财新传媒

复旦教授:人工智能超越人类为时尚早

2016年03月14日 15:50 来源于 财新网
人工智能的核心科学难题,从50年多前人工智能的诞生到现在,还一个都没解决,以前人工智能做不了的事情现在仍几乎不能做

      文 | 危辉

      人工智能完胜人类?这还只是一个传说

  在Google人工智能AlphGo战胜欧洲围棋冠军之后,Google有个说法叫做人类最后的智力骄傲即将崩塌,其实我觉得这个说法言过其实,人类最绚烂、最精华的东西远不是围棋,例如人能欣赏一则幽默,解决刚刚遇到的一个问题,但机器完全做不到,人类的思维远不是说因为在围棋上失败而失去了一切。

  很多人说IBM的Watson机器人(2011年,在美国的电视智力竞赛节目中打败了人类对手)比人聪明,实际情况并非如此,它做智力测验比一般人好。设计师事先给它设计一个游戏规则,类似我们小时候电视上经常出现的问答,回答对了加十分。根据这个规则,Watson最后得了77147分,得分最高,所以细究一下,高分不一定表示它聪明,当你让它做一件要求推理的事情时,这个机器就会崩掉,所以我们要跟它比推理能力,而不是简单的机械记忆。

  最近两年,在拉斯维加斯全球消费电子展(CES)上的自动驾驶也很热,很多人希望将来我们的汽车也能自动驾驶,但目前的情况是,如果有一天自动驾驶汽车放到你面前,你不会开,因为程序很繁琐。真正地要机器跟人类的驾驶员那样高度自动化,目前还远远达不到,所以这也仅仅只是一个梦想而已。

  有人曾说,未来大概有七百多种职业,包括速记员、导游、客服、秘书、司机不再需要人来担任。我想列举一例,1950年,人工智能刚刚出现的时候,就有人预测秘书会被机器人代替,但从1950到现在,秘书有被机器代替了吗?所以现在重提将来会有750余种工作被机器代替,这个预测实在太大胆。像客服、导游这么复杂的工作,机器要代替人还非常难。

  从科普杂志到时尚杂志都在宣扬机器智慧超越人类,都只是一种假象,人工智能的核心科学难题,50年前到现在还没有一个解决,以前人工智做不了的事情现在仍几乎不能做,只不过现在计算机的速度快了,好像看起来有所改进,其实改进不是很大。真正的理论突破没有,大多只是渐进式工程进步而已。一个最好的例子就是自然语言理解,以前人们希望计算机能够翻译论文,现在只能做到大大限制主题后的简单问答。

  人工智能:理想与现实的差距仍很遥远

  人工智能通常包含两件事情:第一件事情我们首先要了解人类智能的本质是什么,生物体(如人)的智能如何实现。人类在千百万年的演化过程中,进化出一个非常完善的大脑,所以我们首先弄清楚大脑如何工作,人类智能的本质是什么;第二件事情,我们知道了大脑的工作原理,哪怕只知道一点点,就可按照大脑的工作机制,设计一些算法或硬件来展现智能机器——任何一项做人工智能的研究都包含这两件事。

  人工智能之所以能求解,必须满足两个条件:

  第一、要求能够精确定义的问题;

  第二、问题的范围一定要非常有限,能够被精确定义。

  现实的情况是,我们生活中大量的问题,是不能被精确定义的,范围也不受限,以近日谷歌AlphaGo与李世石九段的围棋比赛为例,围棋的黑子白子、格子规范,棋局设计,用计算机表示它们,均能够做到。所以对人工智能来说,一定要定义地非常精确,范围非常有限,只有这样它们才能大概知道在做怎样的事情,以及如何做好。

  回归到人工智能研究的细节上来,人工智能首先研究的是推理,推理很基础简单,相当于中学生的几何题:告诉你已知条件,然后证明出来,如证明两条线垂直或两个角相等,这是人工智能研究的早期核心之一。

