大数据文摘作品

编译：Zoe Zuo、HAPPEN、丁慧、小鱼

正如题图所示，仿生人会梦见电子羊吗？

（译者注：Do Androids Dream of Electric Sheep?是Philip K. Dick所著的一本科幻小说，讲述人类在一个崩坏的环境中复制自己并奴役这些仿生人的故事。）

人工智能发展迅速且应用广泛。现实生活中AI技术的发展听起来像科幻电影，而科幻电影则更像是另一种画面感十足的现实场景。经过几十年的探索，AI技术可以说已趋于成熟，然而人们依旧固执己见，业内人士乃至全世界都对其可行性仍持怀疑态度。

类似的情形出现在玛丽•雪莱（Mary Shelley）创作的哥特式小说《弗兰肯斯坦》（Frankenstein）中。小说探讨了将人造生命创造出来并引入社会所产生的一系列后果。令我们困惑的是，书中的怪人一方面做出毫无人性的暴行，另一方面又展现出同人类一样的弱点，对友情的需求以及对于自我存在的危机感。

有人说我们应该关注新发现的前景与后果。但是，如果把机器人大军引入到像当今社会这样复杂的系统后产生混乱呢？也有人说我们要关注取得的成就，以及那些将此类想法落地的成功案例。然而，在偶然的成功和理论支撑的结果之间我们又该如何抉择？

不妨集中注意力，一起理智地来追溯AI的历史渊源吧！

不管你感兴趣的是古希腊哲学家逻辑思考的规则，还是阿拉伯数学家的公式推导，亦或是19世纪欧洲知识分子对数学的狂热。一个不争的事实是：问题远远比你想象的更为深刻（即便考虑摩尔定律）。

“我们日后成为什么样的人主要取决于父辈们在不经意间的教导，除此之外，我们由零零碎碎的智慧所塑造。”

——Umberto Eco

本文接下来的内容将讨论AI的发展史，包括一些重要人物所提出的相关问题、论证和看法。其中涉及的事件大部分都发生在20世纪60年代左右，同时期，也逐渐形成了AI的正式定义、发展目标、科研群体与反对者等。

机器可以思考吗？

1950年，艾伦·图灵（Alan Turing）试图在他具有开创性意义的论文《计算机器与智能》中回答这个刻意简化的问题。论文部分内容的含义并不明确，而且限定了人们对人工智能的理解。为此图灵设计了一个思维实验，这就是著名的图灵测试：

参与者A是男性，参与者B是女性，参与者C的性别未知。C扮演询问者的角色，虽然无法看到A和B，但可以用客观的语句和两人进行交流。通过向A和B提问，C要试着确定A和B的性别。A的任务是迷惑C，让C做出错误的决定，而B则要协助C做正确的决定。

将问题重新设计，如下：

如果由一台机器来扮演A的角色，会发生什么？这种情况下，询问者做出错误决定的频率会与角色A、B由两个真人扮演时一样吗？

图灵的方法似乎遵从了鸭子测试（duck test）的原理：如果它看起来像只鸭子，像鸭子一样游泳，像鸭子一样嘎嘎叫，那它大概就是只鸭子。

当谈及人类相关的智能，例如意识，图灵的观点是，不能因为某人（或某物）不具备尚未定义的特征而对其否定。因此，意识与我们对AI的探索无关。

哥德尔不完备定理（Gödel’s incompleteness theorems）是我们试图谈论AI时面临的一大障碍。根据这一系列定理，数学逻辑无法具备完备性和相容性。因此，以数学逻辑进行学习的机器往往无法触及到一些真理。图灵对此的回应倒让人长舒一口气：你怎么知道人类智力就不存在局限性呢？

小贴士：哥德尔不完备定理是库尔特·哥德尔于1931年证明并发表的两条定理。

简单地说，第一条定理指出：任何相容的形式系统，只要蕴涵皮亚诺算术公理，就可以在其中构造在体系中不能被证明的真命题，因此通过推演不能得到所有真命题（即体系是不完备的）。

把第一条定理的证明过程在体系内部形式化后，哥德尔证明了他的第二条定理。该定理指出：任何相容的形式系统，只要蕴涵皮亚诺算术公理，它就不能用于证明它本身的相容性。

图灵的这篇论文论证充分，具有清晰的辩证结构，然而，因为论文推测的技术尚未被发现，图灵的论述也被搁置。

迈向人工智能

马文·明斯基（Marvin Minsky）是人工智能研究领域的先驱之一。翻开人工智能家族尘封的相册，明斯基就是给家庭聚餐添上些许不安的老人：“明斯基老叔，他迷人，与众不同，讲话总是很有趣。”

