專業人士眼中，人工智慧還只是「人工智障」
過去的一年人工智慧異常火爆，但在很多專業人士眼中，達到「強人工智慧」之前的「人工智慧」都是「人工智障」。
整理/記者 白竟楠 編輯/吉菁菁
新媒體編輯/陳炫之 供圖/視覺中國
講解專家：
朱禮軍（中國科學技術信息研究所工程中心常務副主任，博士、研究員）
講座地點：中國科技館
2017年人工智慧非常火爆，中國政府出台了《新一代人工智慧發展規劃》，人工智慧技術到今天越來越多地走入人們的生活中。黑科技、AlphaGo、機器人……這些看起來充滿著「未來味道」的名詞和技術，它們之間有著怎樣千絲萬縷的聯繫呢？人工智慧技術的終極目標在哪裡？
01
人工智慧領域有硬科技也有黑科技
什麼是科技？對於「科技」這個詞，每個人都有自己的解讀，殊不知，科技也分多層次。
通常來說，「科技」分為科學和技術。科學是理論，技術是手段，兩者結合起來共同解決實際問題。科技的第二個層次是高科技，比如我國的原「863計劃」中的項目大都屬於高科技的範疇，是人才、知識、資金、風險的密集，處在前沿的技術領域。科技的第三個層次是硬科技，也就是具有「高門檻」的科學技術，這種硬科技很難模仿和山寨，因為其核心資源難以被模仿，且運營模式獨具特色。第四層是黑科技，是未公開的核心技術和方法。在科學發展中，並不是所有成果都通過論文獲得公開，還有很多沒有公開的技術成果，會以出人意料的方式展現在眾人眼前，這就是黑科技。第五層概念就是科幻，它採用藝術表現手法描繪未來科學對人類生活影響。那麼我們通常討論的人工智慧產品屬於哪一種呢？
首先要搞清楚基於人工智慧技術的產品形式。目前應用範圍最廣的是工業機器人，這種機器人被大量應用在工廠和車間，大大降低了人力成本，且工業機器人的精度可以達到較高的水平。
還有無人駕駛汽車，在剛剛結束的美國CES大會上，百度公司展出了自動駕駛產品，引起很大反響，無人車技術成熟度已經快達到上路標準。還有一套著名的問答系統就是IBM的沃森系統，作為一套問答系統，其背後有海量數據和文獻數據支持，以及強大的處理系統，它可以與人進行知識競答的比賽，在競答過程中，提問和答案並非錄入和調取的過程，而是通過在現場對海量文獻的快速計算得出的答案。
還有一套「網紅」人工智慧系統，那就是AlphaGo。這是第一個戰勝圍棋世界冠軍的人工智慧程序。
早在1997年，當深藍下象棋打敗了人類冠軍時，當時大多數人認為如果下圍棋，那麼機器贏不了人類。二十年之後，這一預言被推翻了。很快，Google又推出了AlphaGo MASTER系統，這套系統成功打敗了所有人類圍棋冠軍。
接著，AlphaGo Zero誕生，學習了40天之後，它成功戰勝了AlphaGo MASTER系統。更出乎意料的是，以前的系統都需要學習棋譜，而AlphaGo Zero不需要學習棋譜，它只需要「了解」規則並進行自我博弈，之後便達到圍棋的頂峰。
從工業機器人到AlphaGo，這些人工智慧技術產品分布在不同的科技層次，科技也隨著技術的進步迎來了「新IT」時代。
02
「新IT」把信息變成智能
IT是information technology的縮寫，但是，在「新IT」時代，「I」的含義變成了intelligence，即智能，也就是大數據、雲計算和人工智慧三位一體的時代。除了上述的多種機器人，還有一種更「厲害」的機器人——類人機器人。
關注機器人進展的人一定知道波士頓動力機器人，它能夠輕鬆進行360度跳躍翻轉，對於這種機器人來說，其平穩性控制的難度是非常大的，這種機器人目前主要處在基礎領域研發，當其軀體與大腦結合在一起的時候，它可以做非常多有意思的事情。
▲波士頓動力機器人Atlas漂亮的後空翻（圖片來自網路）
另外一個非常知名的類人機器人是索菲亞，她也具有劃時代的意義，因為她是第一個被賦予國籍的機器人。索菲亞很聰明，和她交流的時候甚至感覺不出來這是一個機器人。
人工智慧已經被演繹了一重又一重，人類利用電影、小說等藝術手段讓人工智慧達到爐火純青的地步。但是，人工智慧研究最初進展得並不順利，它不僅沒有如今的火爆，而且曾經是被「邊緣化」的學科。
在1950年代大學裡，計算機專業研究方向分為三類，第一類是計算理論研究，第二類是程序開發類研究，第三類是人工智慧類研究，這些研究包括：自動計算機、編程語言、計算模型的理論、自我改進、抽象等，是他們的研究方向。但不幸的是，那時的人工智慧研究非常另類，但正是這一批被「瞧不起」的人，創造出了一個全新的世界，他們就是摩爾、麥卡錫、明斯基、賽弗里奇、所羅門諾夫等。早在1956年，他們就已經意識到自己所研究的內容重要而宏大，也正是這些人在人工智慧發展領域留下了濃濃的一筆。
人工智慧經過60年的發展經歷了兩次大的起伏，第一次是在1980年代時熱度降溫，因為人工智慧雖然先進但因為可計算性等原因難以解決大量的實際應用問題，之後又在日本第五代計算機研發時期興起，但之後又隨著第五代計算機研發失敗而冷卻。
