到了七個(gè)月大的時(shí)候，大多數(shù)孩子已經(jīng)認(rèn)識(shí)到，即使看不見物體，它們?nèi)匀淮嬖?。把一個(gè)玩具放在毯子下面，孩子會(huì)知道它的存在，他可以伸手到毯子下面把它拿回來(lái)。這種對(duì)"物體恒存在"的理解是正常發(fā)展的里程碑，也是現(xiàn)實(shí)的基本原則。

這也是自動(dòng)駕駛汽車所沒有的。這是一個(gè)問題。即使自動(dòng)駕駛汽車變得越來(lái)越好，但他們?nèi)匀徊幌袢祟惸菢恿私馐澜?。?duì)于自動(dòng)駕駛汽車來(lái)說，暫時(shí)被一輛路過的面包車擋住的自行車是一輛已經(jīng)不復(fù)存在的自行車。

這種失敗對(duì)于目前廣泛應(yīng)用的計(jì)算學(xué)科是普遍的，該學(xué)科自稱為人工智能(ai)，稍微具有誤導(dǎo)性的名字。目前的 ai 通過建立復(fù)雜的世界統(tǒng)計(jì)模型來(lái)工作， 但它缺乏對(duì)現(xiàn)實(shí)的更深入的理解。如何給ai至少一些表面上的理解 — 一個(gè)七個(gè)月大的孩子的推理能力，也許才是現(xiàn)在應(yīng)該積極研究的問題。

現(xiàn)代ai是基于機(jī)器學(xué)習(xí)的理念。如果工程師希望計(jì)算機(jī)識(shí)別停止標(biāo)志，他不會(huì)嘗試編寫數(shù)千行代碼來(lái)描述可能表示此類符號(hào)的每個(gè)像素模式。相反，他寫了一個(gè)可以自己學(xué)習(xí)的程序，然后展示給該程序數(shù)以千計(jì)的停止標(biāo)志的圖片。在多次循環(huán)迭代中，程序逐漸找出所有這些圖片的共同點(diǎn)。

類似的技術(shù)用于訓(xùn)練自動(dòng)駕駛汽車在交通中的運(yùn)行。因此，汽車學(xué)習(xí)如何遵守車道標(biāo)記，避免其他車輛，在紅燈處踩剎車等。但他們不明白很多人類司機(jī)認(rèn)為理所當(dāng)然的事情，比如其他道路上的汽車有發(fā)動(dòng)機(jī)和四個(gè)車輪，他們遵守交通規(guī)則(通常)和物理定律(總是)。而且他們不明白對(duì)象的永久性。

在《人工智能》最近的一篇論文中，瑞典Orebro大學(xué)的Mehul Bhatt描述了一種不同的方法，他也是一家名為CoDesign實(shí)驗(yàn)室的公司的創(chuàng)始人，該公司正著手將他的想法商業(yè)化。他和他的同事們使用一些現(xiàn)有的自動(dòng)駕駛汽車使用人工智能程序，并嵌入了一個(gè)叫做符號(hào)推理引擎的軟件。

該軟件不是像機(jī)器學(xué)習(xí)那樣以概率的方式接近世界，而是被編程為將基本物理概念應(yīng)用于處理自動(dòng)駕駛車輛傳感器的信號(hào)后的程序輸出。然后，修改后的輸出被輸入驅(qū)動(dòng)車輛的軟件。所涉及的概念包括離散物體隨著時(shí)間的推移繼續(xù)存在的想法，它們彼此之間有空間關(guān)系，如"前面"和"后面"，它們可以完全或部分可見，或完全被另一個(gè)物體隱藏。

在測(cè)試中，如果一輛車暫時(shí)擋住了另一輛車的視線，推理增強(qiáng)軟件可以跟蹤被擋住的汽車，預(yù)測(cè)它會(huì)在何時(shí)何地再次出現(xiàn)，并在必要時(shí)采取措施避免它。雖然改善并不大。在標(biāo)準(zhǔn)測(cè)試中，Bhatt博士的系統(tǒng)比現(xiàn)有軟件的得分高出約5%。但它證明了這一點(diǎn)。它也產(chǎn)生了別的東西。與機(jī)器學(xué)習(xí)算法不同，推理引擎可以告訴你為什么它做了這件事。

例如，你可以問一輛裝有推力引擎的汽車為什么剎車，它能夠告訴你它以為一輛被面包車遮住的自行車即將進(jìn)入前面的十字路口。機(jī)器學(xué)習(xí)程序無(wú)法做到這一點(diǎn)。Bhatt博士認(rèn)為，除了幫助改進(jìn)程序設(shè)計(jì)外，這些信息還將幫助監(jiān)管機(jī)構(gòu)和保險(xiǎn)公司。因此，它可以加快公眾對(duì)自動(dòng)駕駛汽車的接受度。

Bhatt博士的工作是人工智能領(lǐng)域長(zhǎng)期爭(zhēng)論的一部分。早期的 20 世紀(jì) 50 年代工作的ai 研究人員 ，利用這種預(yù)編程推理取得了一些成功。但是，從 20 世紀(jì) 90 年代開始，由于更好的編程技術(shù)以及更強(qiáng)大的計(jì)算機(jī)和更多可用的數(shù)據(jù)，機(jī)器學(xué)習(xí)有了顯著改善。今天，幾乎所有的 ai 都基于它。