明斯基是1956年达特茅斯会议（the Dartmouth Conference）的组织者之一。在这次会议上，Artificial Intelligence作为术语首次被提出，同时也作为一个领域而诞生。明斯基对AI的切实可行充满信心，但他不看好用错误的探索方式，他也因此被人们所铭记。

1961年，明斯基被问及AI领域所取得的进展。让我们看看他说了什么：

我们应该先问问什么是“真正的”智能？我觉得这更像是一个美学问题，或者关乎一种尊严感，而不是一个科技问题！对我来说，“智能”不过意味着各种性能的综合，我们关注这些性能但无法理解。所以，这个问题通常和数学上“深度”问题相伴相随。一个定理的证明一旦被真正理解，它的内容就变得无关紧要了。

定义AI固然困难，明斯基承认这一点，因此他将继续探索。他的着手点是为AI确定几大发展支柱，即搜索、模式识别、学习、规划和归纳。

项目的终极目的是通过探索获得AI的解决方案。通过模式识别可以确定适合AI的工具，通过学习以往的经验可以对现有的算法进行改善，通过规划可以更高效地研究AI。至于机器能否获得归纳与推理能力，明斯基说道：

目前根据哥德尔不完备定理，还没有一个归纳推理系统能有效适用于所有体系。但是，给定一个体系（例如我们的世界）或者一些体系的集合，以及一套成功的标准，实现机器的认知就是技术性问题，而非空想。

明斯基在接下来的回答中多次重申，要实现AI应该通过各种复杂的分层架构。基于这一点，他质疑感知机算法，因为这一算法连中等难度的问题都解决不了，何况实际问题更加复杂。

明斯基的论断挫败了大众研究感知机的信心，从而耽误了深度学习的发展。通过进行深度架构，即使利用简单的构件也可以解决复杂的问题似乎在为明斯基开脱。不管怎样，明斯基的确具备独特的洞察力。

然而，因为帮助业界发现了各种原始方法的缺陷，明斯基的言论具有建设性意义。此外，深度学习或许是目前为止我们所探索到的最佳算法（还催生了各种很棒的应用），但绝不是AI的终极算法。

想法、大脑和程序

1980年，约翰·希尔勒（John Searle）对于AI的发展很不满。尽管早些时候他强烈反对强人工智能的概念，但这次他决定公开反驳。事实上，即使标题听起来有些讽刺。但我仍感觉希尔勒在揪着我的衣领，大力挥舞他的手，指着我说：“年轻的小伙子，让我帮你从根本上区分一下吧。”

“你可能会有这样的印象：AI领域中写有关强人工智能的人认为他们可以避重就轻，因为他们没有认真研究过这个理论，并认为其他人也一样。至少我会发声质疑，并认真研究。”

希尔勒只攻击强人工智能这个概念，他认为这是一种计算机能够模仿任何人类行为的能力。而所谓计算机拥有认知能力的观点，亦可通过类比被推翻。由他提出的著名的思想实验“中文房间实验”论证了这一观点，实验过程如下：

假定某人被关在一个只有中文字符的房间里，而他只懂英文，对中文则一窍不通，甚至说不出中文字符与日文字符的区别。他在屋内完全是通过英文规则手册操作着屋外递进来的中文纸片（问题），这些字符需要通过英文形式的句法来确认，之后通过摆弄这些字符再将信息递送出去（回答）。恭喜！通过这个程序你就学会了中文。

这就是希尔勒于1980年提出的中文房间实验。思想实验本身并不是一个实验，因为它无法实际操作，而是探索一个想法的潜在结果。最古老也最有名的思想实验，可能是伽利略的比萨斜塔实验（你是否也认为伽利略真的从塔上往下扔苹果？）。

希尔勒的观点是，能够给出中文问题答案并不意味着懂中文，而这种能力也并非取决于由哪种语言书写规则。因此，给予适当算法后产生预期输出的计算机，不是一个“会思考的”个体。

