家」：
能夠自動證明羅素數學原理裡面 50 幾個定理裡面的 38 個定理。
但是，AI研究者們對其課題的難度未能作出正確判斷，過於樂觀使人們期望過高，當承諾無法兌現時，對 AI 的資助就縮減或取消了，AI學家被罵成了「騙子」。
人工智慧的發展進入了嚴冬（1974-1980）
難題一：計算複雜度指數爆炸
理想情況下，問題越難，花的時間就越多，假設問題難一倍，時間就多一倍，問題多一倍，難度就變成四倍……如果一個問題裡有 10 個變量，那就是 2 的十次方……很快，計算複雜度就會超過宇宙裡所有粒子的總數。
而這在現實中，是不可計算的。
難題二：缺乏常識
比如，人在交流的時，會有很多約定俗成的表現，他不說，你也知道，但機器不知道。
所以，常識的缺乏，是機器人或者人工智慧設備遇到的一個巨大瓶頸，而且常識很難維持，因為人的常識實在太多了。
難題三：莫拉維克悖論
和傳統假設不同，人類所獨有的高階智慧能力，只需要非常少的計算能力，例如推理，但是無意識的技能和直覺，卻需要極大的運算能力。
難題四：複雜的決策
複雜的決策面臨著建模的困難，所以很多模型的表達度是不夠的。
▶第二個黃金時代及嚴冬
當然，還是有一部分人比較堅韌，他們並沒有放棄，從而出現了一些新的思索路徑，比如
專家系統獲賞識，「知識處理」成為了主流AI研究的焦點。
這類專家系統獲得了相當的成功，它成為了新的人工智慧裡比較重要的突破口。
但後來，由於應用鏈非常窄，製造成本高，缺乏可重複性或者可延展性，開始出現了第二次公眾預期和結果的落差。
經費又一次下降，投資也沒有了，人也都散了。
▶第三次復興：機器學習
很多時候，講人工智慧通常是以人的智慧做模板，比如說用一個設備去模仿人工神經網絡，但人們很少去問，我們做這個設備是為了什麼？
於是，根據任務導向去開闢新的技術手段，成為現在這一時期的核心，其中，機器學習成為一個非常適合而且強大的工具，人工智慧開始了井噴式的突破。
比如機器狗，它與玩具狗不一樣，是一個能夠自我學習的狗，並不是靠人編程出來的。
開飛機，背後是機械操作的原理，要麼是人操作，要麼就是程序告訴它，在某種情況下做什麼樣的運動。
當然，這些能力還處在比較原始，最近幾次很大的自動車事故，都體現了在算法和工程上面的一些局限。
這其中最大的問題是，算法原則背後的數學因果性，現在還沒有完全搞清楚。還有一些算法，實際上更像是一個黑匣子的算法。
未來，人工智慧將走向何方？
值得注意的是，第三次人工智慧的復興，體現的是一種技術上的勝利，背後的理論形式，其實並沒有變化。
未來，人工智慧將走向何方？你需要關注以下的問題：
人工智慧，是追求全面的對人的模仿，還是針對人的某一種特定功能的超越或者逼近？
哪些是更好的目標？哪些是不靠譜的目標？
最後的最後,有兩個要點值得你特別注意：
1. 我們應該放棄仿生學的角度，改從工程的角度發展人工智慧，只有完成這種思維的轉變，才能這波浪潮中獲得有力的抓手。
為什麼這麼說？
舉個例子，比如要實現「飛」這個目標，歷史上有兩個方法：
① 仿生學的方法，即模仿能飛的鳥，當時包括達文西在內的很多人，都做過這樣的嘗試，但最後，基本上除了形狀上像鳥外，多數都飛不起來或者飛的很差。
② 工程化的方法，即做飛機。飛機跟鳥，非常不一樣，翅膀不會扇，重量也比空氣重，但它唯一聚焦的功能就是飛，不做別的東西。
2. 要學會發掘工業型的、製造型人工智慧的強大潛力。
是追求比較文藝的、魔幻式的人工智慧，還是看重低調的工業型、製造型人工智慧？
我的建議是後者更靠譜。（註：前者的技術上路徑並不明朗，錢投進去，最後能不能有回報，很難預測）
比如在工業設備中出現的大量傳感器數據，這些數據的量很大，是不是應該有一個可能性，去發明一套設備或者算法，實現一種智能？
以我們研發的工作經驗來看，這種人工智慧並沒有被重視，但卻是更容易被實現的。
打開APP閱讀更多精彩內容聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發燒友網立場。文章及其配圖僅供工程師學習之用，如有內容圖片侵權或者其他問題，請聯繫本站作侵刪。 侵權投訴