人工智慧的三個問題
人工智慧的三個問題
——讀《淺談人工智慧：現狀、任務、構架與統一》有感
文：Lisa
「人工智慧」這個詞應該是近期最熱門的科技詞之一，各級階層現在如果不談點和人工智慧有關的就好像落伍了，於是乎人人都成為了人工智慧專家。但究竟什麼是人工智慧？具體包含哪些內容或方向？被熱捧的深度學習的人工智慧技術路線是否正確代表了未來的方向？究竟人工智慧的統一的方向在哪裡？這些都需要冷靜地，躲在技術的「安靜角落」里深入思考。我理解朱松純就是這樣一群冷靜思考者的代表，在探索著人工智慧領域統一的方向，也給當前的深度學習技術潑了一盆冷水。
首先我們要回答的第一個根本性問題：什麼是人工智慧？
朱松純舉了個非常有啟發性的例子：烏鴉如何順利吃到馬路上的堅果而不被撞死，從鳥的智能上，我們探尋到產生智能的源頭及條件。一是現實的世界及內在的因果鏈，二是智能體上的自然或自發的價值或任務驅動。比如我們人類要做一件事，首先要有內在任務或者價值或利益驅動，然後人在驅動下在現實世界中理解事物的因果關係，並利用因果關係改造現實世界，最終符合我們的價值取向或實現我們的任務。從這個角度上說，恩格斯說的勞動創造了人，讓人成為萬物之靈，智能遠超其他動物，具有同樣的意思。
結論，智能是一種現象或者說是某些行動的結果，是在客觀世界裡受任務驅動下的行動或符合價值鏈的行動結果，而人工智慧就是人採用模擬的方式實現了上述的智能。
其次，第二個核心問題：深度學習的人工智慧技術路線是否正確代表了未來的方向，人工智慧的統一的方向究竟在哪裡？人工智慧能否可以受到人的智能的啟發，採用統一的人工智慧框架，結束當前的技術七國八制？
朱松純簡單回顧了人工智慧的60年來發展歷程及包含了六大領域。我們發現一個關鍵問題，人工智慧好像涵蓋的範圍太廣，技術上也是七國八制，似乎印證那句俗話「管他黑貓還是白貓，能逮住老鼠的就是好貓」，但我們如果深入思考，就發現人的智能難道也是七國八制的嗎？人產生智能的基本原理是什麼？有沒有一個統一的模式或框架？
在回答這個問題之前，我們先看看當前熱炒的深度學習技術，知己知彼才能百戰不殆。深度學習最基本的就是起源於神經網路，而神經網路就是受到人的神經元解剖的啟發抽象出來的數學模型。這麼一看，好像深度學習就是一脈相承於「人的智能」。再深入看下去，我們會發現深度學習的幾個典型特徵：需要大量的數據（成千上萬的照片，數據），只能應用於一個非常窄的領域（如識別個貓，車，人等），在一個場景領域下訓練出來的神經網路不能應用於另外一個場景領域。用朱松純的技術術語就是「大數據，小任務範式」，而人的智能肯定不是這樣的，是「小數據，大任務範式」，即用很少量數據，可應對各種複雜的場景和任務，即使是一個鳥也比當前的深度學習神經網路做得好。
所以，「小數據，大任務範式」就是人工智慧統一的目標。
朱松純認為在視覺這個領域未來的發展方嚮應該是發掘隱藏在視頻背後的信息，這也是人的智能所具備的能力。在視覺這個方面提出了Spatial，Temporal and Causal ParseGraph（STC-PG），這個STC-PG包含了對空間的理解（物體、三維形狀、材質等）、時間上動作的規劃、因果的推理。就如同我們從一副圖中看到隱藏在其中的大量信息一樣，STC-PG一樣實現了一幅圖中推理出大量信息，整個的學習是基於少量數據的，可以適應大量的任務。走到這一步視覺和語言認知在層次上到達了一致，實現了真正意思上的理解。這樣STC-PG可以用於視覺、語言、認知、機器人任務規劃等人工智慧領域，實現了統一的表達，統一的框架，扭轉技術上七國八制的局面。
最後，第三個問題暫時定位為開放性問題：人工智慧如何符合倫理、受價值觀的驅動？
朱松純指出人工智慧要符合倫理，需計算出人的共識來執行任務。但是若讓其設身處地為人著想，就要困難得多。
所以該問題，仍然是個開放性問題，等待大家努力去解決。
TAG:不止於二 |