劉凱：教育學在人工智慧研究中的作用

前有深藍與Watson，後有AlphaGo和賢二機器僧，人工智慧的迅速發展讓人們對其愛恨交加：一方面，小到智能手機、手錶，大到智能家電和自動駕駛汽車，大量智能設備早已將我們包圍，其便利之處盡人皆知；另一方面，智能工具取代人類乃至威脅人類的論調在各類科幻作品中呈現，甚至多位知名科學家、企業家亦持此觀點，智能威脅論頗有市場。由此，產生了觀點迥異的三種「派別」：一種是「激進派」，主張人工智慧永遠不能達到人類智能的水平，所以無須擔心；一種是「保守派」，認為人工智慧很快就將達到並超越人類智能，超級智能終現江湖，因而對未來憂慮不已；還有一種是「溫和派」，既承認人工智慧未來前景輝煌，又能夠理性看待人工智慧發展對人類產生的潛在影響。

通用人工智慧走的便是「溫和派」路線。有些通用人工智慧系統運行伊始並不擁有任何先天的經驗和知識，它猶如人類嬰兒一般，在慢慢的「養育」中才逐漸形成自己的「個性」並習得多種能力。通用人工智慧系統在研發過程中廣泛涉及計算機科學、邏輯學、數學、認知科學、哲學、心理學乃至精神病學等多種學科，而當系統走嚮應用後，教育學及教育理念則將發揮重要作用。

表面上看，人工智慧貌似和教育學相距甚遠，實則不然。主流人工智慧中近年來大放異彩的「機器學習」便是一例，其中深度學習和強化學習更是成效斐然，但此類「學習」卻過於狹窄，其將學習過程等同於計算過程，僅僅是在預設演算法基礎上重新組織輸入輸出，實則並無智能可言。通用人工智慧則更進一步：同樣的教學內容，一次性「填鴨」灌輸與分批地漸次輸入相比，其學習效果完全不同；在分批地漸次輸入中是否加入人類教師向系統的發問，其學習效果又有很大差異。不同的教學內容，由淺至深則比由深至淺的效果好，知識的模塊化輸入又比分散輸入的效果好。由此可見，通用人工智慧系統的學習理論，早已衝破「機器學習」演算法的藩籬，而跨越至更為廣袤的「機器教育」層次之中了。

所謂教育，既要「教」又要「育」，對於機器是否也是如此？主流人工智慧「演算法即教法」，其演算法具有專用性，特定問題的解決有賴於特定演算法及相應參數。與此不同的是，通用人工智慧卻必須兼顧「教」與「育」兩個方面。通用人工智慧之所以冠以「通用」二字，就是因為其並不預設解決具體問題的任何演算法。從一無所知的機器「嬰兒」到具備外部世界的基本常識，從簡單的人機對話到掌握一定的實用技能，從被動接受外部信息到按自身興趣「量體而為」，每個成型的通用人工智慧產品都是培養出來的，整個過程和人類培養自身後代一樣，只是速度和效率不同。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！