人工智能方法存在什么問(wèn)題，以及我們可以解決什么問(wèn)題?

不久前，一篇題為《AI寒冬將至》的文章火了，引發(fā)AI領(lǐng)域?qū)＜覍W(xué)者、研究人員、學(xué)生甚至吃瓜群眾的大量討論。該文對(duì)有關(guān)深度學(xué)習(xí)的炒作提出批評(píng)，認(rèn)為深度學(xué)習(xí)已經(jīng)塵埃落定，就像股市會(huì)崩盤，AI的寒冬一定會(huì)再次來(lái)臨，雖然無(wú)法預(yù)測(cè)它何時(shí)來(lái)臨。這篇文章的作者Filip Piekniewski是計(jì)算機(jī)視覺(jué)和AI領(lǐng)域的專家，經(jīng)過(guò)幾周的思考，他重新總結(jié)了自己對(duì)AI的觀點(diǎn)，值得深思。

最近幾周，我被迫重新思考和總結(jié)我對(duì)AI的看法。在《AI寒冬將至》那篇帖子廣為傳播后，很多人通過(guò)電子郵件和twitter聯(lián)系我，提出了很多好的建議。因此，我決定以簡(jiǎn)潔的方式寫一下我認(rèn)為我們的人工智能方法存在什么問(wèn)題，以及我們可以解決什么問(wèn)題。以下是10個(gè)要點(diǎn)：

1.我們被圖靈對(duì)智能的定義所束縛了。圖靈有關(guān)智能構(gòu)想很著名，他將智力限制為一種和人類進(jìn)行語(yǔ)言游戲的解決方案。具體來(lái)說(shuō)，圖靈將智能設(shè)定為（1）游戲的解決方案，（1）將人類置于判斷的位置。這個(gè)定義非常具有迷惑性，并很適合人工智能領(lǐng)域。狗，猴子，大象，甚至嚙齒類動(dòng)物都是非常聰明的生物，但它們沒(méi)有語(yǔ)言，因此也不可能通過(guò)圖靈測(cè)試。

2.人工智能的核心問(wèn)題莫拉維克悖論（Moravec's paradox）。這個(gè)問(wèn)題在今天要比1988年它剛被提出時(shí)要明顯得多，而我們?cè)谶^(guò)去30年里幾乎沒(méi)有采取任何行動(dòng)來(lái)解決這個(gè)問(wèn)題，這是令人羞愧的。莫拉維克悖論的核心論點(diǎn)是，現(xiàn)實(shí)中最簡(jiǎn)單的問(wèn)題比最復(fù)雜的游戲更難解。（注：如莫拉維克所寫；“要讓電腦如成人般地下棋是相對(duì)容易的，但是要讓電腦有如一歲小孩般的感知和行動(dòng)能力卻是相當(dāng)困難甚至是不可能的?！保┪覀兂撩杂诹預(yù)I在游戲中超越人類（以及其他受限且定義明確的話語(yǔ)領(lǐng)域，如數(shù)據(jù)集），將其作為智能的指標(biāo)，作為一種與圖靈測(cè)試一致的標(biāo)準(zhǔn)。我們完全忽略這樣一個(gè)事實(shí)：對(duì)智能的最終判斷由現(xiàn)實(shí)本身，而不是由一個(gè)人類組成的委員會(huì)作出。

3.我們的模型甚至可能起作用，但往往是出于錯(cuò)誤的原因。我在其他文章詳細(xì)闡述過(guò)這點(diǎn)，深度學(xué)習(xí)就是一個(gè)很好的例子。深度學(xué)習(xí)顯然已經(jīng)解決了物體識(shí)別問(wèn)題，但是大量研究表明，深度神經(jīng)網(wǎng)絡(luò)能識(shí)別物體的原因與人類能觀察到物體的原因大不相同。對(duì)于用圖靈測(cè)試精神欺騙人類的人來(lái)說(shuō)，這可能并不重要。但對(duì)于關(guān)注人工智能體處理非預(yù)期（域外）現(xiàn)實(shí)的能力的人來(lái)說(shuō)，這是至關(guān)重要的。

