人工智能技术的未来通途刍议
|
摘要
现在关于人工智能的发展,社会上(甚至在行业内部)普遍存在这样的一种误解:"通用人工智能"的目标本身可以通过"专用人工智能"领域内的技术累积来逐渐达成。然而,这种观点的持有者,既没有意识到将现有主流深度学习技术升级为通用人工智能技术所面临的巨大困难,也没有意识到人工智能工业的人为行业分工与人脑既有自然分工之间所存在的重大区别。在揭示这些困难的基础上,文本将给出一个消极性论点与一个积极性论点。前者是:目前的主流人工智能技术离达到"通用人工智能"的标准还很远,遑论达到"强人工智能"的标准;后者是:通向"通用人工智能"的真实道路从演化论思维"取经",即从认知主体对于环境挑战的"适应性"与"节俭性"入手,来理解智能体运作的一般原理。
It is widely believed that the development of mainstream approaches in Artificial Intelligence(AI) will soon lead to great achievements in Artificial General Intelligence(AGI). But what is ignored in this view is the huge obstacle that AI researchers have to confront when they attempt to update their AI systems into AGI systems,as well as the huge difference between the division of labor within the industry of AI and that within the genuine human cognitive architecture. Hence,it is by far a "cake work" to pave a highway to connect the current technologies in AI to AGI,needless to say Strong AI. A more promising approach to AGI,instead,has to be based on the observation of how natural intelligence evolves in order to respond to environmental challenges, and AGI researchers have to accordingly view "adaptivity" and "frugality" as the key words constituting general principles guiding the behaviors of any intelligent system,no matter whether it is natural or artificial.
It is widely believed that the development of mainstream approaches in Artificial Intelligence(AI) will soon lead to great achievements in Artificial General Intelligence(AGI). But what is ignored in this view is the huge obstacle that AI researchers have to confront when they attempt to update their AI systems into AGI systems,as well as the huge difference between the division of labor within the industry of AI and that within the genuine human cognitive architecture. Hence,it is by far a "cake work" to pave a highway to connect the current technologies in AI to AGI,needless to say Strong AI. A more promising approach to AGI,instead,has to be based on the observation of how natural intelligence evolves in order to respond to environmental challenges, and AGI researchers have to accordingly view "adaptivity" and "frugality" as the key words constituting general principles guiding the behaviors of any intelligent system,no matter whether it is natural or artificial.
引文
(1)黄欣荣:《大数据、人工智能与共产主义》,《贵州省党校学报》,2017年第5期。
(2)江晓原:《人工智能:威胁人类文明的科技之火》,《探索与争鸣》,2017年第10期。另外,正如这篇文章所提到的,与这篇文章类似的观点早就被斯蒂芬·霍金、伊隆·马斯克等国外名人在大量公众媒体上发布。
(3)李飞飞:《我曾在北京最冷的冬天感受到了人工智能的狂热》,《电脑报》,2017年11月6日。
(4)徐英瑾:《心智、语言和机器——维特根斯坦哲学与人工智能科学的对话》,北京:人民出版社,2013年版。
(1)“司马贺”是Herbert Simon生前首肯的汉化译名(正常的译名应当是“西蒙”)。
(2)譬如,“通用问题求解器”(General Problem Solver,简称GPS)的研究,就具有AGI研究先驱的意味。参见G.Ernst&A. Newell. GPS:《A Case Study in Generality and Problem Solving》, New York:Academic Press, 1969.
(3)AGI组织。
(4)J. Fodor:《The Mind Doesn’t Work That Way:The Scope and Limits of Computational Psychology》, Cambridge,MA:MIT Press,2000.
