人工智能如今已經(jīng)成為科技產(chǎn)業(yè)所討論的普遍話題。這項(xiàng)技術(shù)已經(jīng)被應(yīng)用在了Gmail、自動(dòng)駕駛汽車和照片整理上面，Mark Zuckerberg甚至還打算開發(fā)一位人工智能管家。但問題在于，人工智能這個(gè)概念有點(diǎn)太科幻了，它總是讓人想起操縱宇宙飛船的超級(jí)計(jì)算機(jī)，而不是特別聰明的垃圾郵件過濾器。如此一來，人們已經(jīng)開始擔(dān)心人工智能會(huì)在何時(shí)造反并統(tǒng)治人類了。
科技公司在一定程度上也鼓勵(lì)著人們忽略人工智能到科幻人工智能之間的差距，但當(dāng)你試圖去理解計(jì)算機(jī)所做的事情時(shí)，就會(huì)很容易了解到它們的區(qū)別。本文要講的就是人工智能在消費(fèi)應(yīng)用領(lǐng)域里常見的應(yīng)用方向，當(dāng)前技術(shù)的限制，以及為什么說我們還沒必要擔(dān)心機(jī)器人的崛起。
神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)到底是什么
這3個(gè)名詞如今擁有相當(dāng)高的出現(xiàn)頻率。它們可以被看作是3個(gè)不同的層次：神經(jīng)網(wǎng)絡(luò)位于底層，它是建立人工智能的計(jì)算機(jī)結(jié)構(gòu);機(jī)器學(xué)習(xí)是下一層，它是可以在神經(jīng)網(wǎng)絡(luò)上運(yùn)行的一個(gè)程序，可訓(xùn)練計(jì)算機(jī)在數(shù)據(jù)當(dāng)中尋找特定的答案;深度學(xué)習(xí)處在頂層，這是一種在近10年里才流行起來的特性類型的機(jī)器學(xué)習(xí)，而它的流行主要得益于廉價(jià)處理性能和互聯(lián)網(wǎng)數(shù)據(jù)。
神經(jīng)網(wǎng)絡(luò)的概念可以追溯到50年代人工智能的開端。簡(jiǎn)單來說，它是一種建造計(jì)算機(jī)的方式，使其看上去像是一個(gè)卡通化的大腦，當(dāng)中由神經(jīng)一樣的節(jié)點(diǎn)連結(jié)成網(wǎng)絡(luò)。這些節(jié)點(diǎn)本身都很笨，只能回答基本的問題?？梢坏┙M合在一起，它們就可以解決復(fù)雜問題。更為重要的是，有了正確的算法之后，它們還能擁有學(xué)習(xí)能力。
紐約大學(xué)計(jì)算機(jī)科學(xué)教授ErnestDavis這樣介紹道，假如你想讓計(jì)算機(jī)學(xué)習(xí)如何過馬路，在傳統(tǒng)編程方式下，你需要給他一套非常具體的規(guī)則，告訴它如何左右看，等待車輛，使用斑馬線等等，然后讓它嘗試。而在面對(duì)機(jī)器學(xué)習(xí)時(shí)，你只需向它展示10000部安全橫穿馬路的視頻(以及10000部過馬路被車撞的視頻)就行了。
在這件事上面，如何讓計(jì)算機(jī)吸收視頻當(dāng)中的所有信息是一大難點(diǎn)。在過去的幾十年里，研究者嘗試過各種辦法來教計(jì)算機(jī)，其中就包括增強(qiáng)學(xué)習(xí)和遺傳算法。前者需要你在計(jì)算機(jī)達(dá)成目標(biāo)時(shí)給予其獎(jiǎng)勵(lì)，以逐漸優(yōu)化解決方案;后者則會(huì)以類似物競(jìng)天擇的方式對(duì)解決問題的不同方法進(jìn)行對(duì)比。
