[[233888]]

　　英文原文：The future of AI lies in replicating our own neural networks

　　我們對于能夠在棋局上打敗人類***高手的人工智能心懷恐懼，不少人會將其視為“人工智能將會終結(jié)人類”的一個預(yù)兆。然而在本文的觀點中，作者似乎并不擔(dān)心這一天會在可預(yù)見的未來出現(xiàn)——他認為人工智能還有很長的一段路要走，而階段性的******是如何向大腦學(xué)習(xí)。

　　我們的大腦似乎沒有限制。我們不只會駕駛汽車，還能建造摩天樓，管理公司，處理情感。我們可以輕松拿起東西，靈活操縱，每一個人都學(xué)會了幾百項復(fù)雜技能，可以混合，快速完成。但是人工智能似乎還做不到，它們有著基礎(chǔ)性的限制。也許正如谷歌 DeepMind 項目的聯(lián)合創(chuàng)始人杰米斯·哈薩比斯（Demis Hassibis）所說：“我們真的可能開發(fā)‘一般智力’？人類大腦是目前存在的唯一證明，為什么人類有這樣的能力，是如何做到的，值得我們花時間研究理解。”

　　本文來自 bigthink，由微信公眾號“利維坦”編譯。作者：Ben Medlock，翻譯：Carlyle，校對：喵昕。

　　將意識當(dāng)作原始認知結(jié)構(gòu)的頂層功能，這一想法是十分有吸引力的。畢竟，我們感知到自我意識的方式，與感受到自己心跳頻率和腸胃蠕動的方式有所不同。如果可以將大腦行為單獨看待并逐層分析，也許我們能夠制造出一些類似頂層結(jié)構(gòu)的東西，實現(xiàn)擬人類的人工智能，同時卻繞過有機生命特有的復(fù)雜的肉身。

[[233889]]

2017 年 7 月 12 日，香港“RISE”技術(shù)大會會場。由漢森機器人技術(shù)公司（Hanson Robotics）組織的人工智能展覽中，一場關(guān)于人類未來的討論開始之前，機器人“漢”等在舞臺中央。圖源：薩克·勞倫斯/法新社/蓋蒂圖片社

　　我理解這種觀點的吸引力，因為我是 SwiftKey 的聯(lián)合創(chuàng)始人之一，這是一家被微軟收購的預(yù)測性語言軟件公司。我們的目標是模擬人類理解、使用語言的了不起的過程。我們已經(jīng)取得了不錯的進展：對于我們在 2012 年到 2014 年間為物理學(xué)家史蒂芬·霍金（Stephen Hawking）制造的新型高端交流系統(tǒng)，我感到十分自豪。盡管擁有這些激動人心的成果，但是，大多數(shù)時間里我都沒有忘記，我們與造出擬人智能還相去甚遠。原因何在？因為我們對認知建立的模型是錯誤的。許多人工智能研究人員目前無法解決這道難題中最核心的問題：具象化的過程。

日本機器人學(xué)者石黑浩（Hiroshi Ishiguro）制造的人形機器人 Geminoid F。該機器人原型是一個日俄混血美女模特，F(xiàn)代表女性 female，她“出生”于 2010 年，會做出眨眼、微笑、皺眉等 65 種不同面部表情。圖源：Cait Oppermann

　　回望 20 世紀 50 年代，在現(xiàn)代人工智能曙光初現(xiàn)時，事情就走錯了方向。計算機科學(xué)家嘗試通過建立基于符號的邏輯系統(tǒng)來模擬有意識的邏輯思維過程。這一方法將客觀世界的實體與數(shù)據(jù)代碼相關(guān)聯(lián)，并創(chuàng)造環(huán)境虛擬模型的過程，這一模型還將被投影回現(xiàn)實世界本身。

　　比如，在符號邏輯的視角下，如果你想創(chuàng)造一種用來學(xué)習(xí)“貓是一種動物”這一結(jié)論的工具，你可以用一些數(shù)學(xué)定理來為一些特定的知識進行編碼，比如“貓>是>動物”。這樣的定理還能被應(yīng)用于更復(fù)雜的句式中，進而使系統(tǒng)能夠敘述***并判斷***的正誤——這些***包括 “通常情況下你的貓和馬一樣大”，和“貓一般會捉老鼠”。

