強大的人工智能推理：人工智能動蕩的過去和不確定的未來
加入技術交流群
是否能打破人工智能繁榮與蕭條的周期循環？
1956年夏天，一群數學家和計算機科學家聚集在達特茅斯學院數學系大樓的頂層。在大約8周的時間里，他們設想了開拓一個新的研究領域的可能性。當時還是達特茅斯學院青年教授的約翰?麥卡錫（John McCarthy）在撰寫會議提案時創造了“人工智能”一詞，并表示要探索這樣一個假設：“原則上，可以精確地描述出學習的每一個方面或智能的任何特征，從而制造出可以模擬的機器。”
在那次傳奇性的會議上，研究人員粗略地勾勒出了我們今天所知道的人工智能。它催生了第一批研究者——“符號主義者”，其專家系統在20世紀80年代達到了頂峰。會議結束后的幾年里，還出現了“連接主義者”，他們在人工神經網絡領域辛勤研究了幾十年，直到最近，這一領域才開始騰飛。長期以來，這兩種方法都被認為是相互排斥的，研究人員之間也因經費競爭產生了敵意。雙方都認為自己正走在通往通用人工智能的道路上。
那次會議之后的幾十年里，人工智能研究人員的希望常常破滅，但這些挫折并沒有把他們嚇退。如今，雖然人工智能正在推動行業變革并有可能顛覆全球勞動力市場，但許多專家仍在懷疑今天的人工智能是否已經達到了極限。正如查爾斯 ?Q. 崔（Charles Q. Choi）《從7個方面看人工智能的失敗》中所述，如今深度學習系統的弱點變得越來越明顯。然而，研究人員幾乎沒有什么末日意識。是的，在不遠的將來，我們可能會迎來另一個人工智能寒冬。不過，這也可能正是靈感迸發的工程師們最終引領我們進入機器思維之永恒盛夏的時機。開發符號人工智能的研究人員直接向計算機教授有關這個世界的知識。他們的基本宗旨是，知識可以用一組規則來表示，而計算機程序可以用邏輯來操縱這些知識。首屈一指的符號學家艾倫?紐厄爾（Allen Newell）和赫伯特?西蒙（Herbert Simon）認為，如果一個符號系統有足夠的結構化事實和前提，那么二者的結合最終將產生廣泛的智能。另一方面，連接主義者受生物學啟發而致力于“人工神經網絡”的研究，這種網絡能夠接收信息并自己理解信息。康奈爾大學心理學家弗蘭克?羅森布拉特（Frank Rosenblatt）在美國海軍的資助下建造的實驗機器感知機便是一個開創性例子。
它有400個光傳感器，它們共同充當視網膜，能夠向大約1000個進行處理并產生單一輸出的“神經元”提供信息。1958年，《紐約時報》的一篇文章援引羅森布拉特的話說：“這臺機器將是第一臺像人腦一樣思考的設備。”
在盲目樂觀主義的鼓勵下，美國和英國政府機構投入了大量資金用于投機性研究。1967年，麻省理工學院教授馬文?明斯基（Marvin Minsky）寫道：“在一代人的時間之內……創造‘人工智能’的問題將得到實質性解決。”然而此后不久，由于感到人工智能研究沒有達到其宣傳水平，政府開始停止資助。20世紀70年代出現了人工智能的第一個寒冬。
然而，真正的信徒還在繼續戰斗。到20世紀80年代初，重新燃起的熱情為符號人工智能研究人員帶來了一個全盛時期，他們因“專家系統”而獲得了贊譽和資助，這些系統對法律、醫學等特定學科的知識進行了編碼。投資者希望這些系統能很快實現商業應用。最著名的符號人工智能風險項目始于1984年，當時研究人員道格拉斯?勒納特（Douglas Lenat）開始研究一個名為“Cyc”的項目，旨在將常識編碼到機器中。時至今日，勒納特及其團隊還在繼續向Cyc的本體添加術語（事實和概念），并通過規則解釋它們之間的關系。到2017年，該團隊已經擁有150萬條術語和2450萬條規則。然而，Cyc還遠未達到通用智能的水平。20世紀80年代末，商業的寒風帶來了人工智能的第二個寒冬。專家系統市場崩潰了，因為它們需要專門的硬件，無法與越來越普遍、價格更低廉的臺式計算機競爭。到20世紀90年代，學術上都不再流行研究符號人工智能或神經網絡，因為這兩種策略似乎都失敗了。不過，取代專家系統的廉價計算機對連接主義者來說是一個福音，他們突然獲得了足夠的計算能力來運行具有多層人工神經元的神經網絡。這類系統被稱為“深度神經網絡”，其實現的方法被稱為“深度學習”。多倫多大學的杰弗里?辛頓（Geoffrey Hinton）應用了一種叫做“反向傳播”的原理來讓神經網絡從其錯誤中學習（參見《深度學習的工作原理》）。1988年，辛頓的博士后楊立昆進入了AT&T貝爾實驗室，他和一位名叫約書亞?本吉奧（Yoshua Bengio）的博士后將神經網絡用于了光學字符識別；很快，美國的銀行就采用了這種技術來處理支票。辛頓、楊立昆和本吉奧最終獲得了2019年圖靈獎，他們有時被稱為“深度學習之父”。然而，神經網絡倡導者仍然面臨一個重大問題：雖然有了理論框架和不斷增長的計算能力，但世界上沒有足夠的數字數據來訓練他們的系統，至少對大多數應用來說是這樣的。春天還沒有到來。在過去20年中，一切都發生了變化。特別是萬維網的繁榮發展，突然到處都是數據。