在如今的計(jì)算機(jī)領(lǐng)域，有一種教學(xué)方法變得特別實(shí)用，那就是深度學(xué)習(xí)。它是機(jī)器學(xué)習(xí)的一種類型，會(huì)利用神經(jīng)網(wǎng)絡(luò)中的諸多層面以不同的抽象化方法對(duì)數(shù)據(jù)進(jìn)行分析。當(dāng)深度學(xué)習(xí)系統(tǒng)面對(duì)著一幅畫時(shí)，神經(jīng)網(wǎng)絡(luò)的每一層會(huì)對(duì)其進(jìn)行不同程度的放大。底層可能會(huì)關(guān)注5x5像素網(wǎng)格，然后判斷是否有東西在當(dāng)中出現(xiàn)。如果有的話，它上面的那一層就會(huì)開始查看該網(wǎng)格是如何適配到更大的圖案中的。這個(gè)過程會(huì)逐漸累計(jì)起來，讓軟件利用逐步分解的方式去理解哪怕是復(fù)雜的數(shù)據(jù)。
接下來，假設(shè)我們想要使用深度學(xué)習(xí)讓計(jì)算機(jī)了解到貓的樣子，我們首先需要利用神經(jīng)網(wǎng)絡(luò)的不同層面來識(shí)別貓身上的不同元素：爪子、腳掌和胡須等。然后，神經(jīng)網(wǎng)絡(luò)會(huì)觀察一大堆貓和其他動(dòng)物的圖片，并被告訴哪些是貓哪些不是。隨著時(shí)間推移，它會(huì)記住哪些層面是重要的，并增強(qiáng)或忽略當(dāng)中的部分關(guān)系。比如說，它可能會(huì)發(fā)現(xiàn)爪子和貓具備強(qiáng)烈的關(guān)聯(lián)，但同樣會(huì)出現(xiàn)在其他動(dòng)物身上，因此它就知道去尋找爪子和胡須同時(shí)出現(xiàn)的情況。
這是一個(gè)漫長(zhǎng)而又重復(fù)的過程，系統(tǒng)會(huì)根據(jù)反饋緩慢提升自身能力。在這個(gè)過程當(dāng)中，人類可以去糾正計(jì)算機(jī)，而如果網(wǎng)絡(luò)本身擁有足夠多的標(biāo)簽數(shù)據(jù)，它也能自己進(jìn)行測(cè)試，來查看如何利用自身的所有層面才能產(chǎn)生準(zhǔn)確的結(jié)果。認(rèn)出一只貓已經(jīng)如此困難，那些需要去識(shí)別世間萬物的系統(tǒng)的復(fù)雜程度也可想而知。這也正是為什么微軟會(huì)推出一款應(yīng)用來辨別不同品種的狗。在我們?nèi)祟惪磥?，杜賓和雪納瑞之間的區(qū)別可能非常明顯，但計(jì)算機(jī)在能夠分清兩者之前需要去定義大量的區(qū)別。
這就是Google、Facebook和其他公司所使用的技術(shù)嗎?
大體上講的確如此。
深度學(xué)習(xí)技術(shù)如今已經(jīng)被應(yīng)用在了各種日常任務(wù)上面。許多大公司都擁有自己的AI部門，F(xiàn)acebook和Google還通過軟件開源的方式公開了自己的研究成果。Google甚至推出了一個(gè)為其3個(gè)月的免費(fèi)在線課程來介紹深度學(xué)習(xí)。學(xué)術(shù)研究者或許可以相對(duì)低調(diào)地進(jìn)行研究，但這些企業(yè)幾乎每周都會(huì)為這項(xiàng)技術(shù)推出創(chuàng)新的應(yīng)用方式，從微軟的情緒識(shí)別網(wǎng)頁應(yīng)用到Google的超現(xiàn)實(shí)DeepDream圖像。這也正是我們?cè)诮鼤?huì)頻繁看到深度學(xué)習(xí)相關(guān)信息的原因：大型消費(fèi)類技術(shù)公司都在搗鼓這項(xiàng)技術(shù)，并向我們分享自己奇奇怪怪的工作成果。