  其次,人有非常强的学习能力,计算机以前不能学习,设定程序后只能按程序做,不会解决遇到的新问题。人类希望它像同自己那样擅于学习,于是让它“读”很多书,“看”很多东西,把“前辈”的经验记下来,于是计算机的学习能力得到提升。

  第三个方面,问题的求解,在设置起始状态以及最终状态后,以最快的速度从这种情况挪到那种情况,何种方式速度最快最好,这是人工智能研究的第三个问题。

  第四个问题是规划,例如走迷宫,我们需要规划一条路线,从这里走进去,从那里走出来,人工智能可以做出这样的决策。

  第五个问题是自然语言的理解,自然语言理解里面一个非常核心的应用是机器翻译,自然语言理解非常困难,解决这个问题,要比计算机下围棋打败人难很多,所以如果机器翻译搞定的话,我们就不用花那么多的时间学习英语,就可以跟老外顺畅地交流,但我们发现这是很困难的事情。

  第六个研究是模式识别,如图象理解,比如场景是一张图里有桌子、茶、雕像,还有语音播放,人类的视觉以及听觉能很好地识别它们。机器的模式识别能力目前在简单的东西上已做得不错,如指纹识别、印刷体识别、手写体识别以及汽车入库车牌识别都做得不错,但在复杂的情况下还做不到,仍有局限性,例如车牌识别仅限于车停在恰当的位置,如换成大马路等其他场景,识别就不好了,所以现在的模式识别做得好的事情屈指可数。如果要把模式识别研究清楚,未来十年、二十年,我们能够取得很大的进步吗?我不敢估计。类似的领域还有很多。

  人工智能模拟人类神经网络,前景无限

  人类智能的物质基础是大脑中的神经元。它们大概有1000亿个,神经元如何工作以及多个神经元构造如何工作,研究它们对人类进步的意义很大。今年大脑科学计划将成为国家未来科学研究一个非常重要的方向。如果把脑科学研究成果跟人工智能程序设计连接在一起,这会给人工智能设计带来很大的想象空间。

  目前,人类的视网膜从解析度上来看已不如高端的照相机,但人的视网膜非常复杂,视网膜细胞收集信息后,将信息投递到别的细胞中去,这个信息通路的过程也很复杂。不同的细胞收集不同范围里面的信息,部分细胞能检测到图象的边界。因为有了边界以后,人类才能看到外面的世界。

  很多人说,眼见为实,其实这并不总是客观的。因为视觉对外界物理信息主动加工,已经解释过一遍,所以说并不是真实的物理环境和真正的刺激,我们的主观感知有颜色,但这并不是说自然界真的有颜色,而是我们的主观感受。但是它会带来好处,这就是方便我们对整个世界加工,不同的颜色表示不同的物理刺激,我们很容易将不同事物区分出来,显然这种主观标示刺激对我们认知世界有好处。

  人工智能的模式识别以及图像加工程序模拟视网膜细胞,原理与之类似。如果我们能够模拟大脑的工作机制,写出程序来解释人类为什么会产生错觉,从而有可能接近大脑的工作机制,就会使得我们一步步地接近大脑是怎样工作。类脑计算是模仿大脑信息加工制造出来的硬件结构或计算程序,它的核心是根据大脑的工作机制才能做好,这是一个多学科交叉的研究领域,例如心理学、神经科学等。通常情况下,设计计算机软件是针对某种人工智能任务。类脑计算的核心是我们了解大脑怎么工作之后,然后再对它进行模仿。

1

  眼见并不一定为实,缪勒——莱依尔错觉。图片来自zhidao.baidu.com

  类脑计算的发展前景以及未来应用都非常广阔。例如,当人的视觉出现障碍,青光眼或由外伤导致失明,如果我们想对他进行修复,或设计一个模仿机器即可让他看到世界。事实上,人类的视觉加工神经通路很长,如果中间哪个环节出了问题,就会影响视力,我们可设计一些视网膜芯片来代替它。对于很多截瘫病人,如果能通过芯片植入,将上下神经连接起来,使其恢复正常行走或感知,这种应用的社会价值也很大,所以类脑计算跟普通人的日常生活息息相关,未来会有非常好的应用前景,当然它自身需要解决的问题还很多。