如今，人工智慧再一次迎來了飛躍式的快速發展。不過，很難預測人工智慧的明天將會走向哪裡。
03
「看」和「聽」是人工智慧的核心技術
當前人工智慧的核心是數據加演算法加算力，智能的核心就在於其演算法智能。
如何讓機器在貓、老虎和獅子之中準確識別出貓？過去，計算機通過顏色、紋理特徵識別，但是，這需要人工輸入特徵之後讓機器識別。現在不會應用這種早期的處理手段，人只需要「告訴」機器這是什麼動物，標註了成百上千張圖之後，計算機會自己「學會」識別特徵，這就是現代的深度學習演算法，完成圖像識別任務。
那麼，圖像識別之後能做什麼？比如無人駕駛汽車行駛在路上，如何識別路況，這就是一種應用。還可以用於監控裝置，智能攝像頭可以監控一個區域的人員密度、行為，甚至可以計算出每個人的身高體重。
所以，一個智能監控攝像頭可以快速識別視野範圍內人群的危險動作，這就是「非結構化信息的結構化」。當然，還可以應用在道路車輛監控領域，所以，開車的司機們不要認為開得很快攝像頭無法快速跟蹤監測車速，在人工智慧圖像識別技術發達的今天來說，這些都是可以準確監測的。
▲當地時間2017年11月21日，日本東京，2017年軟銀機器人世界展會舉行，機器人「胡椒」亮相。據軟銀公司稱，「胡椒」是第一種能夠閱讀人類感情的機器人。
人工智慧的語音檢測又是如何實現的呢？只要使用智能手機的用戶們都知道，如今發送簡訊或者微信時都可以輸入語音，手機會將你說的話轉化成文字，那麼，語音轉文字的過程是如何實現的呢？
語音轉文字時需要語音聲波信號一系列的轉化，形成特徵，將語音模型和語言模型結合後，進行計算，就可以把語音轉化為文字。那麼，手機上的語音轉文字只是一種初級的應用，如果用語音去控制智能設備，真正的難點是如何理解文本的含義。
如果一位女士和一位男士約定了會面時間，女士說「如果你到了我沒到，你就等著；如果我到了你沒到，你也等著吧。」，同樣是讓對方等著，但是女士表達的含義卻截然不同，人類可以聽出其背後的含義，但是機器只能分析出語法，卻無法識別其背後的含義。
▲在語音識別、語義識別等智能語音與人工智慧核心技術上，國內的科大訊飛公司代表了國際頂尖水平。圖為剛結束的2018CES展會上，首次亮相的科大訊飛展台前，參會者正在體驗人氣最高的產品曉譯翻譯機
機器理解人的語言分很多種，第一種是行為反應，比如聲控。第二是語言能力，也就是問答，從大量文本中做組合和翻譯。第三類是如何表達出語言的結構和意義，這也是計算機最難處理的問題。如人可以通過生活獲取常識，但是機器卻只能通過大量的數據分析獲得「常識」。
所以，什麼是智能？智能要能自主感知動態變化的環境，能綜合分析判斷得到的信息。鸚鵡雖然會學人說話，但它並不能理解語言背後的含義；烏鴉能根據環境和學習投石飲水，顯然它掌握了分析判斷的能力。所以，烏鴉是智能的，鸚鵡只是初級的智能。
04
人工智慧發展還面對諸多挑戰
計算機可以在現實世界中自主去尋找最關鍵的要素嗎？顯然答案是否定的，但這是人類的長處。
實現海量信息的選擇性感知與注意，抓取特徵性信息，就應該在計算機感知階段進行處理，那麼，在這一階段，能否成功進行建模和編寫程序呢？而這些問題，人類只需要用大腦，本能地就能解決，機器還差得很遠。
機器在通往智能道路上的第二個難點在於「知識表達」。類常識性知識對於機器來說都需要學習。正因為如此，人工智慧發展的歷程中，每次要解決常識性問題時，都是人工智慧專家們感覺困難的時候。
第三個難點在於，人工智慧技術缺乏通用性。每一種人工智慧功能實現背後的模型都是不同的，機器學習的演算法也是不一樣的。而人類在解決所有問題時，只需要一套大腦系統。
第四個難點在於人工智慧的安全問題，這也是需要高度重視的問題。如果人類得知了智能演算法的弱點後，就可以通過破壞特徵而讓機器無法工作，從而「誤導」機器。同樣，網路攻擊也是利用了機器的弱點和漏洞。所以，社會工程學如果與AI結合，可以形成非常強大的負面力量。
現在，人工智慧的前沿研究依然要回歸到研究人腦，對大腦的基本結構的研究已經初步完成，不過，神經元是如何傳遞信息和編碼信息的？大腦是如何工作的？如何感知數據和加工信息的？
▲從業界認為的「弱人工智慧」到「強人工智慧」，我們還有一段長路要走。（圖片來自網路）
當這些問題都研究清楚之後，人工智慧才能真正進入「強人工智慧」時代，而現在這些智能在許多專業人士眼中，屬於「人工智障」。
人類大腦只被開發了8%左右，人類的優勢在於創新，而不是基於大量數據統計基礎上的歸納總結。
人之所以為人，在於我們能觀察世界、感知世界、創造世界，所以，機器永遠無法成為「我們」，在現實物理世界中，擁有廣闊視野的人類才是王者。
本文據朱禮軍1月13日在中國科技館的講座整理,內容已經朱禮軍本人審核
TAG:科學加 |