不要再危言聳聽、杞人憂天了 AlphaGo並不是人工智慧

四個方面說明為什麼 AlphaGo 已經足夠優秀卻仍然不是真的「智能」。

AlphaGo 又贏了。沒錯，它的確很厲害，並且近兩年來人工智慧行業的火熱也很大程度上借了 AlphaGo 圍棋戰的東風。但它並不是真正意義上的全能 AI，僅僅從一點就可以說明：全能 AI 的能力不會被設計者所限制，它會自己理解世界，通過它聽到、看到、遇到的事物促進自我的成長。是的，就像人類一樣。與之相反的是如今的 AI，它們基本上是無法理解事物狀態的，並且對於其他領域的問題它們也無法解決。但這不是問題，因為最根本的問題是：究竟什麼是 AI？

1990 年，認知科學家 Stevan Harnad 在其論文《符號的基本教育問題》中舉了一例：假設你要學習一門外語，比如日語，而你能夠得到信息的唯一來源是一本日語到日語的辭典，對你來說日本文字只不過是符號而已，這種情況下，你如何通過無意義的符號進行基礎訓練？AI 究竟是什麼，AI 意味著什麼，這問題在數十年前就已經被提出，但至今仍然沒有答案。為什麼這個問題如此難以回答，我們可以從四個方面來看。

首先，如何結構化 AI 接收的外界信息？

在機器學習，特別是深度學習和非監督式學習飛速發展的近些年，包括 AlphaGo 在內的驚人成就部分是依賴於 GPU 技術的發展，信息結構化的問題得到了較好的處理。

但眼下，監督式學習毫無疑問是運用最廣、最成功的方式。樸素貝葉斯分類（Naive Bayes Classification）、支持向量機（Support Vector Machine）、邏輯回歸（Logistic Regression）每年產生了數十億美元的價值。但上述提到的非監督式學習在快速發展。K-平均演算法（k-means clustering）和主成分分析（Principle Component Analysis）解決了許多監督式學習演算法無法處理的問題。更重要的是，半監督式學習以及強化學習在商業中的運用越來越廣泛。

不管你是否知道上述的名詞是什麼意思，相信你也看出來機器學習演算法的諸多分類，但沒有任何一種能夠運用到任何情形之下，自然也沒人知道究竟如何打造全能 AI。

其次，結構化的信息如何與世界建立聯繫？與真實世界相連接，這是賦予機器根本的意義。而與真實世界相關聯的前提是它需要一個實體的載體，也就是機器人。觀察一下我們身處的世界，任何一種智慧都有自己的載體，不管是我們人類的肉體還是螞蟻、蟑螂。

假設前兩點都已實現，那如何讓機器之間產生溝通？這個問題和文化的起源相關。和人類不同，動物的交流方式有限：簡單的動作、氣味。如果沒有文化這一智慧的最終催化劑，那麼 AI 不過是象牙塔而已。目前研究人員的方法是通過研究兒童獲得文化理解能力的方式來試圖弄懂這一過程。

最後一個問題是關於慾望的。人類活著並不只是滿足生存需求，而是想要探索更多，這是出於本能的好奇。法國的計算機科學家 Pierre-Yves Oudeyer 證明過簡單的數學方程已足夠解釋複雜的行為。

總之，不管是 Siri 還是有實體載體的軟銀 Pepper 機器人，它們在限定的範圍內都有優秀的表現，如果跳出這一固定領域，那麼它們仍然是笨拙的；支付寶中的人臉識別也已經非常準確，但它並不能很好分辨出長相非常相似的雙胞胎。AlphaGo 不是 AI，深度學習目前也不是通往智能的光明之路。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！