編譯 胡德良 陳天梟

1956年夏天，一群數(shù)學(xué)家和計(jì)算機(jī)科學(xué)家占用了達(dá)特茅斯學(xué)院數(shù)學(xué)系所在大樓的頂層。在大約八周的時(shí)間里，他們想象著是否存在對(duì)一個(gè)全新領(lǐng)域進(jìn)行研究的可能性。 當(dāng)時(shí)作為達(dá)特茅斯學(xué)院的一名年輕教授，約翰?麥卡錫（John McCarthy）在為研討會(huì)寫提案時(shí)創(chuàng)造了“人工智能”（AI）一詞。他說，研討會(huì)將要探索這樣的假設(shè)：“從原則上來講，學(xué)習(xí)的每一個(gè)方面或智能的任何其他特征都可以得到精確描述，精確到可以利用機(jī)器進(jìn)行模擬的地步?！?/p>

在那次著名的會(huì)議上，研究人員大致勾勒出了我們今天所了解的人工智能。那次研討會(huì)催生了第一個(gè)研究者團(tuán)體——“符號(hào)主義專家”團(tuán)隊(duì)，他們的專家團(tuán)隊(duì)在20世紀(jì)80年代達(dá)到了巔峰時(shí)期。會(huì)議之后的幾年里，還出現(xiàn)了“連接主義專家”團(tuán)隊(duì)，他們?cè)谌斯ど窠?jīng)網(wǎng)絡(luò)領(lǐng)域苦苦鉆研了幾十年，直到最近才開始有了飛躍性的發(fā)展。長期以來，這兩種方法被認(rèn)為是相互排斥的，研究人員對(duì)資助的競爭非常激烈，相互之間產(chǎn)生了敵對(duì)情緒，雙方都認(rèn)為自己走在通往通用人工智能的正道上。

回顧過去，自從那次會(huì)議以來，在幾十年的時(shí)間里，我們發(fā)現(xiàn)：人工智能研究人員的希望經(jīng)常破滅，而這些挫折對(duì)他們的影響卻微不足道。目前，人工智能正在徹底改變各個(gè)行業(yè)，而且有可能顛覆全球勞動(dòng)力市場(chǎng)。盡管如此，許多專家也懷有疑問：當(dāng)今的人工智能是否達(dá)到了極限？正如查爾斯?邱伊（Charles Choi）在《人工智能出現(xiàn)故障的七種方式》（Seven Revealing Ways AIs Fail）一文中所描述的那樣，當(dāng)今深度學(xué)習(xí)系統(tǒng)的弱點(diǎn)日益顯著。然而，研究人員并沒有將要遭到厄運(yùn)的感覺。的確，在不遠(yuǎn)的將來，我們有可能迎來人工智能的另外一個(gè)嚴(yán)冬。但是，這可能恰恰是一個(gè)時(shí)機(jī)，最終使擁有靈感的工程師帶領(lǐng)我們進(jìn)入機(jī)器思維的永恒之夏。

開發(fā)符號(hào)人工智能的研究人員開始明確地讓計(jì)算機(jī)去認(rèn)識(shí)世界，他們開創(chuàng)的原則認(rèn)為：知識(shí)可以由一組規(guī)則來表示，而計(jì)算機(jī)程序可以使用邏輯來操控這些知識(shí)。占主導(dǎo)地位的符號(hào)主義專家艾倫?紐維爾（Allen Newell）和赫伯特?西蒙（Herbert Simon）認(rèn)為：如果一個(gè)符號(hào)系統(tǒng)有足夠多的結(jié)構(gòu)化事實(shí)和前提，最終累加起來就會(huì)產(chǎn)生廣泛的智能。

