你需要知道的關(guān)于人工智能的一切

1956年，一群由年輕的數(shù)學助理教授約翰·麥卡錫(John McCarthy)領(lǐng)導的科學家聚集在新罕布什爾州的達特茅斯學院(Dartmouth College)，開始了一項為期六周的雄心勃勃的計劃:創(chuàng)造出能夠“使用語言、形成抽象概念、解決人類特有的各種問題、并自我提升”的計算機。

該項目開啟了人工智能(AI)領(lǐng)域。當時，科學家們認為，“兩個月、10個人的人工智能研究”將解決人工智能等式的最大部分?！拔覀冋J為，如果精心挑選的一組科學家在夏季共同研究這些問題，我們可以在其中一個或多個問題上取得重大進展，”第一份人工智能提案寫道。

加入線上工作坊及工作坊;關(guān)于未來一年的實時討論

60多年過去了，創(chuàng)造人工智能的夢想依然遙不可及。我們?nèi)匀粵]有能夠像人類孩子一樣思考和解決問題的思考機器，更不用說成年人了。但是我們已經(jīng)取得了很大的進步，因此，人工智能領(lǐng)域被劃分為人工一般智能(AGI)和人工窄智能(ANI)。

麥卡錫和他的同事們設(shè)想的人工智能是一個人工智能系統(tǒng)，它可以學習任務(wù)并解決問題，而不需要明確指示每一個細節(jié)。它應(yīng)該能夠進行推理和抽象，并且能夠輕松地將知識從一個領(lǐng)域轉(zhuǎn)移到另一個領(lǐng)域。

幾十年來，研究人員已經(jīng)認識到，創(chuàng)造一個滿足所有這些要求的人工智能系統(tǒng)是非常困難的。人工智能的最初設(shè)想，即模仿人類思維過程的計算機，已被稱為人工一般智能。

閱讀:[自主學習是人工智能的未來]

根據(jù)維基百科，AGI是“一臺能夠理解或?qū)W習人類能夠理解的任何智力任務(wù)的機器”。科學家、研究人員和思想領(lǐng)袖都認為agi至少還需要幾十年的時間。

但在他們不斷努力實現(xiàn)創(chuàng)造會思考的機器的夢想的過程中，科學家們成功地發(fā)明了各種有用的技術(shù)。狹義人工智能是一個涵蓋所有這些技術(shù)的總稱。

狹窄的人工智能系統(tǒng)擅長執(zhí)行單一任務(wù)，或有限范圍的任務(wù)。在許多情況下，它們甚至在特定領(lǐng)域超越人類。但是一旦他們遇到的情況超出了他們的問題范圍，他們就會失敗。他們也不能將知識從一個領(lǐng)域轉(zhuǎn)移到另一個領(lǐng)域。

例如，由谷歌旗下的人工智能研究實驗室deepmind開發(fā)的機器人可以在錦標賽級別上玩熱門的實時戰(zhàn)略游戲《星際爭霸2》。但是同樣的AI將不能玩其他的即時戰(zhàn)略游戲，如魔獸或命令與游戲;征服。

雖然窄人工智能在需要人類智能的任務(wù)上失敗了，但它已經(jīng)證明了它的實用性，并在許多應(yīng)用中找到了出路。你的谷歌搜索查詢是由狹隘的人工智能算法回答。一個狹窄的人工智能系統(tǒng)會在YouTube和Netflix上推薦你的視頻，并在Spotify上管理你每周的發(fā)現(xiàn)播放列表。Alexa和Siri已經(jīng)成為許多人生活的主要內(nèi)容，它們是由狹隘的人工智能驅(qū)動的。

事實上，在大多數(shù)情況下，當你聽說一家公司“使用人工智能來解決X問題”或在新聞中讀到人工智能，它是關(guān)于人工窄智能的。

我們今天使用的人工智能技術(shù)主要分為兩類:符號人工智能和機器學習。

象征性人工智能，也被稱為優(yōu)秀的老式人工智能(GOFAI)，在人工智能的大部分歷史中是研究的主導領(lǐng)域。符號型人工智能要求程序員精心定義規(guī)則，以指定智能系統(tǒng)的行為。符號人工智能適用于環(huán)境可預測、規(guī)則明確的應(yīng)用程序。雖然象征性人工智能在過去的幾年里有些失寵，但我們今天使用的大多數(shù)應(yīng)用程序都是基于規(guī)則的系統(tǒng)。

機器學習是狹義人工智能的另一個分支，它通過實例開發(fā)智能系統(tǒng)。機器學習系統(tǒng)的開發(fā)人員創(chuàng)建一個模型，然后通過提供許多例子來“訓練”它。機器學習算法處理示例并創(chuàng)建數(shù)據(jù)的數(shù)學表示，以執(zhí)行預測和分類任務(wù)。

例如，對數(shù)千個銀行交易及其結(jié)果(合法或欺詐)進行訓練的機器學習算法將能夠預測新的銀行交易是否存在欺詐。

機器學習有很多不同的方式。深度學習是一種特殊類型的機器學習，在過去的幾年里變得特別流行。深度學習尤其擅長執(zhí)行數(shù)據(jù)混亂的任務(wù)，比如計算機視覺和自然語言處理。

