<mark id="oztn4"></mark>
0
| 本文作者： 溫曉樺 | 2016-08-12 13:35 | 專題：CCF-GAIR | 全球人工智能與機器人峰會 |
AlphaGo擊敗李世石的成就讓業界對人工智能刮目相看，大家也對deep learning（深度學習）技術既好奇又疑惑，興奮的同時也面臨著研究中的各種困難。在人工智能與機器人峰會上，AlphaGo背后的團隊DeepMind成員之一、牛津大學計算機系主任、Oxford-DeepMind Partnership負責人，AAAI、EURAI Fellow 邁克爾伍爾德里奇Michael Wooldridge，就人工智能研究的現狀和未來、成就與挑戰作了報告報告分享。
Michael Wooldridge表示，目前神經網絡型人工智能還存在許多限制，首先表現在它們無法理解人類社會關系。而對于神經網絡型的人工智能，比如AlphaGo，我們也無法理解它是如何思考的。但是，人工智能要活得人類的認同，它必須有這種被理解的透明度。不過，
不過，有意識的機器會出現的，但在它出現之前，世界一定會有很多各種關于機器意識的跡象先產生，我們不會一蹴而就。
比如說深度學習和機器視覺，我們如何把所有這些技術能夠結合在一起去實現人工智能？當中有哪些成功的機會？這些技巧如何幫助我們實現長期的人工智能的目標？
對于弱人工智能和強人工智能，這是一個很重要的區分：強AI是通用型的，是屬于我們在好萊塢大片中看到的——比如說天空漫游2001的機器人，這些機器人是有自我意識的，是自主的，它根本就是一個人一樣具有各種的功能。
但是，這個是一個遙遠的夢想，走到這一步還有很長的路才能實現，同時這也不是我們現在人工智能研究的方向，目前來說大部分的研究都是集中在我們叫弱AI。
弱AI只不過它的目標沒有放在這么高和遠，弱AI讓機器和電腦做一些現在只有人腦或者是動物大腦做的事情，所以說弱AI是專注于具體的任務上——我當然知道弱不等于它就沒有用，弱也不是就那么容易做，只是說針對性不同，所以弱AI主要是針對于非常具體的任務。
電腦實際上設計的本意是做什么。電腦或者說計算機，如果不編程的話，其實電腦就是按照一些精密的指令來運算的機器，它可以按照你的指令去執行，執行的非常快，它一秒可以做上千萬、上億的數據。不過，電腦做的一切都是必須要分解到低階簡單而且是非常精確的指令。所以，如果超越這些的話電腦就無能為力了，但是，人工智能上必須要歸納到這個指令上，那么，目前來說計算機能做那些，不能做哪些呢？
電腦很容易做的是算術，比如說解決一些任務，人工智能基本上都能做，往下就比較難了。電腦可以做算術，做得又快又準，因為很容易把算術的算式表述成這種低接的指令，所以算術非常的簡單，但是再難一點，比如說解決復雜的問題——開車，這個最近也已經攻克了，但是基本上是解題的一種任務，每個任務都是要把這個任務分解成簡單的指令讓計算機執行。
再往下就是有意識的機器，為什么這這么難呢？比如說復雜推理，比如說玩游戲，玩一盤棋盤游戲要做復雜的推理，處理定義不清的問題——計算機要按照非常精準的指令執行，它執行得快但是你這個指令要清楚；另外還和感知有關，感知就是要理解我們周邊的物理世界。
但是這個感知對計算機來說是很難的，而且感知對于自我駕駛的汽車來說是最難的一塊。比如說造車目前來說比較簡單，只要你知道駕駛的規則那就很容易，但是問題就是你開車的過程中怎么感知周邊的環境？另外就是判斷，判斷是沒有精準的規則的，很多時候要去看直覺、猜想，這對電腦來說是很困難的。
我們說強AI是一種有自我意識的物體，我覺得強AI應該短期內不會實現，而且我也不認為會出現AlphaGo這樣的事件就能夠引導到強AI。換句話說，機器它能夠下棋，它能夠識別人臉，做很多的任務，它做很多很多東西都好加在一起也不等于它就內有意識。
什么叫意識？我們也沒有辦法鑒別出一種有意識的機器。所以這種有意識的機器這不會一夜之間出現，但未來會出現。人也不會魔術師，有意識的機器出現之前前面會出現很多有意識的跡象，通過這種跡象來推出這種意識。比如說我們今天來開這個會，這就需要一種意識，我覺得這種突破都非常的重要，而且我覺得這個對社會有變革作用，最終這種技術的進步使得人類更健康，使得人類更有能力去做更多高效的活動，政府和商業更有效率，人工智能會給我們帶來更大的好處。
現在的人工智能有兩種方法：一個是不時髦的，一個是很時髦的——神經網絡型人工智能和符號主義型人工智能。
未來的人工智能必須要把兩種融合在一起，神經我講的就是一些神經架構，人工智能的這種架構是被人腦的神經系統所啟發，另外一種就是符號法，符號法不是說復制一個大腦的結構，反而我們是把人腦的推理能力用符合表示出來。