但是，雖然深度學(xué)習(xí)在語音和圖像識(shí)別方面具備出色能力，但它同樣存在相當(dāng)多的限制。這項(xiàng)技術(shù)不僅需要大量的數(shù)據(jù)和微調(diào)，它們的智慧也是狹窄且脆弱的。就像認(rèn)知心理學(xué)家GaryMarcus所說的，這種熱門技術(shù)“缺乏呈現(xiàn)因果關(guān)系(比如疾病和癥狀)的方式，在學(xué)習(xí)抽象概念上面也存在困難。它無法執(zhí)行邏輯推理，在整合抽象知識(shí)(比如某個(gè)物體的名稱、用途和使用方式)上面也還有很長(zhǎng)的路要走。”換句話說，深度學(xué)習(xí)并沒有任何常識(shí)。
舉個(gè)例子，在Google的一個(gè)研究項(xiàng)目當(dāng)中，他們首先向神經(jīng)網(wǎng)絡(luò)呈現(xiàn)啞鈴的樣圖，然后讓它獨(dú)立生成一張圖片。從結(jié)果來看，神經(jīng)網(wǎng)絡(luò)所生成的圖片還不錯(cuò)：一根橫向握把連接著兩個(gè)灰色的圓環(huán)。但握把的中間總是會(huì)出現(xiàn)手臂肌肉的輪廓，這是因?yàn)橛?xùn)練時(shí)所用圖片當(dāng)中通常都有健身愛好者舉著啞鈴。深度學(xué)習(xí)或許可以了解到成千上萬圖片當(dāng)中啞鈴的基本視覺屬性，但它永遠(yuǎn)都不能作出認(rèn)知上的跨越，認(rèn)識(shí)到啞鈴并沒有長(zhǎng)胳膊。這種問題并不單單存在于常識(shí)的范疇。由于檢驗(yàn)數(shù)據(jù)的具體方式，深度學(xué)習(xí)網(wǎng)絡(luò)還能被隨機(jī)的像素圖案所欺騙。
不過這種限制可以被巧妙地隱藏。就拿Siri這樣的數(shù)字助手為例，它們經(jīng)?？梢岳斫庥脩舻拿睿蚴嵌饵c(diǎn)小機(jī)靈。但就像計(jì)算機(jī)科學(xué)家HectorLevesque說指出的那樣，這些小花招恰好顯示出了人工智能和真正的智能之間巨大的差距。他提到了圖靈測(cè)試，稱在這項(xiàng)挑戰(zhàn)中取得優(yōu)異成績(jī)的機(jī)器都會(huì)利用小花招來讓人們認(rèn)為它正在和自己講話。它們會(huì)使用笑話、引用、情緒爆發(fā)、錯(cuò)誤引導(dǎo)和所有的語言回避來混淆和干擾提問者。沒錯(cuò)，在去年通過圖靈測(cè)試的計(jì)算機(jī)號(hào)稱自己是一位13歲的烏克蘭男孩，這也成為了它偶爾出現(xiàn)無知遣詞不當(dāng)?shù)慕杩凇?br />
Levesque認(rèn)為，測(cè)試人工智能的一種更好方式是向計(jì)算機(jī)提出超現(xiàn)實(shí)但邏輯合理，同時(shí)需要廣泛因果知識(shí)才能回答的問題，比如“鱷魚可以參加越野障礙賽嗎?”，或者是“棒球運(yùn)動(dòng)員可以在帽子上粘上小翅膀嗎?”可想而知，計(jì)算機(jī)在嘗試回答這些問題之前需要擁有多么大的知識(shí)儲(chǔ)備。
如果這不是人工智能，那它是什么?
