人工智慧or人類智能？兩位AI權威掀起了終極討論

自從人工智慧的概念大火之後，關於人工智慧究竟具不具備與人類類似的認知能力的爭論就一直沒有停過。當地時間 10 月 5 日晚上，在紐約大學心智、大腦和意識研究中心 (Center for Mind, Brain and Consciousness) 舉行的一場活動上，兩位人工智慧領域的權威——紐約大學計算機科學家、Facebook 人工智慧研究總監 Yann LeCun 和紐約大學研究心理學家、Uber 旗下的創業公司 Geometric Intelligence 創始人 Gary Marcus 就這一問題又展開了激烈的討論。

圖丨Facebook 人工智慧研究總監 Yann LeCun

在人們的印象中，人工智慧與人類在學習上還是有很大的不同。就像一輛由 AI 驅動的自動駕駛汽車可能需要模擬 5 萬次的撞樹之後，才能知道這種做法是錯誤的。但在現實世界中，野外的羚羊面臨生存的威脅可沒有那麼多的試錯機會，人類的嬰兒從咿呀學語到奔跑活動也不需要經過上百次的嘗試。

這其中的重要區別在於，在強大的計算能力的幫助下，人工智慧技術幾乎可以從零開始學習任何的東西。而人類和動物卻不是這樣，我們具備天生的認知能力，可以直觀地理解很多概念，包括對象、地點或相關事物的集合，從而直接迅速地發現世界是如何運轉的。那麼問題來了：隨著技術的發展，人工智慧是否需要擁有和人類類似的認知能力呢？

作為深度學習技術的權威，LeCun 認為：「從利用大腦重構世界這方面來講，我們擁有得天獨厚的優勢，而這是人工智慧不論通過設計還是學習都無法達到的。」

不過 LeCun 相信，基於非監督學習技術，人工智慧可以在通用人工智慧方面取得進展。近期，非監督學習的發展使得機器不再需要大量帶標籤的數據來進行訓練。

LeCun 還指出，當前人工智慧的成功在很大程度上正是得益於預先沒有提供關於世界運行方式的假設或概念。也就是說，我們不需要使用語言學家、心理學家或認知科學家提供的知識就可以實現人工智慧。因此，他傾向於用最簡單的人工智慧演算法結構來維持這種簡約性。他說：「我的任務是盡量減少先天機制的設置數量，更多地使用我們可以獲得的數據讓人工智慧進行學習。」

然而，Gary Marcus 卻不這麼想。他承認，非監督的深度學習有可能獲得成功。不過他認為，只有通過「比像素更豐富的基本元素和表達方法」來理解世界，非監督的深度學習才有可能成功。

圖丨Gary Marcus

Markus 表示：「我們希望人工智慧可以像孩子一樣，擁有為了理解世界上對象、實體和物理機制而建立起的表達方法和基本元素。」

Markus 期望人工智慧科學家更多地借鑒認知科學的知識，開發更具結構化的演算法、表達對象、集合、地點以及空間連續性等認知概念。他引用了自己以及同事、哈佛大學認知心理學家 Elizabeth Spelke 的研究成果，證明人類的孩子很早就有能力去感知人物、對象、集合和地點等概念。他的建議是：為何不在人工智慧研究中利用同樣的方法，通過某種結構去映射類似的概念？

實際上，LeCun 在卷積神經網路上的突破性貢獻從某種意義上來講就是一個例證。它使用更具結構化的方法來減少人工智慧所處理信息的數量，幫助人工智慧更好地理解世界。「我認為，我們真正需要的是系統性思考和分析，關注當我們將不同數量的內在機制集成到機器學習系統時會發生什麼。」Marcus 說。

LeCun 認為，人工智慧的確需要一些結構來幫助理解世界。不過他想要知道，生物的大腦中是存在「單一的學習演算法、原理或程序」，或是更像沒有潛在組織原則、無意義的「黑客」的集合。無論是哪一種，人工智慧都可以從中受益。

智力的本質就是一種預測能力，因為預測未來實質就是對世界空白場景的一種填充。基於對已知世界運行方式的了解，人類和動物可以根據常識來填補不完整的信息。正因如此，人類司機不需要撞 5 萬次樹才知道撞樹有生命危險。

「當前缺少一種機制，可以讓我們的計算機通過觀察世界、與世界互動來學習世界究竟如何運轉。毫無疑問，這將是阻礙人工智慧進一步發展的最大障礙。」LeCun 說。

所以，LeCun 最大的希望就是，在非監督學習的引導下，人工智慧最終發展出一種能力，可以以類似人類的角度去了解世界的運行方式。他表示：「在我有生之年，如果我們能開發出智力水平達到貓或老鼠的人工智慧，那麼我也會非常興奮。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！