1958年的這臺(tái)感知器被譽(yù)為“首個(gè)像人腦一樣思考的設(shè)備”，但它并沒有完全達(dá)到宣傳的效果

另一方面，連接主義專家受到了生物學(xué)的啟發(fā)，他們致力于研究“人工神經(jīng)網(wǎng)絡(luò)”，這種網(wǎng)絡(luò)將會(huì)吸收信息并通過其自身弄清信息的意義。開創(chuàng)性的實(shí)例就是那臺(tái)感知器——康奈爾大學(xué)心理學(xué)家弗蘭克?羅森布拉特（Frank Rosenblatt）在美國海軍的資助下建造的一臺(tái)實(shí)驗(yàn)性機(jī)器。該機(jī)器擁有400個(gè)光傳感器，共同充當(dāng)視網(wǎng)膜，向大約1 000個(gè)“神經(jīng)元”提供信息，由神經(jīng)元對(duì)信息進(jìn)行處理，然后輸出單一的結(jié)果。1958年，《紐約時(shí)報(bào)》的一篇文章引用了羅森布拉特的說法：“這臺(tái)感知器將是首個(gè)像人腦一樣思考的設(shè)備?！?/p>

羅森布拉特發(fā)明了感知器，這是首個(gè)人工神經(jīng)網(wǎng)絡(luò)

美國和英國的政府機(jī)構(gòu)樂觀開放，備受鼓舞，向投機(jī)性研究傾注了資金。1967年，麻省理工學(xué)院教授馬文?明斯基（Marvin Minsky）寫道：“不出一代人的時(shí)間，創(chuàng)造人工智能的問題將得到實(shí)質(zhì)性解決?！比欢撕蟛痪?，政府提供的資助金開始枯竭，原因是人們感到人工智能研究沒有達(dá)到其自身宣傳的那種效果。20世紀(jì)70年代，人工智能研究遭遇了第一個(gè)冬天。

然而，真正相信人工智能的人們堅(jiān)持了下來。到20世紀(jì)80年代初，符號(hào)人工智能的研究人員恢復(fù)了熱情，迎來了一個(gè)全盛時(shí)期。他們的“專家系統(tǒng)”獲得了贊譽(yù)和資助，該系統(tǒng)對(duì)某一特定學(xué)科的知識(shí)進(jìn)行編碼，如法律或醫(yī)學(xué)。投資機(jī)構(gòu)希望，這些系統(tǒng)能夠迅速找到商業(yè)應(yīng)用。最著名的符號(hào)人工智能風(fēng)險(xiǎn)項(xiàng)目始于1984年，當(dāng)時(shí)研究人員道格拉斯?萊納特（Douglas Lenat）開始研究一個(gè)他稱之為“Cyc”的項(xiàng)目，該項(xiàng)目旨在將常識(shí)編碼到機(jī)器中。直到今天，萊納特及其團(tuán)隊(duì)仍在繼續(xù)向Cyc本體中添加術(shù)語（事實(shí)和概念），并通過規(guī)則來解釋它們之間的關(guān)系。到2017年，該團(tuán)隊(duì)擁有150萬條術(shù)語和2 450萬條規(guī)則。然而，Cyc仍然遠(yuǎn)遠(yuǎn)沒有達(dá)到通用智能的水平。

在20世紀(jì)80年代末，商業(yè)的寒風(fēng)吹來了人工智能的第二個(gè)冬天。專家系統(tǒng)的市場(chǎng)崩潰了，因?yàn)樵撓到y(tǒng)需要專門的硬件，無法與正在變得更加便宜、更為常見的臺(tái)式電腦進(jìn)行競爭。到20世紀(jì)90年代，不管是從事符號(hào)人工智能研究還是從事神經(jīng)網(wǎng)絡(luò)研究，在學(xué)術(shù)上已經(jīng)不再時(shí)髦，因?yàn)檫@兩種策略似乎都不成功。

人工智能領(lǐng)域的研究開始于1956年的一次研討會(huì)（上），從左到右依次為：奧利弗?塞爾弗里奇（Oliver Selfridge）、納撒尼爾?羅切斯特（Nathaniel Rochester）、雷?索洛莫諾夫（Ray Solomonoff）、明斯基，以及研討會(huì)組織者麥卡錫和克勞德?香農(nóng)（Claude Shannon）。西蒙（中）和紐維爾（下）等符號(hào)主義專家想把有關(guān)世界的規(guī)則教給人工智能

