編者按：計(jì)算機(jī)視覺與AI專家FilipPiekniewski不久前的一篇《AI凜冬將至》的文章在網(wǎng)上引起了熱議。該文主要對(duì)深度學(xué)習(xí)的炒作提出了批評(píng)，認(rèn)為這項(xiàng)技術(shù)遠(yuǎn)算不上革命性，而且正面臨發(fā)展瓶頸。各大公司對(duì)AI的興趣其實(shí)正在收斂，人工智能的又一次凜冬可能要來了。經(jīng)過幾周的反思之后，他又把自己對(duì)AI的看法進(jìn)行了歸納總結(jié)，提出AI首先必須what的問題，然后才能考慮how的問題。里面的觀點(diǎn)非常值得深思。

最近幾周我被迫重新系統(tǒng)性地論述和提煉我對(duì)AI的看法。在我的AI凜冬將至那篇文章火起來之后，很多人通過電子郵件或者Twitter聯(lián)系我，提出了很多很好的建議。由于現(xiàn)在大家對(duì)我的東西關(guān)注更多了，我決定以緊湊的形式將我認(rèn)為我們AI解決方案中錯(cuò)的東西以及哪些是可以修復(fù)的寫下來。以下就是我的10點(diǎn)摘要：

我們被圖靈對(duì)智能的定義給束縛住了。圖靈有關(guān)智能的提法很出名，但他把智能限制為跟人玩的一場(chǎng)文字游戲。這尤其把智能設(shè)定為(1)一個(gè)游戲的解決方案，(2)將人放在判斷的位置上。這種定義是極其具有迷惑性的，并不是很適合這個(gè)領(lǐng)域。狗、猴子、大象甚至嚙齒動(dòng)物都非常智能但不會(huì)說話因此圖靈測(cè)試是過不了關(guān)的。

Ai的核心問題是莫拉維克悖論。跟1998年首次闡述時(shí)相比，這個(gè)問題已經(jīng)顯得突出許多了，而在過去30年間我們?cè)谶@方面所做的事情至少是非常令人尷尬的。這個(gè)悖論的中心論點(diǎn)是顯然最簡(jiǎn)單的現(xiàn)實(shí)卻要比最復(fù)雜的游戲還要復(fù)雜。我們癡迷于游戲(以及其他有限制且定義明確的論域，如數(shù)據(jù)集)中的超人表現(xiàn)作為智能的標(biāo)志，這種態(tài)度跟圖靈測(cè)試是一致的。我們完全忽視了一個(gè)事實(shí)，那就是現(xiàn)實(shí)本身而不是人類委員會(huì)才能對(duì)智能的執(zhí)行者做出終極判斷。

我們的模型可能甚至也能起作用，但往往是出于錯(cuò)誤的原因。我已經(jīng)在我的其他文章[1]、[2]、[3]、[4]里面詳細(xì)闡述過這一點(diǎn)了，深度學(xué)習(xí)就是一個(gè)信手拈來的例子。我們看起來似乎解決了對(duì)象識(shí)別，但是無數(shù)研究表明深度網(wǎng)絡(luò)識(shí)別對(duì)象的原因跟人類能檢測(cè)對(duì)對(duì)象的機(jī)制有著巨大的差異。對(duì)于一個(gè)本著圖靈測(cè)試的精神只關(guān)心是否能愚弄人類的人來說這個(gè)也許并不重要。對(duì)于關(guān)心人工主體處處理非預(yù)期(域外)現(xiàn)實(shí)的人來說這是至關(guān)重要的問題。

現(xiàn)實(shí)不是游戲。如果說有什么不同的話，現(xiàn)實(shí)是規(guī)則不斷變化的游戲的無限集合。任何時(shí)候出現(xiàn)了重大發(fā)展，游戲規(guī)則都要重寫，然后所有玩家都得跟著調(diào)整否則就會(huì)死掉。智能是一種機(jī)制，會(huì)演變從而讓主體解決這個(gè)問題。由于智能是一種幫我們玩“規(guī)則不斷變化的游戲”的機(jī)制，作為一種副作用它讓我們能玩有著固定規(guī)則的實(shí)際游戲也就不出奇了。不過反過來卻是不對(duì)的：開發(fā)玩固定規(guī)則的游戲超過我們能力的機(jī)器跟開發(fā)能玩“規(guī)則不斷變化的游戲”的系統(tǒng)差得遠(yuǎn)了。

物理現(xiàn)實(shí)當(dāng)中有些特定規(guī)則是沒有變化的——就是那些物理定律。我們已經(jīng)把那些定率語言化，做出讓我們建立文明的預(yù)測(cè)。但是這個(gè)星球上的每一種生物體為了能在這個(gè)物理環(huán)境中行動(dòng)也都掌握了這些規(guī)律，雖然是以非語言化的形式。小孩在學(xué)會(huì)牛頓定律之前就知道蘋果會(huì)從樹上掉下來。

我們的視覺統(tǒng)計(jì)模型其實(shí)是非常不足的，因?yàn)樗鼈儍H依賴時(shí)間凍結(jié)的事物外表以及人類分配的抽象標(biāo)簽來識(shí)別。深度網(wǎng)絡(luò)可以看幾百萬張樹上的蘋果的圖像，但永遠(yuǎn)也發(fā)現(xiàn)不了引力定律(以及許多其他對(duì)我們而言絕對(duì)是很明顯的東西)。