4. 現(xiàn)實(shí)不是游戲。就算跟游戲有關(guān)，它也是一個(gè)無(wú)限的游戲集合，其中的規(guī)則不斷變化。任何時(shí)候只要出現(xiàn)了重大發(fā)展，游戲規(guī)則都會(huì)要重寫，所有玩家都需要作出調(diào)整，否則就會(huì)死亡。智能是一種機(jī)制，它會(huì)進(jìn)化以令智能體能夠解決問(wèn)題。由于智能是一種輔助我們玩“規(guī)則不斷變化的游戲”的機(jī)制，因此作為一種副作用，它能讓我們玩有一套固定規(guī)則的實(shí)際游戲也就不足為奇了。但反過(guò)來(lái)就不成立了：構(gòu)建在玩固定規(guī)則游戲時(shí)勝過(guò)人類能力的機(jī)器，跟構(gòu)建一個(gè)能夠玩“規(guī)則不斷變化的游戲”的系統(tǒng)差得遠(yuǎn)了。

5.物理現(xiàn)實(shí)中有一些規(guī)則是不變的——即物理定律。我們用語(yǔ)言描述他們，并利用它們來(lái)做預(yù)測(cè)，從而建立文明。但是為了在這個(gè)物理環(huán)境中行動(dòng)，這個(gè)星球上的每一種生物體都掌握了這些定律，并不需要語(yǔ)言。小孩子在學(xué)會(huì)牛頓運(yùn)動(dòng)定律之前，就知道蘋果會(huì)從樹上掉下來(lái)。

6.我們的視覺(jué)統(tǒng)計(jì)模型其實(shí)是非常不足的，因?yàn)樗鼈儍H依賴于某一時(shí)間的事物和人類指定的抽象標(biāo)簽進(jìn)行識(shí)別。深度神經(jīng)網(wǎng)絡(luò)能夠看到數(shù)以百萬(wàn)計(jì)的蘋果掛在樹上的圖像，但永遠(yuǎn)不可能發(fā)現(xiàn)萬(wàn)有引力定律（以及許多對(duì)我們來(lái)說(shuō)很顯然的東西）。

7.常識(shí)的困難之處在于它對(duì)我們而言是在太顯而易見(jiàn)了，甚至很難用語(yǔ)言去描述它，進(jìn)而在數(shù)據(jù)中給它打標(biāo)簽。對(duì)于所有“顯而易見(jiàn)”的東西，我們存在巨大的盲點(diǎn)。因此，我們無(wú)法教計(jì)算機(jī)常識(shí)，不僅因?yàn)檫@可能不切實(shí)際，更根本的原因是我們甚至沒(méi)有意識(shí)到“常識(shí)”是什么。直到我們發(fā)現(xiàn)機(jī)器人做了一些很愚蠢的事情，我們才頓悟：“哦，原來(lái)它不懂...... [這里可以填任何顯而易見(jiàn)的常識(shí)] ......”。

8. 如果我們想解決“莫拉維克的悖論”（我認(rèn)為應(yīng)該是當(dāng)今任何嚴(yán)肅的AI工作的焦點(diǎn)），我們就多少需要模仿生物體純粹依靠觀察世界學(xué)習(xí)的能力，而不需要標(biāo)簽。實(shí)現(xiàn)這一目標(biāo)的一個(gè)有希望的想法是構(gòu)建一個(gè)系統(tǒng)，對(duì)未來(lái)的事件進(jìn)行預(yù)測(cè)，并通過(guò)將實(shí)際的發(fā)展與系統(tǒng)的預(yù)測(cè)進(jìn)行比較來(lái)學(xué)習(xí)。大量的實(shí)驗(yàn)表明，這確實(shí)是生物大腦中發(fā)生的事情，并且從許多角度來(lái)看這樣做都很有意義，因?yàn)檫@些系統(tǒng)必須要學(xué)習(xí)物理定律。預(yù)測(cè)視覺(jué)模型（predictive vision model）是朝這個(gè)方向邁出的一步，但肯定不是最后一步。