但是，取代專家系統(tǒng)的廉價(jià)計(jì)算機(jī)卻成為連接主義專家的福音，他們突然有了足夠的計(jì)算能力來運(yùn)行具有多層人工神經(jīng)元的神經(jīng)網(wǎng)絡(luò)。這樣的系統(tǒng)被稱為深度神經(jīng)網(wǎng)絡(luò)，這種神經(jīng)網(wǎng)絡(luò)運(yùn)行的方法被稱為深度學(xué)習(xí)。多倫多大學(xué)的杰弗里?辛頓（Geoffrey Hinton）應(yīng)用了一個(gè)叫作反向傳播的原理，使神經(jīng)網(wǎng)絡(luò)通過自身犯下的錯(cuò)誤進(jìn)行學(xué)習(xí)。

楊立昆（Yann LeCun）是辛頓手下的一位博士后研究人員，他于1988年進(jìn)入美國電話電報(bào)公司（AT&T）的貝爾實(shí)驗(yàn)室。在那里，楊立昆和一位名叫約書亞?本吉奧（Yoshua Bengio）的博士后研究人員將神經(jīng)網(wǎng)絡(luò)用于光學(xué)字符識(shí)別，美國各大銀行很快就采用這種技術(shù)來處理支票。最終，辛頓、楊立昆和本吉奧獲得了2019年度的圖靈獎(jiǎng)，他們有時(shí)被譽(yù)為深度學(xué)習(xí)之父。

然而，神經(jīng)網(wǎng)絡(luò)的倡導(dǎo)者仍有一個(gè)難題：他們擁有一個(gè)理論框架，也有不斷加強(qiáng)的計(jì)算能力，可是世界上卻沒有足夠的數(shù)字?jǐn)?shù)據(jù)用來訓(xùn)練他們的系統(tǒng)，至少對(duì)大多數(shù)應(yīng)用來說，情況就是這樣。人工智能的春天還沒有到來。

在過去的20年，一切都發(fā)生了變化。特別是萬維網(wǎng)發(fā)展起來了，突然間到處都是數(shù)據(jù)。數(shù)碼相機(jī)和隨后的智能手機(jī)使互聯(lián)網(wǎng)上充滿了圖像，維基百科和紅迪網(wǎng)（Reddit）等網(wǎng)站充滿了可自由訪問的數(shù)字文本，YouTube網(wǎng)站上有大量的視頻。最后，終于有足夠的數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，為其廣泛應(yīng)用提供了條件。

1967年，麻省理工學(xué)院教授明斯基預(yù)言：真正的人工智能將在一代人的時(shí)間內(nèi)創(chuàng)造出來

另一次重大發(fā)展來自游戲行業(yè)。英偉達(dá)等公司開發(fā)了名為“圖形處理單元”（GPU）的芯片，用于視頻游戲中渲染圖像所需的重度處理。游戲開發(fā)者使用GPU來進(jìn)行復(fù)雜的著色和幾何圖形變換。需要嚴(yán)格計(jì)算能力的計(jì)算機(jī)科學(xué)家意識(shí)到：他們基本上可以欺騙GPU讓其完成其他任務(wù)，如訓(xùn)練神經(jīng)網(wǎng)絡(luò)。英偉達(dá)公司注意到這一趨勢(shì)，并創(chuàng)建了CUDA，這是一個(gè)使研究人員能夠利用GPU進(jìn)行普通處理的平臺(tái)。在這些研究人員中有一名辛頓實(shí)驗(yàn)室的博士生，名叫亞歷克斯?克里切夫斯基（Alex Krizhevsky），他利用CUDA為一個(gè)神經(jīng)網(wǎng)絡(luò)編寫了代碼，2012年這件事情讓所有人大吃一驚。

