模仿人腦，可能是AI走的一條彎路？

新聞 08-18

圖片來源：BRIAN STAUFFER

記者 Christopher Mims

從自動駕駛汽車、機器人醫生到超過13億中國人的社會信用評分等，目前引入人工智慧(AI)技術的一切事物都取決於一場有關如何讓AI做到它現在做不到的事情的辯論。昔日這僅僅是一個學術問題，但如今已對價值數十億美元的人才和基礎設施、乃至人類的未來產生影響。

這場辯論歸根結底是關於目前構建AI的方法是否足夠。通過一些調整並應用足夠的計算蠻力，現在我們擁有的這項技術能否實現真正的「智能」、如想像那樣存在於動物或人類體內？

這場辯論的一方是「深度學習」的支持者。2012年，多倫多大學(University of Toronto)的三位研究人員發表了一篇具有里程碑意義的論文，此後，深度學習方法便一直大受歡迎。雖然並非實現AI的唯一方法，但深度學習已經展示出以前的AI技術所無法實現的能力。

「深度學習」中的「深度」指的是人工神經元網路中人工神經元的層數。如同其所對應的生物神經元網路，人工神經元的層數越多，實現更複雜學習任務的能力就越強。

要理解人工神經元網路，可以想像空間中有一組彼此相連的點，類似大腦中的神經元分布。簡單來說，當大腦學習時，就是在調整各點之間的連接強度，最終形成一幅神經連線圖，呈現完成任務（例如準確識別一幅圖像）的優選路徑。

如今的深度學習系統算不上模擬人類大腦，頂多和視網膜的外部結構類似。在視網膜外部分布了寥寥數層神經元，可以對一幅圖像進行初步處理。

讓這樣一個網路像人類大腦那樣完成各種任務，可能性極低，因為此類網路無法像一個真正智能的生物那樣認識世界，因此很脆弱，很容易「頭腦發昏」。舉例來說，研究人員只改變了一個像素，就讓一種廣泛應用的圖像識別演算法上當受騙了。

儘管有其局限性，但深度學習已能幫助軟體實現圖像和語音識別、機器翻譯以及在棋類遊戲中擊敗人類。深度學習是谷歌定製AI晶元以及靠此類晶元運行的AI雲服務的驅動力，也是英偉達(Nvidia Co.)自動駕駛汽車技術的關鍵。

AI界最有影響力的人物之一、曾任Google Brain和百度人工智慧部門負責人的吳恩達(Andrew Ng)曾表示，藉助深度學習，計算機應該能夠完成普通人在一秒或更短時間內可以達成的任何心智任務。當然，計算機所需的時間應該可以比人類更短。

這場辯論的另一方是一些研究人員，如優步人工智慧部門的前負責人、現任紐約大學(New York University)教授Gary Marcus，他認為深度學習遠不能完成人們希望其實現的很多事情。例如，深度學習永遠無法替代所有白領工作以及帶領我們走向全自動奢侈共產主義的未來。

Marcus表示，要獲得能夠推理、自學和建立心智模型的「通用智能」(general intelligence)，僅靠目前AI所能達到水平是不夠的。

Marcus稱，雖然在深度學習方面已經取得很多成果，但並不意味著這是心智理論或抽象推理的合適工具。

Marcus表示，要讓AI更進一步，需要從自然界獲得靈感。這意味著需要建立其他類型的人工神經元網路，有時需要賦予先天、預編程的知識，就好比所有生物與生俱來的本能。

多倫多大學機器學習方面的助理教授David Duvenaud稱，許多研究人員認同上述觀點，正努力補充完善深度學習系統以克服局限性。其中一個熱門領域是研究如何僅通過某個現象的少數例子進行學習，而不像深度學習系統那樣通常需要數以百萬計的例子。

研究人員也在嘗試賦予AI建立認識世界的心智模型的能力，嬰兒在一歲前就已具備這一能力。因此，一個深度學習系統在觀看了100萬輛校車後可能在首次看到一個顛倒的校車時仍無法認出，而擁有車輪、黃色底盤等校車組成要素心智模型的AI在識別一個倒置的校車時將容易得多。

美國人工智慧協會(Association for the Advancement of Artificial Intelligence)前任主席Thomas Dietterich稱，為深度學習補充其他種類的AI固然很好，但在整體上不忽視深度學習和機器學習的魔力也顯得重要。

Dietterich稱，機器學習研究的目標是了解計算機系統只從數字和經驗中學習可以達到什麼程度，而不是人工嵌入。他說，問題不是AI的先天預裝知識不好，而是人類不了解首先應把哪些先天具有的知識嵌入AI中。

Duvenaud說，「原則上，我們無需去參考生物學」來弄清如何打造未來的AI。但他表示，那種將會接替聚焦於深度學習的技術、也更加精密的系統尚未取得成效。

Marcus說，除非能弄清如何把我們的AI變得更聰明、更強大，否則我們將不得不為其人工輸入人類現有的大量知識。也就是說，自動駕駛軟體等AI系統中的很多「智能」，其實根本不是由人製造出來的機器所表現的智能。就好像自動駕駛軟體需要在真實道路上進行大量的車輛實操訓練一樣，要讓這些系統具有真正的能力，眼下還需輸入大量邏輯，這些邏輯反映的是打造和測試它們的工程師所做的決定。