常識(shí)的困難在于它對(duì)我們實(shí)在是太明顯了，以至于非常難以用語言表達(dá)出來進(jìn)而給數(shù)據(jù)打上標(biāo)簽。對(duì)于一切“明顯”的東西我們存在著巨大的盲點(diǎn)。因此我們無法教計(jì)算機(jī)常識(shí)，這不僅是因?yàn)檫@么做可能不切實(shí)際，但更根本是在于我們甚至都沒意識(shí)到常識(shí)是什么。只有在我們的機(jī)器人做了某件極其愚蠢的事情之后我們才意識(shí)到這一點(diǎn)，我們才“哦原來機(jī)器人不理解這個(gè)[把任何明顯的事實(shí)填進(jìn)去]啊……”

如果我們希望解決莫拉維克悖論(在我看來這應(yīng)該成為今天任何嚴(yán)肅的AI努力的焦點(diǎn))，我們多少就得模仿生物體純粹靠觀察世界來學(xué)習(xí)的能力，而不是需要標(biāo)簽的輔助。實(shí)現(xiàn)這一目標(biāo)的一個(gè)比較有希望的想法是開發(fā)對(duì)未來事件作出臨時(shí)預(yù)測(cè)的系統(tǒng)，然后通過將其預(yù)測(cè)與實(shí)際情況進(jìn)行對(duì)比來學(xué)習(xí)。無數(shù)實(shí)驗(yàn)表明這的確是生物大腦中發(fā)生的事情，而且從各種角度來說這樣做會(huì)非常有意義，因?yàn)檫@些系統(tǒng)除了其他方面之外還必須學(xué)習(xí)物理定律(因?yàn)樗鼈冿@然是通過主體來觀察的，也就是所謂的樸素物理觀)。預(yù)測(cè)性視覺模型是朝著這個(gè)方向邁出的一步，但肯定不是最后一步。

我們極度需要在圖靈的定義以外框定“智能”的質(zhì)量。可以從非平衡態(tài)熱力學(xué)找到一些好點(diǎn)子，這與預(yù)測(cè)性假設(shè)也是一致的。我們需要這個(gè)是因?yàn)槲覀冃枰_發(fā)出一定會(huì)通不過圖靈測(cè)試的智能主體(既然它們不會(huì)展現(xiàn)出語言智能)，但盡管如此我們?nèi)孕枰粋€(gè)衡量進(jìn)展情況的框架。

幾乎我們今天所做的一切事情以及叫做AI的東西都是可以語言化的東西某種形式的自動(dòng)化。在很多領(lǐng)域這個(gè)也許能起作用，但其實(shí)跟用Excel代替紙張表格來幫助會(huì)計(jì)沒有太大的不同。有問題的領(lǐng)域是(且一直是)自主。自治不是自動(dòng)化。自主不是自動(dòng)化。自主意味的東西比自動(dòng)化多多了，而且如果這種自主(就像無人車一樣)需要比人類更安全的話意味的東西還要多得多。自主應(yīng)該幾乎等同于寬泛定義的智能，因?yàn)樗僭O(shè)的是處理非預(yù)期的、未經(jīng)訓(xùn)練的、眾所周知的未知的未知的能力。

這些就是我希望傳達(dá)的核心觀點(diǎn)。這些觀點(diǎn)有著各種微妙差別，這就是我要寫這篇博客的原因。不過如果你承認(rèn)這些觀點(diǎn)的話，我們基本上就算達(dá)成共識(shí)了。還有很多經(jīng)過激烈爭(zhēng)論的細(xì)節(jié)，雖然我認(rèn)為這些細(xì)節(jié)并非必不可少的，但出于完備性還是讓我表述其中的一些：

先天還是習(xí)得?當(dāng)然有些生物體具備天生能力，但無疑有些東西我們是學(xué)來的。然而這是個(gè)實(shí)現(xiàn)相關(guān)的問題，我并不認(rèn)為這個(gè)問題會(huì)有絕對(duì)的答案。在我們未來的開發(fā)中我敢肯定我們會(huì)結(jié)合兩種一起使用。

學(xué)習(xí)特征還是人工構(gòu)建特征?這是一個(gè)相關(guān)問題。我的看法是“corticalcomputation(皮質(zhì)層計(jì)算)”的絕大部分特征都是習(xí)得的，這是在AI與自主的背景下(但這并不意味著我們不能人工構(gòu)建某樣?xùn)|西，如果這個(gè)東西被證實(shí)是有用的或者出于某種原因難以學(xué)習(xí)的話)。大腦里面還有很大一部分很可能是預(yù)置好的。在自動(dòng)化更加具體的應(yīng)用中，這兩種情況可能都會(huì)有。會(huì)有學(xué)習(xí)來的特征顯然比人工構(gòu)建的特征出色的情況(這是深度學(xué)習(xí)的全部賣點(diǎn)所在)，但也會(huì)有無數(shù)精心構(gòu)建發(fā)展出來的特征絕對(duì)、毫無疑問比任何習(xí)得的東西出色的情況。一般而言我認(rèn)為這是個(gè)偽命題。

尖峰、連續(xù)，數(shù)字化還是模擬?也許量子?對(duì)此我沒有非常強(qiáng)烈的立場(chǎng)，因?yàn)楦髯远加袃?yōu)缺點(diǎn)。數(shù)字化簡(jiǎn)單、確定并且是現(xiàn)成的。模擬難以控制但是用電要少很多。尖峰也是一樣，但是后者還有更接近生物體的額外好處，這也許說明這是個(gè)更好的解決方案。量子?我不敢確定用量子計(jì)算解決智能問題的必要性有任何的有力證據(jù)，不過也許今后我們能發(fā)現(xiàn)這一點(diǎn)。這些都是“怎么做?”的問題。我的主要興趣還是“是什么?”的問題。