互聯網上充斥著數碼相機和智能手機拍攝的圖像，維基百科和Reddit等網站充滿了可自由訪問的數字文本，YouTube上也有大量視頻。最后，我們有了足夠的數據來為廣泛的應用訓練神經網絡。另一個重****展得益于游戲業。英偉達等公司開發了一種名為“圖形處理單元”（GPU）的芯片，用于電子游戲中渲染圖像所需的繁重處理任務。游戲開發者也使用GPU來完成復雜的著色和幾何變換工作。需要強大計算能力的計算機科學家則意識到，他們其實可以讓GPU去做其他任務，比如訓練神經網絡。英偉達注意到了這一趨勢，因此創建了CUDA平臺，讓研究人員能夠使用GPU進行通用處理。其中有一位來自辛頓實驗室的博士生亞歷克斯?克里澤夫斯基（Alex Krizhevsky），他用CUDA為一個神經網絡編寫了代碼，該神經網絡在2012年給所有人留下了印象的深刻。他寫這個代碼是為了參加ImageNet競賽，該競賽向人工智能研究人員提出了挑戰，要求他們搭建起能夠將100多萬張圖像分類為1000種物體的計算機視覺系統。雖然克里澤夫斯基的AlexNet并不是第一個用于圖像識別的神經網絡，但它在2012年比賽中的表現引起了全世界的注意。AlexNet的錯誤率為15%，而第二名的錯誤率為26%。該神經網絡的壓倒性勝利得益于GPU的強大性能和總計包含65萬個神經元的多層“深度”結構。在第二年的ImageNet競賽中，幾乎所有人都使用了神經網絡。到2017年，許多參賽者的錯誤率已降至5%，隨后組織者結束了該競賽。深入學習騰飛了。借助GPU的計算能力和訓練深度學習系統的大量數字數據，自動駕駛汽車可以在道路上行駛，語音助手可以識別用戶的語音，網絡瀏覽器可以在幾十種語言之間進行翻譯。人工智能還在幾個曾被認為機器無法獲勝的游戲中擊敗了人類冠軍，包括古老的圍棋和電子游戲《星際爭霸II》。前人工智能的繁榮已觸及每一個行業，為我們提供了識別模式和做出復雜決策的新方法。不過，深度學習的不斷成功依賴于增加神經網絡的層數和增加用于訓練它們的GPU時間。人工智能研究公司OpenAI的一項分析顯示，在2012年之前，訓練最大的人工智能系統所需要的計算能力每兩年翻一番，此后每3.4個月翻一番。正如尼爾?C.湯普森（Neil C. Thompson）及其同事在《深度學習的回報在減少》一文中所述，許多研究人員擔心人工智能的計算需求存在不可持續問題。為了避免破壞地球的能源預算，研究人員需要打破構建這些系統的既定方式。
雖然神經網絡陣營似乎已經徹底擊敗了符號主義者，但事實上，這場戰爭的結果遠沒有那么簡單。以OpenAI因操作和解魔方而成為頭條新聞的機械手為例。該機器人使用了神經網絡和符號人工智能。它是諸多新型神經符號系統之一，它使用神經網絡進行感知，使用符號人工智能進行推理，這種混合方法既可以提高效率也能提高可解釋性。雖然深度學習系統往往像是以不透明和神秘方式進行推理的黑匣子，但神經符號系統能夠讓用戶深入了解人工智能是如何得出結論的。正如埃文?艾克曼（Evan Ackerman）在《深度學習進入新兵訓練營》中所述，美國陸軍特別警惕依賴黑匣子系統，因此陸軍研究人員正在研究各種混合方法來推動其機器人和自動駕駛車輛的發展。想象一下，你能否使用陸軍的一個道路清理機器人并讓它給你煮一杯咖啡。這在今天是一個可笑的命題，因為深度學習系統是為狹義的目的而建立的，不能將其能力從一項任務推廣到另一項任務。更重要的是，學習一項新任務通常需要人工智能擦除它知道的所有關于如何解決先前任務的信息，這個難題被稱為“災難性遺忘”。在谷歌位于倫敦的人工智能實驗室DeepMind，著名的機器人學家拉亞?哈塞爾（Raia Hadsell）正在用各種復雜的技術解決該問題。在《如何訓練多用途機器人》一文中，湯姆?奇弗斯（Tom Chivers）解釋了為什么該問題對于在不可預知的現實世界中行動的機器人如此重要。其他研究人員正在研究新型元學習，以期開發出能夠學習怎樣學習，然后將該技能應用于任何領域或任務的人工智能系統。
所有這些策略都可能有助于研究人員實現其最崇高的目標：用我們看到的兒童所發展出的流動智力來構建人工智能。幼兒不需要大量數據來得出結論。他們只是觀察世界，創建一個關于世界如何運作的心智模型，采取行動，并利用行動的結果來調整其心智模型。他們會反復迭代直到理解為止。這個過程非常高效，甚至遠遠超出了當今最先進的人工智能的能力。
當前的熱情使人工智能獲得了其加德納技術成熟度曲線，而且有關人工智能的資金已經達到了歷史最高水平，鮮有證據表明我們的未來會失敗。世界各地的公司都在采用人工智能系統，因為它們看到自己的盈虧底線立即得到了改善，而且他們不會回頭。現在就看研究人員能否找到適應深度學習的方法并使其更靈活、更穩健，或者設計出我們在讓機器變得更像人類的65年探索過程中從未想過的新方法。作者：Eliza Strickland
*博客內容為網友個人發布，僅代表博主個人觀點，如有侵權請聯系工作人員刪除。