　　這種方式在早期人為營造的簡單環(huán)境中取得了成功：在麻省理工學(xué)院計算機科學(xué)家特里·維諾格拉德（Terry Winograd）于 1968 年到 1970 年間設(shè)計的虛擬世界“SHRDLU”里，計算機可以與用戶對話并幫助用戶移動錐形、球形等簡單形狀的障礙物。但是，面對現(xiàn)實世界中的問題，符號化的邏輯往往無能為力，形成規(guī)則的符號系統(tǒng)在模糊的定義和過于寬泛的理解方式中走向崩潰。

　　在過去的數(shù)十年中，隨著電腦性能的提升，研究人員試圖使用統(tǒng)計信息從海量數(shù)據(jù)中抽象出模型，這樣的方法通常被稱為“機器學(xué)習(xí)”。不同于嘗試為高階知識和邏輯思維編碼的方式，機器學(xué)習(xí)運用自下而上的方式，其算法通過重復(fù)學(xué)習(xí)來識別對象之間的關(guān)聯(lián)，比如將圖像文件中能看到的對象進行分類或者將錄音制品轉(zhuǎn)換為文本。這樣的系統(tǒng)也許能夠?qū)W會識別貓的圖像，比如，可以通過觀看數(shù)百萬張貓的照片，或者在海量文本中進行提取，以建立貓和鼠之間的關(guān)系。

面對一個問題時，沃森能同時運行成千上萬種算法尋找答案，然后把這些答案匯合，并算出對每一個答案的確信程度。圖源：wikipedia

　　近年來，機器學(xué)習(xí)已經(jīng)獲得了廣泛的應(yīng)用。我們造出了能在語音識別、圖像轉(zhuǎn)換、唇語閱讀這些方面超越人類的人工智能系統(tǒng)，比如在問答節(jié)目《Jeopardy！》中贏過人類的沃森（Watson）；有些機器已經(jīng)能在棋局上戰(zhàn)勝我們了，比如下圍棋的人工智能 AlphaGo，有些正在學(xué)習(xí)視覺藝術(shù)作品的創(chuàng)作、流行音樂的編曲，并寫出它們自己的軟件程序。

　　從某種意義上說，它們自我學(xué)習(xí)的算法，是在模仿我們所了解的大腦有機體潛意識的過程。機器學(xué)習(xí)的算法從簡單的“特征”開始（比如單個字母或像素），再把他們組合成為更加復(fù)雜的“類別”，同時考慮到現(xiàn)實世界中信息解讀固有的不確定性與模糊性。在某種程度上，這與視覺皮質(zhì)的功能類似——這一結(jié)構(gòu)接收來自眼睛的生物電信號，并將其解讀為可識別的圖案和物體。

《2001 太空漫游》中的 HAL9000 高智能電腦。圖源：Giphy

　　要想像我們一樣思考，算法還有很長的路要走——最難以逾越的鴻溝在于，我們不斷進化的生物結(jié)構(gòu)以及我們的生物學(xué)基礎(chǔ)處理信息的方式。

　　人由數(shù)以萬計的真核細胞組成，而根據(jù)化石記錄的記載，真核細胞***出現(xiàn)是在 25 億年前。每個人類細胞都是人體這個網(wǎng)絡(luò)化機器的重要組成部分，而這個機器的組件數(shù)量與一家現(xiàn)代噴氣式飛機的零件數(shù)量持平——所有的這一切都產(chǎn)生于生物與自然界長期以來你中有我、我中有你的“相愛相殺”。

　　在《盆地與山脈》（Basin and Range，1981）中，作者約翰·邁克菲（John McPhee）寫道，如果你伸出雙臂，以此代表整個地球的歷史，復(fù)雜的生命體在遠端的手腕部位才開始發(fā)展，另外，“只需要用一個中等顆粒大小的指甲銼輕輕一磨，整個人類的歷史就覆滅了”。