(1)美国生物统计学家里克(Jeff Leek)撰文指出,除非你具有海量的训练用数据,否则深度学习技术就会成为“屠龙之术”(Jeff Leek:《Don't use deep learning, your data isn't that big》, https://simplystatistics.org/2017/05/31/deeplearning-vs-leekasso/)。虽然深度学习专家比恩(Andrew L. Beam)亦指出,对于模型的精心训练可能使得深度学习机制能够适应小数据环境(Andrew L.Beam:《You can use deep learning even if your data isn't that big》,http://beamandrew.github.io/deeplearning/2017/06/04/deep_learning_works.html),但是比恩所给出的这些特设性技巧是否具有推广意义,则令人怀疑。
(2)Peter Carruthers:《The Architecture of Mind》,Oxford:Oxford University Press,2006.
(1)譬如,在古哈(Ramanathan V. Guha)与麦卡锡(John McCarthy)的语境刻画工作中,研究者必须对整个系统所可能预先碰到的各种语境进行某种“未雨绸缪”式的刻画,并一一给出各个语境中的特定推理规则,以及语境之间的信息交换规则。这显然是一种非常缺乏灵活性的笨拙的做法。参见R.Guha, J. McCarthy:《Varities of Contexts, in Modeling and Using Contexts》,edited by Patrick Blackburn et al, Berlin:Springer-Verlage, 2003:164-177.
(2)该表的制定依据,乃是主流人工智能杂志《人工智能杂志》(The AI Journal)所给出的行业内部分类方案。转引自J. Hernández-Orallo:《The Measure of All Minds:Evaluating Natural and Artificial Intelligence》,Cambridge:Cambridge University Press, 2017:148.
(1)该表的理论依据是瑟斯顿的“基本心智能力理论”,转引自J. Hernández-Orallo:《The Measure of All Minds:Evaluating Natural and Artificial Intelligence》,Cambridge:Cambridge University Press, 2017:67.笔者根据自己的理解,对原有的表格内容进行了增补(主要是添加了原表里没有的第三列内容)。
(1)J. Hernández-Orallo:《The Measure of All Minds:Evaluating Natural and Artificial Intelligence》, Cambridge:Cambridge University Press,2017:64、68、145.
(2)S. Adams et al:《Mapping the landscape of human-level artificial general Intelligence》,《AI Magazine》,1993(1).
(1)该研究规划的代表项目是由瑞士牵头的“蓝脑计划”(Blue Brain Project),其目的是将人类整个大脑的神经联接信息全部用一个完整的数据模型予以记录。
(2)[英]玛格丽特·博登:《人工智能的本质与未来》,孙诗惠译,北京:中国人民大学出版社,2017年版,第106-107页。
(3)Roger Penrose:《Shadows of the Mind:A Search for the Missing Science of Consciousness》,New York:Oxford University Press,1994.
(1)笔者本人曾于2017年6月在美国加州圣迭戈召开的世界意识科学大会上与彭罗斯爵士交谈,向其讨教“量子计算机是否能够实现量子意识”这一问题。他对这一问题给出了否定的回答,因为他认为量子计算机的运作依然需要经典计算机的运作提供某种基础。虽然笔者不敢肯定他的这个回答一定是正确的(因为据笔者所知,像“D-WAVE”这样的“退火量子计算机”在硬件构成上就与传统计算机非常不同),但笔者至少可以肯定的是:即使关于大脑的量子意识理论是对的,也并不是说任何意义上的量子物理学现象都可以引发意识(否则“意识”就本该是无处不在的)。因此,在量子计算机研究与对于量子意识的机器实现之间,应当还是存在着大量的理论空白需要填补。
(2)对于章鱼的行为与心智的研究,当下已经成为西方学界的一个新热点。参见Peter Godfrey-Smith:《Other Minds:The Octopus and the Evolution of Intelligent Life》,London:William Collins, 2017.
(3)对于植物“心智”的研究,参见Daniel Chamovitz:《What Plants Knows》,London:Oneworld.
(4)E. Ben-Jacob:《Learning from bacteria about natural information processing》,《Annals of the New York Academy of Sciences》,2009(1).
(1)Gigerenzer,G,Todd,P.,the ABC Research Group:《Simple Heuristics that Make Us Smart》,Oxford:Oxford University Press,1999.