然而，Bhatt博士并不是唯一持懷疑態(tài)度的人。在紐約大學(xué)學(xué)習(xí)心理學(xué)和神經(jīng)科學(xué)的Gary Marcus也同意這一觀點(diǎn)，他也是一家名為 Robust.ai 的人工智能和機(jī)器人公司的老板。為了支持他的觀點(diǎn)，馬庫(kù)斯博士引用了一個(gè)廣為人知的結(jié)果，盡管這個(gè)結(jié)果來(lái)自八年前。當(dāng)時(shí)DeepMind(當(dāng)時(shí)是一家獨(dú)立公司，現(xiàn)在是谷歌的一部分)的工程師們編寫了一個(gè)可以自我學(xué)習(xí)的程序，在沒有得到任何有關(guān)規(guī)則的提示以及如何玩Breakout(一個(gè)游戲)的情況下，用虛擬槳擊打移動(dòng)的虛擬球。

DeepMind的程序是一個(gè)很厲害的玩家。但是，當(dāng)另一組研究人員修改了Breakout的代碼—僅僅將槳的位置改變幾像素時(shí)，它的能力直線下降。它甚至無(wú)法將它從特定情況中學(xué)到的東西應(yīng)用到只有一點(diǎn)不同的情況(不具備泛化性)。

對(duì)于Marcus博士來(lái)說，這個(gè)例子凸顯了機(jī)器學(xué)習(xí)的脆弱性。但其他人認(rèn)為符號(hào)推理才是脆弱的，機(jī)器學(xué)習(xí)仍然有很多好處。其中包括倫敦自動(dòng)駕駛汽車公司W(wǎng)ayve的技術(shù)副總裁Jeff Hawke。Wayve 的方法是同時(shí)(而不是單獨(dú))訓(xùn)練同時(shí)運(yùn)行汽車各種部件的軟件。在演示中，Wayve的汽車在狹窄、交通頻繁的倫敦街道上行駛時(shí)做出正確的決定，這是一項(xiàng)對(duì)許多人來(lái)說富有挑戰(zhàn)性的任務(wù)。

正如霍克博士所說，"大多數(shù)現(xiàn)實(shí)世界的任務(wù)都遠(yuǎn)遠(yuǎn)復(fù)雜于人工制定的規(guī)則，眾所周知，用規(guī)則構(gòu)建的專家系統(tǒng)往往與復(fù)雜性作斗爭(zhēng)。無(wú)論邏輯的深思熟慮或結(jié)構(gòu)如何，這都是事實(shí)。例如，這樣的系統(tǒng)可能會(huì)制定一個(gè)規(guī)則，規(guī)定汽車應(yīng)在紅燈時(shí)停車。但是，不同國(guó)家的紅綠燈設(shè)計(jì)不同，有些燈是為行人而不是汽車設(shè)計(jì)的。也有情況下，您可能需要闖紅燈，例如為消防車讓路。Hawke博士說，"機(jī)器學(xué)習(xí)的美妙之處在于，所有這些因素和概念都可以自動(dòng)發(fā)現(xiàn)并從數(shù)據(jù)中學(xué)習(xí)。隨著數(shù)據(jù)的增加，它繼續(xù)學(xué)習(xí)并變得更加智能。

在加州大學(xué)伯克利分校學(xué)習(xí)機(jī)器人和人工智能的Nicholas Rhinehart也支持機(jī)器學(xué)習(xí)。他說，Bhatt博士的方法確實(shí)表明你可以結(jié)合這兩種方法。但他不確定這是必要的。在他的作品中，以及其他人的工作中，單單機(jī)器學(xué)習(xí)系統(tǒng)就能預(yù)測(cè)未來(lái)幾秒鐘內(nèi)事件發(fā)生的概率，比如另一輛車是否可能讓路，并根據(jù)這些預(yù)測(cè)制定應(yīng)急計(jì)劃。

Bhatt博士回應(yīng)說，你可以用累積了數(shù)百萬(wàn)公里駕駛數(shù)據(jù)來(lái)訓(xùn)練汽車，但仍然不能確定你已經(jīng)覆蓋了所有必要的情況。在許多情況下，從一開始就對(duì)一些規(guī)則進(jìn)行編程可能更簡(jiǎn)單、更有效。

對(duì)于這兩種策略的擁護(hù)者來(lái)說，問題不僅限于自動(dòng)駕駛汽車，以及 ai 本身的未來(lái)。"我認(rèn)為我們現(xiàn)在沒有采取正確的方法，"Marcus博士說。"機(jī)器學(xué)習(xí)已經(jīng)證明在語(yǔ)音識(shí)別等某些方面有用，但它實(shí)際上并不是 ai 的答案。我們還沒有真正解決智能問題。這樣或那樣，似乎七個(gè)月大的孩子仍然有很多東西可以教給機(jī)器。