這是克里切夫斯基為圖像網(wǎng)（ImageNet）競賽而編寫的代碼，該競賽要求人工智能研究人員建立計(jì)算機(jī)視覺系統(tǒng)，能夠?qū)?00多萬張圖像分為1 000個(gè)目標(biāo)類別?？死锴蟹蛩够腁lexNet網(wǎng)絡(luò)并不是第一個(gè)用于圖像識(shí)別的神經(jīng)網(wǎng)絡(luò)，但是該網(wǎng)絡(luò)在2012年比賽中的表現(xiàn)引起了全世界的關(guān)注。AlexNet網(wǎng)絡(luò)的錯(cuò)誤率為15%，而名列第二的入圍網(wǎng)絡(luò)錯(cuò)誤率為26%。AlexNet網(wǎng)絡(luò)的完勝歸功于GPU的處理能力和包含65萬個(gè)神經(jīng)元的多層“深度”結(jié)構(gòu)。在圖像網(wǎng)第二年的比賽中，幾乎所有參賽者都使用了神經(jīng)網(wǎng)絡(luò)。到2017年，許多參賽者的錯(cuò)誤率已經(jīng)降到5%，組織機(jī)構(gòu)終止了比賽。

深度學(xué)習(xí)突飛猛進(jìn)。有了GPU的計(jì)算能力和大量的數(shù)字?jǐn)?shù)據(jù)來訓(xùn)練深度學(xué)習(xí)系統(tǒng)，自動(dòng)駕駛汽車可以進(jìn)行路線導(dǎo)航，語音助手可以識(shí)別用戶的話語，網(wǎng)絡(luò)瀏覽器可以在幾十種語言之間進(jìn)行互譯。此外，在包括古老圍棋和《星際爭霸II》在內(nèi)的一些游戲中，人工智能還戰(zhàn)勝了人類冠軍，這些在以前都被認(rèn)為是不可能的事情。目前人工智能的蓬勃發(fā)展已經(jīng)觸及每個(gè)行業(yè)，提供了新的方法，可用于識(shí)別各種模式和做出復(fù)雜決定。

回顧幾十年來，人工智能研究人員的希望經(jīng)常破滅，而遭遇的挫折并沒有阻止他們前進(jìn)的腳步。

深度學(xué)習(xí)領(lǐng)域獲得了越來越多的成功，而這些都依賴于增加神經(jīng)網(wǎng)絡(luò)的層數(shù)和增加專門用于訓(xùn)練網(wǎng)絡(luò)的GPU時(shí)間。人工智能研究企業(yè)OpenAI公司的一項(xiàng)分析表明：2012年之前，訓(xùn)練最大的人工智能系統(tǒng)所需的計(jì)算能力每兩年翻一番，在那之后每3.4個(gè)月翻一番。正如尼爾?湯普森（Neil C. Thompson）及其同事在《深度學(xué)習(xí)，收益遞減》（Deep Learning's Diminishing Returns）一文中寫道：許多研究人員擔(dān)心，人工智能的計(jì)算需求正處于一個(gè)不可持續(xù)的軌道上。為了避免擾亂世界上的能源預(yù)算，研究人員需要擺脫構(gòu)建這些系統(tǒng)的既定方式。

看起來神經(jīng)網(wǎng)絡(luò)的陣營似乎已經(jīng)明確擊敗了符號(hào)主義陣營，然而事實(shí)上，這場(chǎng)爭斗的結(jié)果并沒有那么簡單。以O(shè)penAI公司的機(jī)器人手為例，它操縱和解決魔方的技巧成為頭條新聞。這臺(tái)機(jī)器人使用了神經(jīng)網(wǎng)絡(luò)和符號(hào)人工智能，是許多新的神經(jīng)和符號(hào)聯(lián)合系統(tǒng)之一，這種聯(lián)合系統(tǒng)可以利用神經(jīng)網(wǎng)絡(luò)進(jìn)行感知，利用符號(hào)人工智能進(jìn)行推理，這種混合方法在效率和可解釋性方面都會(huì)帶來好處。

無論是萊納特（左上）研究的Cyc等符號(hào)人工智能項(xiàng)目，還是由辛頓（左下）、楊立昆（右上）和本吉奧（右下）開創(chuàng)的深度學(xué)習(xí)所獲得的進(jìn)展，都尚未產(chǎn)生人類水平的智力