強化學習是機器學習的另一個子集，是一種窄型人工智能，用于許多機器人游戲和必須通過反復試驗才能解決的問題，比如機器人。

象征性人工智能和機器學習都能捕捉人類智能的一部分。但它們無法將必要的元素整合在一起，創(chuàng)造出一個無所不包的人類層面的人工智能。這就是阻止他們超越人工智能的原因。

符號操作是人類思維過程的重要組成部分。但大腦所做的遠不止是操縱符號。我們在童年時期獲得的許多技能(走路、跑步、系鞋帶、操作器具、刷牙等)都是我們死記硬背的東西。我們可以下意識地學習它們，而不需要在腦海中進行任何形式的符號操作。

象征性的人工智能系統(tǒng)非常脆弱。他們需要精確地指導他們必須完成的每一項任務(wù)，并且只能在他們定義的規(guī)則上下文中發(fā)揮作用。

另一方面，機器學習算法擅長復制在符號推理中無法捕捉的行為，比如識別人臉和聲音，這是我們通過例子學習的技能。這是深度神經(jīng)網(wǎng)絡(luò)(用于深度學習算法的結(jié)構(gòu))擅長的領(lǐng)域。他們可以吸收大量的數(shù)據(jù)，并建立數(shù)學模型來描述這些數(shù)據(jù)的特征。

但是，頭腦的學習過程不能被簡化成純粹的模式匹配。例如，我們識別貓的圖像，因為我們可以將它們與我們在生活中看到的許多貓的圖像聯(lián)系起來。但是這個簡單的識別貓的任務(wù)還涉及很多符號處理(它有四條腿，一條尾巴，毛茸茸的身體，尖尖的耳朵，三角形的鼻子，等等)。

符號操作的缺乏限制了深度學習和其他機器學習算法的能力。深度學習算法需要大量的數(shù)據(jù)來執(zhí)行人類只需很少的例子就能學會的任務(wù)。計算機視覺中使用的卷積神經(jīng)網(wǎng)絡(luò)(CNNs)需要對每一種必須識別的對象的數(shù)千張圖像進行訓練。即使這樣，當他們在新的照明條件下或從不同的角度遇到相同的物體時，他們經(jīng)常會失敗。

像AlphaGo、AlphaStar和openai fivememe這樣的人工智能游戲系統(tǒng)必須在數(shù)百萬場比賽或數(shù)千小時的游戲中進行訓練，然后才能掌握各自的游戲。這是任何一個人(或十個人，就此而言)一輩子都玩不完的。

機器學習系統(tǒng)也被嚴格限制在它們的訓練例子的上下文中，這就是為什么它們被稱為窄人工智能。例如，在自動駕駛汽車中使用的計算機視覺算法，在遇到不尋常的情況時，很容易做出不穩(wěn)定的決定，比如一輛停得很奇怪的消防車或一輛翻倒的汽車。

科學家們一致認為，我們今天所擁有的人工智能技術(shù)中，沒有一項具備人工一般智能所必需的要素。但他們并不一定就下一步如何超越狹隘的人工智能達成一致。以下是一些擴大人工窄智能能力的計劃:

人工智能的問題之一是它是一個移動的目標。只要一個問題沒有解決，它就被認為是ai完備的。這意味著能夠解決這個問題的計算機被認為具有真正的人工智能。但一旦它被解決，它就不再被認為需要智力。

一個主要的例子是國際象棋，它曾被認為是人工智能的果蠅，參考了20世紀早期對果蠅的突破性遺傳研究。但在1996年擊敗國際象棋世界冠軍加里?卡斯帕羅夫(Garry Kasparov)的電腦“深藍”(Deep Blue)，被認為不如人類棋手那么聰明。它使用純粹的計算能力來檢查所有可能的走法，并選擇最有可能獲勝的走法。同樣的情況也適用于其他擅長特定任務(wù)的窄型人工智能系統(tǒng)，比如打電話和在餐館訂餐。

在許多方面，窄人工智能已經(jīng)證明，我們用人類智能解決的許多問題可以分解為數(shù)學方程和愚蠢的算法。

最近，人們更加關(guān)注衡量人工智能系統(tǒng)解決一般性問題的能力。在這方面，一篇著名的著作是“智力的衡量”，這是科拉斯深度學習圖書館(Keras deep learning library)的創(chuàng)始人弗朗索瓦·喬萊(Francois Chollet)撰寫的一篇頗具影響力的論文。

在他的論文中，Chollet討論了衡量anAI系統(tǒng)解決問題的能力的方法，這些問題并沒有明確的培訓或指導。在同一篇文章中，Chollet提出了抽象推理語料庫(ARC)，這是一組可以檢驗這一假設(shè)的問題。谷歌旗下的數(shù)據(jù)科學與機器學習競賽平臺Kaggle今年早些時候發(fā)起了一項挑戰(zhàn)，以解決ARC數(shù)據(jù)集的問題。

雖然幾乎沒有人有機會能夠解決這一挑戰(zhàn)并獲得大獎，但這將是一個很好的衡量標準，可以衡量我們從狹隘的人工智能到創(chuàng)造能像人類一樣思考的機器已經(jīng)走了多遠。