這正是使用人工智能這個(gè)名詞的困難之一：它太難以去定義了。業(yè)界對(duì)此所達(dá)成的共識(shí)是，只要機(jī)器完成了一項(xiàng)之前只有人類才能做到的任務(wù)——比如玩象棋或認(rèn)臉——那它就不再被認(rèn)為是智能的標(biāo)志了。就像計(jì)算機(jī)科學(xué)家LarryTesler所說，智能指的是那些機(jī)器還做不到的事情。而即便計(jì)算機(jī)能夠完成某些任務(wù)，它們也無法取代人類智慧。“我們說神經(jīng)網(wǎng)絡(luò)就像人類大腦，但事實(shí)并非如此，”Facebook人工智能研究團(tuán)隊(duì)主管YannLeCun說道，“這就好像飛機(jī)不是鳥一樣。它們不能扇動(dòng)翅膀，也沒有羽毛或肌肉。”如果我們真得創(chuàng)造出了人工智能，它也“不會(huì)像人類或動(dòng)物的智慧”。比如說，我們就很難去想象一個(gè)智慧體會(huì)沒有自我保護(hù)的意識(shí)。
許多AI領(lǐng)域的業(yè)內(nèi)人士都不認(rèn)為我們會(huì)創(chuàng)造出具備真正有感知能力的人工智能。“目前的方式無法(讓人工智能)具備靈活性，或是處理多任務(wù)和執(zhí)行編程范圍之外任務(wù)的能力。”MIT大腦、思維和機(jī)器中心Andrei Barbu教授這樣說道。他還提到，效率的AI搜索不過是創(chuàng)造出為解決特定問題微調(diào)過的系統(tǒng)。盡管研究者曾經(jīng)嘗試過無人監(jiān)管的機(jī)器學(xué)習(xí)——讓系統(tǒng)觀察未被分類和標(biāo)記的數(shù)據(jù)——但這目前還處于非常初級(jí)的階段。Google就有一個(gè)類似的神經(jīng)網(wǎng)絡(luò)項(xiàng)目，通過隨機(jī)觀察來自1000萬部視頻的縮略圖，它終教會(huì)自己貓的樣子，但制作者并未公布任何除此之外的能力。就像LeCun在2年前出席Orange Institute的一場(chǎng)活動(dòng)時(shí)所說的：“我們不知道如何進(jìn)行無監(jiān)督學(xué)習(xí)，這是大的障礙。”
作為一個(gè)研究項(xiàng)目，人工智能還經(jīng)常會(huì)受到夸張宣傳的影響。當(dāng)一種新方法被發(fā)現(xiàn)且研發(fā)進(jìn)度加快時(shí)，評(píng)論者(通常還包括計(jì)算機(jī)科學(xué)家)會(huì)大膽假設(shè)這種發(fā)展速度會(huì)很快讓機(jī)器人管家成為現(xiàn)實(shí)。紐約時(shí)報(bào)早在1958年就曾有過類似報(bào)道，當(dāng)中把一種非常早期的AI形式——可以分辨左和右的區(qū)別——描述為電子“胚胎”，未來某天將能夠“走路、交談、觀察、書寫、繁殖，并具備自我存在意識(shí)。”當(dāng)這類承諾未能兌現(xiàn)時(shí)，該領(lǐng)域便會(huì)陷入所謂的AI寒冬，也就是悲觀主義盛行和資金減少的時(shí)期。歷*出現(xiàn)過十幾次小規(guī)模的AI寒冬，70年代末和90年代初還有兩次大寒冬。雖說每一個(gè)科研領(lǐng)域都會(huì)經(jīng)歷類似的時(shí)期，但值得注意的是，很少有一門學(xué)科會(huì)如此“可靠地”讓自己的信徒一再失望，以至后者為此想出了一個(gè)專有名詞。
人工智能只不過是噱頭和糊弄人的把戲嗎?
這樣說有些以偏概全了。如何看待人工智能取決于你對(duì)它有著怎樣的期待。我們的機(jī)器的確越來越智能，但這并不是我們可以輕松歸類的。就拿特斯拉的自動(dòng)駕駛軟件為例，公司總裁ElonMusk將其描述為一種匯集數(shù)據(jù)的“快速學(xué)習(xí)網(wǎng)絡(luò)”，好讓旗下所有汽車在同時(shí)進(jìn)行學(xué)習(xí)。這個(gè)研究項(xiàng)目的終目的不會(huì)是一般的人工智能，但它的整個(gè)計(jì)算機(jī)網(wǎng)絡(luò)的確會(huì)具備相當(dāng)高的智能性，這也就是被LeCun稱作是“隱形智能”的東西。
試想一下，未來你將擁有一臺(tái)不會(huì)出差錯(cuò)的自動(dòng)駕駛汽車，當(dāng)中還有一位*的數(shù)字助手。這或許是Levesque教授看不上眼的那種欺騙把戲，但卻能讓任何人將其當(dāng)作人類來對(duì)待。你們會(huì)在早上上班時(shí)互相說笑話，聊聊新聞，安排自己的行程表，或是在需要時(shí)改變目的地——一切都會(huì)在這部不僅了解道路規(guī)則、還能應(yīng)對(duì)其他車輛的自動(dòng)駕駛汽車中進(jìn)行。到了那時(shí)，我們真的還會(huì)在乎這種人工智能到底是真是假嗎?