深度學(xué)習(xí)系統(tǒng)往往是一個(gè)黑盒子，以不透明的神秘方式進(jìn)行推斷。但是，神經(jīng)符號(hào)系統(tǒng)使用戶能夠找到背后的原理，使他們了解人工智能是如何得出結(jié)論的。正如埃文?阿克曼（Evan Ackerman）在《美國陸軍如何將機(jī)器人打造成團(tuán)隊(duì)成員》（How the U.S. Army Is Turning Robots Into Team Players）一文中描述的那樣：美國陸軍對(duì)依賴黑盒子系統(tǒng)特別警惕。因此，陸軍研究人員正在研究各種混合方法來驅(qū)動(dòng)他們的機(jī)器人和自動(dòng)駕駛車輛。

想象一下，如果你能拿到美國陸軍的一個(gè)道路清掃機(jī)器人，要求它為你沏一杯咖啡。從當(dāng)今來講，這是一個(gè)可笑的要求，因?yàn)樯疃葘W(xué)習(xí)系統(tǒng)是為單一目的而打造的，不能將其能力從一項(xiàng)任務(wù)推廣到另一項(xiàng)任務(wù)。更重要的是，學(xué)習(xí)一項(xiàng)新任務(wù)，通常需要人工智能抹去自身解決先前任務(wù)時(shí)所有的相關(guān)認(rèn)識(shí)，這一難題被稱為災(zāi)難性遺忘。在深度思維（DeepMind）實(shí)驗(yàn)室——谷歌公司位于倫敦的人工智能實(shí)驗(yàn)室，著名的機(jī)器人專家拉亞?哈塞爾（Raia Hadsell）正在利用各種復(fù)雜技術(shù)來解決這個(gè)問題。在《深度思維實(shí)驗(yàn)室重塑機(jī)器人的方式》（How DeepMind Is Reinventing the Robot）一文中，湯姆?奇弗斯（Tom Chivers）解釋了其中的原因，說明了對(duì)于在不可預(yù)測(cè)的現(xiàn)實(shí)世界中采取行動(dòng)的機(jī)器人來說，這個(gè)問題非常重要。其他研究人員正在研究新型的元學(xué)習(xí)，希望創(chuàng)造出能夠?qū)W會(huì)如何學(xué)習(xí)的人工智能系統(tǒng)，然后將這種技能應(yīng)用于所有的領(lǐng)域或一切任務(wù)。

所有這些策略可能有助于研究人員去嘗試實(shí)現(xiàn)他們最遠(yuǎn)大的目標(biāo)：創(chuàng)建擁有流體智力的人工智能，就像我們看著自己孩子在發(fā)育過程中所產(chǎn)生的那種智力。幼兒不需要大量的數(shù)據(jù)來得出結(jié)論，他們只是觀察世界，創(chuàng)建一個(gè)關(guān)于世界如何運(yùn)作的心理模型，然后采取行動(dòng)，并利用自己行動(dòng)的結(jié)果來調(diào)整這個(gè)心理模型，這個(gè)過程不斷迭代，直到理解為止。然而，這個(gè)過程非常高效，遠(yuǎn)遠(yuǎn)超出了當(dāng)今最先進(jìn)的人工智能的能力。

目前，高漲的熱情使人工智能擁有了自身獨(dú)有的高德納技術(shù)成熟度曲線，對(duì)人工智能的資助也已經(jīng)達(dá)到了歷史最高水平，況且很少有證據(jù)表明人工智能的未來會(huì)一片渺茫。世界各地的公司都在采用人工智能系統(tǒng)，因?yàn)檫@些公司看到人工智能直接提高了公司收益，它們?cè)僖膊粫?huì)走回頭路了。然而，研究人員是否會(huì)找到調(diào)整深度學(xué)習(xí)的方法，使其更加靈活、更加強(qiáng)大？或者，他們是否能夠設(shè)計(jì)出在65年的探索中連做夢(mèng)都沒有想到的新方法，使機(jī)器的思維更像我們?nèi)祟悾孔屛覀兪媚恳源桑?/p>

資料來源 IEEE Spectrum