  AlphaGo Vs 李世石:人类以一敌百,虽败尤荣

  对于围棋比赛来说,每一步我们的选择会很多,机器同我们一样,每一步都有很多决策需要决定,但机器每一步棋的结果会一直演化下去,直至得到最优的选择,而且它们这样做很容易,对人类来说,这并非易事。如果我们将棋局上的每一个点视为一个元素,它可以是1、-1,或者是0,所以每一个点共有三种状态:黑、白和空白,这种结点数量总共有3的361次方之巨,人脑这样做会有些困难,但人工智能可以把棋局精确地表示出来。

  对于机器来说,实现它的效率是一个难点,即用很快的速度或方法找出哪种走步最合适。一个好的办法是设计一个搜索程序,一个结点、一个结点地走下去,它需要判断哪一个更好,判断的依据来自于后面,而不依赖于前面,所以对计算程序而言,它们总能找到对自己有利的走法,人工智能的这个难点类似人类的歧路寻羊,穷尽所有可能性的方法在机器里面搜索。这理论上是可行的,但实践上却不容易。

  接下来就是如何提高机器的效率,AlphaGo通过对很多棋谱进行深度学习,并事先对棋谱依据走法和策略进行了分类,每一个分类对应一个已知的不同策略。在设计过程中,谷歌的AlphaGo可能有一个创新的设计,即怎么表征棋局的当前状态和判定假设走步的价值,比如说每走一步,它的价值是什么。这可能是通过对大量以往棋局的机器学习来做到的,它或是基于下棋规则,或是基于大量棋局与走步的配对。人工智能在每一种情况下,都有一个很好的判定。事实上,这种搜索上世纪50年代就已做到,如今仍在反复使用。

  对于李世石来说,AlphaGo的背后拥有一个庞大的团队,有做硬件的,有设计程序的,还有大量的顶尖棋手贡献出来的棋谱。棋谱是AlphaGo经验的来源,也是其他大量棋手经验的结晶,所以把这么多人的智慧综合到一个计算机上,来对付一个人,李世石堪称虽败尤荣。

  事实上,围棋是一个规则特别明确的事情,AlphaGo非常可能针对的不是模仿下棋规则,而是匹配一定区域的棋局。如果人类和人工智能比规则简单明确的棋类,早晚要输。

  此前两役,AlphaGo赢了,其实它并没有真正地理解围棋的基本原则,它唯一的概念就是布局和布局之间的关系,所以说它的程序学到的东西还很有限,并不像我们想象的那么好,所谓的类推能力是由它积累的海量样本造成,这方面没有创新,机器只知其然,不知其所以然。

  人工智能发展到现在的一个现状是:瞎子摸象。每个人看的东西都是很局部的,但是每个人都认为自己看到的就是人工智能未来的发展方向,最后大家都没有达成一个共识。

  很多人不愿意承认这种尴尬局面:我们离我们的目标仍非常遥远,真正的人工智能也离我们很远。尽管银幕中的科幻电影有很多人工智能的形象,它们甚至已进化出了人的意识,但这样的事情在现实世界中还不会出现。生物神经系统,特别是高级灵长目动物的大脑,是长期自然进化的结果,我们要对自然心存敬畏,不要动辄就认为它很容易被超越。 

 《知识分子》是由饶毅、鲁白、谢宇三位学者创办的移动新媒体平台,致力于关注科学、人文、思想

知识分子
知识分子


责任编辑:崔筝 | 版面编辑:刘潇
财新传媒版权所有。
如需刊登转载请点击右侧按钮,提交相关信息。经确认即可刊登转载。
推广

财新微信

热词推荐:
范华培 高考绝对公平 韩春雨 何林夏 4月招聘 宜春 财新网 安徽副省长杨振超被查 回龙观自来水污染最新结果 贵州兴义交通事故 日本外相将访华 上海送奶车侧翻 易乾 程博明最新消息 郑州服装厂爆炸