【中國傳動網(wǎng) 行業(yè)動態(tài)】 近兩年，隨便問個路人什么最火，答案一定是人工智能（AI）。甚至有研究者直言：“我做了這么多年模式識別(圖像、聲音等識別技術(shù))，都不敢稱自己是做人工智能。而在AlphaGo之后，現(xiàn)在隨便個和識別搭邊的都稱自己是搞人工智能了。”

“人工智能”其實緣起1956年達特茅斯學院召開的夏季研討會，麥卡錫對這次研討會命名為“人工智能夏季研討會”(SummerResearchProjectonArtificialIntelligence)，此后人工智能迎來了初生的太陽，可以說是傳統(tǒng)人工智能的黃金時期。

在高潮后的質(zhì)疑聲中，人工智能迎來了多個寒冬，其中不乏是計算資源短缺的原因，還有曾成功預測線性模型的perception(感知機)無法預測異或的邏輯的致命缺陷，另外第二次寒冬出現(xiàn)于1990年政府縮減對AI計算機的投入。

然而在2006年JeffHinton提出“深度學習”的神經(jīng)網(wǎng)絡(luò)的方法后，人工智能又進入了另一個春天。如今“人工智能”已經(jīng)普遍走進中國大學校園，初創(chuàng)企業(yè)甚至手機鏡頭里。

所有創(chuàng)業(yè)項目都稱與AI相關(guān)，人工智能工程師身價也隨之水漲船高，年薪可50萬起跳。而由學術(shù)界人士主導的人工智能項目，往往會將學術(shù)界“刷論文”的風氣帶到公司領(lǐng)域。

在媒體中，我們經(jīng)常能聽到某家AI公司又取得了“突破性”進展，其實這些突破性進展往往完全是難以落地的學術(shù)字眼。

在熱潮下的人會跟風學習，不禁重新審視對人工智能的看法，整理出了網(wǎng)上現(xiàn)在傳播最為廣泛的人工智能所存在的十大問題：

1.我們被圖靈對智能的定義所束縛了。圖靈有關(guān)智能構(gòu)想很著名，他將智力限制為一種和人類進行語言游戲的解決方案。具體來說，圖靈將智能設(shè)定為(1)游戲的解決方案，(1)將人類置于判斷的位置。這個定義非常具有迷惑性，并很適合人工智能領(lǐng)域。狗，猴子，大象，甚至嚙齒類動物都是非常聰明的生物，但它們沒有語言，因此也不可能通過圖靈測試。

2.人工智能的核心問題莫拉維克悖論（Moravec'sparadox）。莫拉維克悖論的核心論點是，現(xiàn)實中最簡單的問題比最復雜的游戲更難解。我們沉迷于令AI在游戲中超越人類(以及其他受限且定義明確的話語領(lǐng)域，如數(shù)據(jù)集)，將其作為智能的指標，作為一種與圖靈測試一致的標準。我們完全忽略這樣一個事實：對智能的最終判斷由現(xiàn)實本身，而不是由一個人類組成的委員會作出。

3.我們的模型甚至可能起作用，但往往是出于錯誤的原因。其他文章詳細闡述過這點，深度學習就是一個很好的例子。深度學習顯然已經(jīng)解決了物體識別問題，但是大量研究表明，深度神經(jīng)網(wǎng)絡(luò)能識別物體的原因與人類能觀察到物體的原因大不相同。對于用圖靈測試精神欺騙人類的人來說，這可能并不重要。但對于關(guān)注人工智能體處理非預期(域外)現(xiàn)實的能力的人來說，這是至關(guān)重要的。

4.現(xiàn)實不是游戲。智能是一種機制，它會進化以令智能體能夠解決問題。由于智能是一種輔助我們玩“規(guī)則不斷變化的游戲”的機制，因此作為一種副作用，它能讓我們玩有一套固定規(guī)則的實際游戲也就不足為奇了。但反過來就不成立了：構(gòu)建在玩固定規(guī)則游戲時勝過人類能力的機器，跟構(gòu)建一個能夠玩“規(guī)則不斷變化的游戲”的系統(tǒng)差得遠了。

5.物理現(xiàn)實中有一些規(guī)則是不變的——即物理定律。我們用語言描述他們，并利用它們來做預測，從而建立文明。但是為了在這個物理環(huán)境中行動，這個星球上的每一種生物體都掌握了這些定律，并不需要語言。小孩子在學會牛頓運動定律之前，就知道蘋果會從樹上掉下來。

6.我們的視覺統(tǒng)計模型其實是非常不足的，因為它們僅依賴于某一時間的事物和人類指定的抽象標簽進行識別。深度神經(jīng)網(wǎng)絡(luò)能夠看到數(shù)以百萬計的蘋果掛在樹上的圖像，但永遠不可能發(fā)現(xiàn)萬有引力定律(以及許多對我們來說很顯然的東西)。

7.常識的困難之處在于它對我們而言是在太顯而易見了，甚至很難用語言去描述它，進而在數(shù)據(jù)中給它打標簽。對于所有“顯而易見”的東西，我們存在巨大的盲點。因此，我們無法教計算機常識，不僅因為這可能不切實際，更根本的原因是我們甚至沒有意識到“常識”是什么。直到我們發(fā)現(xiàn)機器人做了一些很愚蠢的事情，我們才頓悟：“哦，原來它不懂......[這里可以填任何顯而易見的常識]”。

8.如果我們想解決“莫拉維克的悖論”(應該是當今任何嚴肅的AI工作的焦點)，我們就多少需要模仿生物體純粹依靠觀察世界學習的能力，而不需要標簽。實現(xiàn)這一目標的一個有希望的想法是構(gòu)建一個系統(tǒng)，對未來的事件進行預測，并通過將實際的發(fā)展與系統(tǒng)的預測進行比較來學習。大量的實驗表明，這確實是生物大腦中發(fā)生的事情，并且從許多角度來看這樣做都很有意義，因為這些系統(tǒng)必須要學習物理定律。預測視覺模型(predictivevisionmodel)是朝這個方向邁出的一步，但肯定不是最后一步。

9.我們迫切需要在圖靈的定義之外定義“智能”的特征。一個不錯的想法來自非平衡態(tài)熱力學(non-equilibriumthermodynamics)，并與預測假設(shè)一致。我們需要這樣做，因為我們需要構(gòu)建智能體，這些智能體肯定通不過圖靈測試(因為它們沒有語言智能)，但我們需要一個框架來衡量我們的進展。

10.我們今天所做的幾乎所有稱之為AI的事情，都是可以用語言表達的某種形式的自動化。在許多領(lǐng)域，這些所謂AI可能有用，但這與用Excel取代紙質(zhì)表格來幫助會計師，實際上沒有什么不同。有問題(并且問題始終存在)的領(lǐng)域是自主(autonomy)。自主不是自動化(automation)。自主不僅僅意味著自動化。如果是要求比人類更安全的自主的話，那么它意味著更多，比如說自動駕駛汽車。自主應該是廣義智能的同義詞，因為它假設(shè)能夠處理意外的、未經(jīng)訓練的，未知的事物。

在Alphago打敗李世石的時候，我們都為人工智能迅猛發(fā)展感到開心，但是同時有些人也會對其未來發(fā)展感到緊張不安。而真正需要我們思考的是，人工智能給我們帶來什么。

當我們說的話可以迅速被翻譯成另一種語言，當我們可以搜索、轉(zhuǎn)錄與總結(jié)數(shù)小時的視頻，當汽車可以自動駕駛、貨運成本急劇下降......人工智能對未來的影響值得拭目以待！