圖源：Rose Tree Media School District

　　傳統(tǒng)的進化理論認為，我們體內(nèi)多種多樣的細胞，是由原始的真核動物經(jīng)過隨機的基因突變和自然選擇發(fā)展形成的。但在 2005 年，芝加哥大學(xué)生物學(xué)家詹姆斯·夏皮羅（James Shapiro）提出了一個激進的新觀點。他認為，真核細胞通過操縱它們自己的 DNA 來回應(yīng)環(huán)境的刺激，繼而“智能地”適應(yīng)宿主有機體的環(huán)境。最近的微生物學(xué)研究發(fā)現(xiàn)也使得這一觀點有一定的分量。比如，哺乳動物的免疫系統(tǒng)趨向于復(fù)制 DNA 序列以產(chǎn)生有效的抗體來抵抗疾病，而且，我們現(xiàn)在還知道，人類基因組至少有 43% 的 DNA 能夠通過“自然基因工程”的方式從一個位點轉(zhuǎn)移到另一個位點（shapiro.bsd.uchicago.edu/Shapiro.2005.Gene.pdf）。

　　從聰明而具有自我組織性的細胞，到我們用來苦苦思考的大腦的智能，二者之間的距離似乎有點兒遠。但是，問題在于，在我們有意識并能夠思考之前，我們的細胞就已經(jīng)能夠從環(huán)境中獲得信息，并相互配合，將我們塑造成為它們強大而善于自我維持的代理人。被我們視為“智能”的東西，也不應(yīng)該僅僅利用符號來展示客觀存在的世界。相反，我們所了解的世界僅僅是自然向我們展示的那部分，它根植于我們的發(fā)展，體現(xiàn)著我們作為生物體的需求。安東尼奧·達馬西奧（Antonio Damasio）在其認知方面的開創(chuàng)性著作《笛卡爾的錯誤》（Descartes' Error，1994）中寫道，大自然“創(chuàng)造出的調(diào)節(jié)理智的機制，絕不僅僅是凌駕于生物調(diào)節(jié)機制之上的，它源于生物調(diào)節(jié)機制，并與之相依相存”。也就是說，我們是在用整個身體思考，而非僅僅是利用大腦。

石黑浩制造的人形少女機器人 Kodomoroid。圖源：Mashable

　　我認為，在這個不確定的世界中，能讓肉體存活下來的基本要件，就是人類靈活而強大的智慧基礎(chǔ)。但是，很少有人工智能研究人員真正受到這種觀點的影響。大多數(shù)人工智能算法的推動力，還是來源于從海量的訓(xùn)練數(shù)據(jù)中推斷模型——所以，要想更精準地識別貓，需要成千上億單只貓的照片。但是，恰恰相反，由于人類作為有機體而存在的需求，我們在更加廣闊的環(huán)境里，建立了極其豐富的思維模型。我們基于經(jīng)驗和期望，在觀察樣本數(shù)目較少時就能推斷可能的結(jié)果。因此，當(dāng)一個人想到“貓”時，她腦海中可能會浮現(xiàn)出貓移動的樣子，耳邊有“咕嚕咕嚕”的聲音，感受到一只爪子撓過來時的感覺。她具有十分豐富的感官信息儲備，以幫助她理解“貓”的定義以及可能幫助她與這種生物互動的其他概念。

圖源：Tumblr

　　這意味著當(dāng)人類探討新問題之前，大部分艱難的工作已經(jīng)完成了。我們的身體和大腦，用某種我們剛剛開始理解的方式，已經(jīng)自細胞水平向上構(gòu)建起了一個世界的模型，我們能夠隨時運用它來迎接各種挑戰(zhàn)。

　　但是對于 AI 算法而言，這個過程每次都得從 0 開始。“歸納轉(zhuǎn)移”是一條活躍而重要的研究路線，它著眼于利用先前的機器學(xué)習(xí)成果來幫助構(gòu)建新的解決方案。但是，就目前而言，這種方式是否能捕捉到像人類腦海里那么豐富種類的模型，還需要畫個問號。

　　在 2014 年 SwiftKey 為霍金推出新的交流系統(tǒng)的同一天，霍金接受了 BBC 的采訪，并警告說機器可能會終結(jié)人類，你肯定能猜到這兩個故事哪個會成為頭條。我非常贊同霍金的觀點，我們確實需要嚴肅對待“流氓的人工智能”，但是我相信，我們對于有些東西正在接近人類智慧的擔(dān)心還為時尚早——除非我們能夠仔細思考如何能讓算法與外界環(huán)境之間建立長期且互相影響的關(guān)系，否則我們幾乎不可能實現(xiàn)這個目標。