神經網絡的AI其實是取決于人腦微結構的靈感，我們去看一下人腦的構造，基本上就是把一個想法輸入到神經網絡，進入到隱含的神經層單元。它如果獲得了某一個配置之后，可以從中進行選擇，而且在選擇過程中對每一個輸入有不同的權重，按照這個權重來進行計算。這個輸入是代表了我們周邊的環境，輸出就反應了我們的行為的選擇。
這是一個非常古老的想法了，早至1940年代就已經提出來，50年代就已經有這方面的人工智能的研究，但是在1970年代有點銷聲匿跡，1980年代又有一個新的突破。這是一個非常長的過程，在過去十年，這方面突發性地有大量的研究。因為是有真真正正的技術上的突破，這種神經網絡需要三個元素：
第一個需要有這種算法的突破。
2004年在多倫多大學和世界上的一些學者提出一些基本上的一些根本性的新技術來怎么樣把這個神經網絡進行組織，但是最重要的他們還可以建造這個神經網絡之后還需要大量大量的培訓數據。
第二是訓練數據。
過去說是大數據的十年，數據是我們現在所掌握的了，比如說我們有社交媒體，你拍了自拍，寫了名字，等于是社交網絡獲取了你的信息，這些信息客觀幫助我們神經網絡進行訓練，從而辨別人臉。
第三點需要有運算的能力才能夠訓練這種神經網絡。
所以這正是在過去十年當中真正發展其他的，我認為正因為這三個因素導致我們最近深度學習和神經網絡的重大的成功了突破。
給大家看一個小短片，它是DeepMin——這個是之前的程序，這個程序就是打電玩。它們在100個訓練當中，剛開始玩得不怎么行，它也不知道自己在干什么，就做一些隨機的行動。但是慢慢來通過訓練之后，它玩得越來越好了。訓練400次之后，基本上就像一個人類的選手一樣。
這個游戲的開發者之前并沒有預測到這樣的行為，這個完全是學習到的行為。這個程序學到了如何玩這個游戲？它發現最好的打這個游戲的方式就是剛才這么做。我們看到這個最重要的就是這個程序一開始并不知道它要做什么，它不知道自己要怎么游這個游戲，它看到了我們人眼看到的東西，然后它開始去測試去實驗，玩不同的方式，學習到了要拿到更多的分數。
比如下棋，一個走法就需要有200個不同的可能，那如果你說要去走兩步，就要看4萬個不同的可能性，如果是10個走法的話你需要看1乘以10的23次方的可能性。而一計算機程序如果要看10億個步法的話，可能是需要30億年的時間去評估所有的可能性，所以現在因特爾的最快的處理能力也沒有辦法去幫助你克服這樣的問題，你需要有其他的技巧的，怎么做呢？蒙特卡洛搜索樹。
利用蒙特卡洛搜索樹，AlphaGo確實是我們人工智能一大突破，但是盡管它是一個巨大的成功，但是它并沒有讓我們能夠去實現通用的人工智能，是什么意思呢？
回到我們這種有意識和下意識的舉動，這個并不是在阿爾法狗的經驗當中，我們并不知道怎么實現通用的AI，它不能解釋他用的策略，就算它在玩這個圍棋他也不能跟你去解釋這個技巧，所以我們不能在阿爾法狗這個過程中提取它用了哪些策略，像阿爾法狗這個系統它不能做什么呢？
像這樣的一個對話，你在電視節目或者是電影里面就能看到，他說我要離開，他回答說ta是誰。你要讓它來解釋發生了什么，我們可能會說安要跟他分手，然后Bob認為有第三者了，這個是從人當中能夠得出這個結論，但是你是如何推出來這個解釋的，你必須要知道人類關系其中的一些理論，你也必須要知道人列之間關系的這種運行機制，而且你需要有相關的背景知識去得到推理的，但人工智能我們很難去得出這樣的一種解釋，不能夠用這樣的簡單的神經網絡就能夠去推出的，這確實是我們在計算機當中缺乏這種對人類和人類關系的這種知識。
這是另外的句子，這是兩句英文句子，第一個句子是這個委員會拒絕了這個團體進行游行，因為他們是支持暴力了，對這個句子你會問他們指的是誰，我們會知道這個他們是指想要進行的團體，你怎么得出這個解釋，因為委員會一般來說不會支持暴力的，所以你要去得出這個解釋的話你要用到對人類組織委員會的知識，第二個例子就是委員會拒絕給團體發游行的許可，因為他們害怕有暴力，所以第一個句子他們就是指的團體，而第二個他們就是指的委員會，所以我們要了解這兩個句子你必須要有知識，而且對人類社會有知識。
另外一個例子是機器翻譯。你可能看出來是原文的翻譯，但是它卻不能夠充分的了解原文的翻譯，而且不能達到信達雅，也是不通順的。
另外一個是梵高畫作。你怎么樣來解釋這幅圖的意境呢？藝術學生可以說它表示了什么樣的意境，如果你放到微軟的最好的圖形識別的軟件，它們怎么樣來解讀，它們說看不懂，但是好像是水里面有兩個動物在游。
不能理解人類的社會關系，是機器的缺失。