(2)在所谓的“遗传算法”中,程序员必须对程序所面对的问题求解环境预先进行刻画,并确定程序的所有“基因型”与“表现型”。这种做法依然是比较僵化的,无法满足AGI的要求。关于“遗传算法”的详细评论,参见《心智、语言和机器——维特根斯坦哲学与人工智能科学的对话》,北京:人民出版社,2013年版。
(3)J. Hernández-Orallo:《The Measure of All Minds:Evaluating Natural and Artificial Intelligence》, Cambridge:Cambridge University Press,2017:64、68、145.
(4)徐英瑾:《心智、语言和机器——维特根斯坦哲学与人工智能科学的对话》,北京:人民出版社,2013年版。
(1)强、弱AI区分的根据在此文献:John Searle:《Minds,Brains,and Programs》,《Behavioral and Brain Sciences》,1980(3):417-424.
(2)“奇点”在库兹威尔(Ray Kurzweil)这样的未来学家那里,特指人工智能技术能够颠覆性改变整个人类文明的那个历史时刻点。但在笔者已知的范围内,在国际主流的科学哲学界与心灵哲学界,很少有人认真看待这种“奇点理论”。
(2)江晓原:《人工智能:威胁人类文明的科技之火》,《探索与争鸣》,2017年第10期。另外,正如这篇文章所提到的,与这篇文章类似的观点早就被斯蒂芬·霍金、伊隆·马斯克等国外名人在大量公众媒体上发布。
(3)李飞飞:《我曾在北京最冷的冬天感受到了人工智能的狂热》,《电脑报》,2017年11月6日。
(4)徐英瑾:《心智、语言和机器——维特根斯坦哲学与人工智能科学的对话》,北京:人民出版社,2013年版。
(1)“司马贺”是Herbert Simon生前首肯的汉化译名(正常的译名应当是“西蒙”)。
(2)譬如,“通用问题求解器”(General Problem Solver,简称GPS)的研究,就具有AGI研究先驱的意味。参见G.Ernst&A. Newell. GPS:《A Case Study in Generality and Problem Solving》, New York:Academic Press, 1969.
(3)AGI组织。
(4)J. Fodor:《The Mind Doesn’t Work That Way:The Scope and Limits of Computational Psychology》, Cambridge,MA:MIT Press,2000.
(1)美国生物统计学家里克(Jeff Leek)撰文指出,除非你具有海量的训练用数据,否则深度学习技术就会成为“屠龙之术”(Jeff Leek:《Don't use deep learning, your data isn't that big》, https://simplystatistics.org/2017/05/31/deeplearning-vs-leekasso/)。虽然深度学习专家比恩(Andrew L. Beam)亦指出,对于模型的精心训练可能使得深度学习机制能够适应小数据环境(Andrew L.Beam:《You can use deep learning even if your data isn't that big》,http://beamandrew.github.io/deeplearning/2017/06/04/deep_learning_works.html),但是比恩所给出的这些特设性技巧是否具有推广意义,则令人怀疑。
(2)Peter Carruthers:《The Architecture of Mind》,Oxford:Oxford University Press,2006.
(1)譬如,在古哈(Ramanathan V. Guha)与麦卡锡(John McCarthy)的语境刻画工作中,研究者必须对整个系统所可能预先碰到的各种语境进行某种“未雨绸缪”式的刻画,并一一给出各个语境中的特定推理规则,以及语境之间的信息交换规则。这显然是一种非常缺乏灵活性的笨拙的做法。参见R.Guha, J. McCarthy:《Varities of Contexts, in Modeling and Using Contexts》,edited by Patrick Blackburn et al, Berlin:Springer-Verlage, 2003:164-177.
(2)该表的制定依据,乃是主流人工智能杂志《人工智能杂志》(The AI Journal)所给出的行业内部分类方案。转引自J. Hernández-Orallo:《The Measure of All Minds:Evaluating Natural and Artificial Intelligence》,Cambridge:Cambridge University Press, 2017:148.