9.我們迫切需要在圖靈的定義之外定義“智能”的特征。一個(gè)不錯(cuò)的想法來(lái)自非平衡態(tài)熱力學(xué)（non-equilibrium thermodynamics），并與預(yù)測(cè)假設(shè)一致。我們需要這樣做，因?yàn)槲覀冃枰獦?gòu)建智能體，這些智能體肯定通不過(guò)圖靈測(cè)試（因?yàn)樗鼈儧](méi)有語(yǔ)言智能），但我們需要一個(gè)框架來(lái)衡量我們的進(jìn)展。

10. 我們今天所做的幾乎所有稱之為AI的事情，都是可以用語(yǔ)言表達(dá)的某種形式的自動(dòng)化。在許多領(lǐng)域，這些所謂AI可能有用，但這與用Excel取代紙質(zhì)表格來(lái)幫助會(huì)計(jì)師，實(shí)際上沒(méi)有什么不同。有問(wèn)題（并且問(wèn)題始終存在）的領(lǐng)域是自主（autonomy）。自主不是自動(dòng)化（automation）。自主不僅僅意味著自動(dòng)化。如果是要求比人類更安全的自主的話，那么它意味著更多，比如說(shuō)自動(dòng)駕駛汽車。自主應(yīng)該是廣義智能的同義詞，因?yàn)樗僭O(shè)能夠處理意外的、未經(jīng)訓(xùn)練的，未知的事物。

以上是我想傳達(dá)的核心要點(diǎn)。這些論點(diǎn)有細(xì)微的差別，這就是我寫這篇文章的原因。當(dāng)然，如果你承認(rèn)這些要點(diǎn)，我們的觀念就基本上是一致的?！禔I寒冬將至》那篇文章還有其他許多細(xì)節(jié)受到激烈的辯論，雖然我認(rèn)為這些細(xì)節(jié)不是必要的，但為了完整起見(jiàn)，讓我就其中的一些表達(dá)我的看法：

1.天生的還是后天習(xí)得的？當(dāng)然，有的生物具有天生的能力，但無(wú)疑也有后天學(xué)習(xí)的東西。不過(guò)，這是一個(gè)與實(shí)現(xiàn)（implementation）相關(guān)的問(wèn)題，我認(rèn)為它沒(méi)有明確的答案。在我們未來(lái)的發(fā)展中，我確信我們會(huì)使用兩者的結(jié)合。

2.學(xué)習(xí)特征還是人工構(gòu)建的特征？這是一個(gè)相關(guān)的問(wèn)題。我的觀點(diǎn)是，“皮層計(jì)算”（cortical computation）的絕大部分會(huì)被習(xí)得，這是在AI和自主的背景下（但這并不意味著如果它被證明有用，或由于某種原因難以學(xué)習(xí)，我們就不能人工構(gòu)建它）。大腦里還有很大一部分很可能預(yù)置的。在更具體的自動(dòng)化應(yīng)用中，這兩種情況都可能會(huì)有。在某些情況下，學(xué)習(xí)的特征可能明顯優(yōu)于人工構(gòu)建的特征（這是深度學(xué)習(xí)的賣點(diǎn)所在），但在許多應(yīng)用中，人工精心制作和開發(fā)的特征絕對(duì)、毫無(wú)疑問(wèn)優(yōu)于任何學(xué)習(xí)的東西。總的來(lái)說(shuō)，我認(rèn)為這是一個(gè)偽命題。

3.脈沖，連續(xù)，數(shù)字還是模擬，又或是量子？我對(duì)此沒(méi)有非常強(qiáng)烈的主張，每一種都有優(yōu)點(diǎn)和缺點(diǎn)。數(shù)字簡(jiǎn)單，確定并且易于獲得。模擬很難控制但功耗要低得多。脈沖（spiking）也是，，雖然它的額外好處是更接近生物學(xué)，這可能意味著它是更好的解決方案。量子？ 我不確定是否有強(qiáng)有力的證據(jù)證明量子計(jì)算在解決智能問(wèn)題方面有必要性，盡管我們可能會(huì)發(fā)現(xiàn)它是必要的。這些都是“如何做？”（how）的問(wèn)題，但我的主要興趣還是“是什么？”（what）的問(wèn)題。