要讓機器理解人類社會關系的話，我想再談談另外一個AI的研究領域——在今天不算時髦，今天大家都在講深度學習神經學習，這種叫符號AI。
我們人類都是有語法的推理動物，比如我太太，我想她開心，紅酒可以讓她開心，所以我給她買紅酒，這個是非常明確的推理過程。但如果把它變成一種符號主義AI的話，我們就讓機器用同樣的方式去推理，讓機器推理同樣的結論。
符號主義的人工智能有很多明顯的好處：
第一個好處是其透明性。AlphoaGo下得好，但它也沒有辦法解釋它下得好。但在符號主義這里，我們可以清楚地解釋機器為什么這么做。這種透明性確實是架構上的優勢，是符號主義AI的好處
第二是這種知識水平其實跟我們人類的語言是非常的接近。它也是用一種非常明確的推理法，如果AlphoaGo沒有辦法解釋它如何下棋的話，它就要通過這種語言的能力，用句子來表述它的想法。
當然符號主義的AI為什么不流行，它是有缺點的。
第一個是轉換能力。比如說在一個復雜的現實當中，怎么把復雜變化簡單的符號，這個描述用一個簡單的語句來表達是非常難的。
第二個問題你要把這個過程推理出來，把這個推理的過程表述出來，這個目前也是極為困難的。
AI的下一個挑戰是把不同層面聯系在一起
我想AI的下一個挑戰就是把不同的層面聯系在一起。首先我們有非常精密的程序，比如說AlphoaGo這樣的程序已經很有成就了，它可以做很多復雜的事情，但是在某種意義上它是一個黑盒子，它沒有辦法告訴你它是如何贏的，所以我們需要一種知識層面能夠提升到神經元網絡以上，把它歸納成一種語言和一種理解。
我們可以（借助符合主義）使用和交流的語言，AlphoaGo沒有辦法解釋自己，也沒有辦法解釋它為什么這么做，而且它也不能自省，所以我覺得這種解釋的能力是極為重要的。比如說，DeepMind主要是在醫療上展開研究，就必須要解釋為什么這個病人要吃這個藥，必須要有解釋的能力，所以在運用當中是一個關鍵點。
我要強調：最近的成功是非常狹窄的，而且只是在特定領域出現的成功。
我們短期內不會出現奇點。
所謂的奇點就是到這個點這個機器突破了它的水平。我們想想人工智能的經濟：機器現在開始取代人了，那么如果事情讓機器做，人該做什么呢？特別是機器接管人的層次越來越高，那么就會導致失業和不公平的問題。
還有隱私，比如說人臉識別，這也會有個人私隱的問題，在未來20年社會都必須面臨這個挑戰。
最后還有自動武器的問題，在戰爭當中人工智能被用在武器上會帶來什么，不是軍人，是機器軍人，我們在這方面必須要思考清楚。
最后我想講一下如果大家對于機器掌管世界心存擔心的話，我請大家看一個短片，這個是美國的短片，美金先進研究所他們有一個機器人的大賽，這個機器連開門都開不了，所以如果某一天機器人掌管世界的話，你就關上門，門都不用鎖，關上門它都進不來。
Michael Wooldridge：我覺得這是一個很好的問題，這個也是一個很關鍵的問題，人工智能要獲得人類社會的認同，它必須要有透明度，它能夠解釋我為什么做什么，我為什么要這么做，所以從很多的挑戰當中，計算機很難獲得人的接受，但是要接受必須要有邏輯上的透明度，像這種符號型的AI是很容易清楚的解釋的，但是神經型的AI沒有人知道你這個行為是基于哪種的邏輯，這個是很大的挑戰，我們一定要克服這個挑戰，這樣的話人工智能的技術才能知道認同。
Michael Wooldridge：下一個AI的到應用，特別是在工業應用這一塊，下一個大應用我覺得應該是在醫療領域。為什么我認為會是在醫療領域呢？因為在英國、美國，我相信在中國也是一樣，現在非常受歡迎的就像這種手環，它能夠去監控你的心率，你的血糖的水平，還有你走了多少步，像蘋果手表也是一樣的這種可穿戴式的設備，其實現在在不斷的監測你的身體的情況。而所有這些信息會給到AI，這樣的話就能夠去實現一些健康的應用。
我不知道你們的情況，當我生病的時候才去看醫生，現在這個應用就是讓醫生隨時跟你在一起，每天24小時幫你監測，它知道你睡了多少，吃了多少，知道你血糖的水平，他通過皮膚知道你運動的情況等等，所以通過智能手機能夠建議你什么時候你要健身了，什么時候吃太多或者是喝太多酒了。在英國，他們說他們最大的應用就是在醫療，他們現在已經有這樣的一些記錄，就是由英國的國家醫療系統，他們有這個病例，包括所有全英國人的病例的數據，用藥的記錄，而我們今天早上所講的AI其實是能夠運用到醫療的領域，這樣能夠確實為我們整個醫療行業帶來新的更多的發現，所以我覺得下一個風口應該就是在醫療。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