(1)该表的理论依据是瑟斯顿的“基本心智能力理论”,转引自J. Hernández-Orallo:《The Measure of All Minds:Evaluating Natural and Artificial Intelligence》,Cambridge:Cambridge University Press, 2017:67.笔者根据自己的理解,对原有的表格内容进行了增补(主要是添加了原表里没有的第三列内容)。
(1)J. Hernández-Orallo:《The Measure of All Minds:Evaluating Natural and Artificial Intelligence》, Cambridge:Cambridge University Press,2017:64、68、145.
(2)S. Adams et al:《Mapping the landscape of human-level artificial general Intelligence》,《AI Magazine》,1993(1).
(1)该研究规划的代表项目是由瑞士牵头的“蓝脑计划”(Blue Brain Project),其目的是将人类整个大脑的神经联接信息全部用一个完整的数据模型予以记录。
(2)[英]玛格丽特·博登:《人工智能的本质与未来》,孙诗惠译,北京:中国人民大学出版社,2017年版,第106-107页。
(3)Roger Penrose:《Shadows of the Mind:A Search for the Missing Science of Consciousness》,New York:Oxford University Press,1994.
(1)笔者本人曾于2017年6月在美国加州圣迭戈召开的世界意识科学大会上与彭罗斯爵士交谈,向其讨教“量子计算机是否能够实现量子意识”这一问题。他对这一问题给出了否定的回答,因为他认为量子计算机的运作依然需要经典计算机的运作提供某种基础。虽然笔者不敢肯定他的这个回答一定是正确的(因为据笔者所知,像“D-WAVE”这样的“退火量子计算机”在硬件构成上就与传统计算机非常不同),但笔者至少可以肯定的是:即使关于大脑的量子意识理论是对的,也并不是说任何意义上的量子物理学现象都可以引发意识(否则“意识”就本该是无处不在的)。因此,在量子计算机研究与对于量子意识的机器实现之间,应当还是存在着大量的理论空白需要填补。
(2)对于章鱼的行为与心智的研究,当下已经成为西方学界的一个新热点。参见Peter Godfrey-Smith:《Other Minds:The Octopus and the Evolution of Intelligent Life》,London:William Collins, 2017.
(3)对于植物“心智”的研究,参见Daniel Chamovitz:《What Plants Knows》,London:Oneworld.
(4)E. Ben-Jacob:《Learning from bacteria about natural information processing》,《Annals of the New York Academy of Sciences》,2009(1).
(1)Gigerenzer,G,Todd,P.,the ABC Research Group:《Simple Heuristics that Make Us Smart》,Oxford:Oxford University Press,1999.
(2)在所谓的“遗传算法”中,程序员必须对程序所面对的问题求解环境预先进行刻画,并确定程序的所有“基因型”与“表现型”。这种做法依然是比较僵化的,无法满足AGI的要求。关于“遗传算法”的详细评论,参见《心智、语言和机器——维特根斯坦哲学与人工智能科学的对话》,北京:人民出版社,2013年版。
(3)J. Hernández-Orallo:《The Measure of All Minds:Evaluating Natural and Artificial Intelligence》, Cambridge:Cambridge University Press,2017:64、68、145.
(4)徐英瑾:《心智、语言和机器——维特根斯坦哲学与人工智能科学的对话》,北京:人民出版社,2013年版。
(1)强、弱AI区分的根据在此文献:John Searle:《Minds,Brains,and Programs》,《Behavioral and Brain Sciences》,1980(3):417-424.
(2)“奇点”在库兹威尔(Ray Kurzweil)这样的未来学家那里,特指人工智能技术能够颠覆性改变整个人类文明的那个历史时刻点。但在笔者已知的范围内,在国际主流的科学哲学界与心灵哲学界,很少有人认真看待这种“奇点理论”。