就某些功能推理而言，希尔勒质疑的是一个程序的思考能力。他指责当今的AI研究人员存在行为主义和操作主义，试图将程序与头脑等同（事实也如此），而忽略了大脑的重要性。

希尔勒认为，认知只源于生物行为；而程序可以完全独立运行（因为它不受硬件平台的限制），因此程序并不具备认知能力。

当阅读他的原文时，你会感觉到希尔勒正在攻击一个尚未成熟的计算机科学家社区，而这个社区关于什么是智能并没有达成共识，只是试图通过技术手段和推测来模拟机器智能。

如同一般哲学方法中的虚无主义一样，明斯基回应希尔勒：“应该忽视希尔勒的误解。”

大象不会下棋

即使大象不会下象棋，你也没有理由责备它们。“大象不会下象棋”（ Elephants Don't Play Chess）是罗德尼·布鲁克斯（Rodney A. Brooks）在1990年发表的一篇论文，试图采用论据和他的机器人队伍来支持AI。罗德尼·布鲁克对AI的发展做出了卓越的贡献，经典的AI理论中应该有他的一席之地。

在那个时代，人工智能正经历着第二个寒冬。企业和政府也意识到不能对AI抱有过高期望而削减了资金。

所以是时候反省了。当一件事情从根本上失败时，有两种方式来理解：要么是这件事情不可能完成，要么采用了错误的方法。

布鲁克斯认为AI停滞不前是因为研究人员过于关注函数表达式。符号系统假设就是关于机器智能如何运作存在已久的观点。根据这个假设，世界上的人、汽车和情感等众多实体，可以很自然地将它们与符号相匹配，并输入给计算机。如果该假设成立，那么只要提供必要的信息便能使计算机拥有智能。

尽管这个假设看起来没有问题，但它在某种程度上误导了AI的发展：

布鲁克斯并不支持物理根据假设（physical grounding hypothesis）。也就是说，让人工智能直接与世界交互，并将其用作自己的表示。上述假设与AI现在的发展之间还有很大的差距：从学习需要巨大的计算资源、专家的指导到总不够用的训练数据；布鲁克斯还设想，为AI配备物理实体和廉价硬件并将其销售到世界各地。要解决这个问题并不容易。

布鲁克斯认为机器智能是集群行为而不是复杂行为。或许他实验中最深刻的见解是，“目标导向行为源自于简单的无目标导向的交互行为。”无需预设协同模式，因为智能计算机可以制定出自己与世界交互的最佳策略。

布鲁克斯关于AI发展的讨论为我们证明了物理根据假设的重要性：人类是我们最常见和最亲近的智能体。因此，当我们试图重新创造这种智能特征时，就需要观察人类文明缓慢的形成过程。如果考虑到人类学习智能行为所需的时间，如交互、繁衍和生存，与我们尚未成熟的下棋程序相比，便可以得出结论：学习行为或许是最难开发的技能，也是我们应该要关注的重点。

布鲁克斯虽然对自己提出的实用方法很满意，但也承认其理论局限性，但他归因于学术界尚未提出让大家透彻理解人群动态交互行为理论。

再一次，工程师漠视了哲学界的异议：

“如果我们的策略不能说服高高在上的哲学家，至少我们的技术将彻底改变我们生活的世界。”

AI的进步

尽管涌现出大量问题，但是我们不能质疑AI的进步。不管怎样，目前得益于技术的进步出现了很多不错的AI应用。如果忽略它们的存在去衡量当前研究质量是没有意义的。

深度学习是否能成为实现机器智能的有效工具？还是说，这是AI进入寒冬之前另一个间冰期？

更重要的是，人们关注的角度已经开始从纯粹的哲学问题转向社会层面，而AI对日常生活的需求已远比理解概念、哲学和智能本身更加明显和迫切。不过，这种转变可能是一个更难以回答的问题，进而促使我们深入研究。

当维特根斯坦（Wittgenstein）撰写《逻辑哲学论》的时候，他面临着为难的选择：他的论点与他的学说相悖。也就是说，如果他的学说是正确的话，那么他的论点就是不合逻辑的，因此他的学说应该是错误的。但是维特根斯坦对此有不同的看法：

“我的论点可以这样解释：当人们从开始学习到彻底理解后，便会认为它毫无意义。”

因此，我们需要用发展的眼光去理解隐含在复杂概念背后的真理。我们要坚定地迈出前进的步伐，也要做好随时放弃的准备。因为并不是每一步探索的结果都是正确的，但是我们需要理解每一步探索的过程。所以后来，当维特根斯坦谈到这个论点时，他说自己不需要梯子就能够直达真理。

或许在AI的发展过程中，我们仍然需要参考维特根斯坦的论点。

原文链接：

medium.freecodecamp.org/deeper-ai-a104cf1bd04a