15078992873    
403951898@qq.com
Menu
What are you looking for?
  • 15078992873

  • 15078992873

  • 桂林市西城大道88-8号

  • 403951898@qq.com

追溯AI与自然的关系:智能的本质是什么?

Source:佚名Author:admin Addtime:2020/04/25 Click:

本文将探索奠定人工智能(AI)的文献资料及其与智能的关系,还会概述人工智能与其奠基构想“自然”智能之间的差异和渊源,并尽可能用简洁、有代表性的语言解释技术术语。

在探索人工智能领域前,我们需要定义什么是“智能”。《牛津通用词典》(1955)十分强调该词的拉丁语词根,即intelligere(意为理解),将智能定义为:[1]理解的能力,知性;[2]有程度之分的理解能力;特指卓越的理解能力,敏锐的心智领会能力或远见卓识。对“理解”的关注的确加强了“对意义的感知力”这一层面,但这样定义还是过于宽泛;需要进一步考察,获取更清晰的认识。

智能在学术界里没有统一的定义。广义上讲,主要有四种定义智能的视角贯穿人工智能研究——每种或有人支持或有人批判。最早的三种定义都关乎人类,并具备一个共同特征:即智能依托认知,但又不同于认知。认知指大脑的潜在活动,而智能指活动过程能够实现的结果。智能利用认知能力,达到设想的效果。最后一种定义则从不同的视角出发,认为智能的观测范围比生物学意义的人类和动物更广泛。下面将做详细论述。

一般智能说:这类学派认为,智能是一项整体的心智能力;换言之,这是一种应对认知复杂性的能力。Linda Gottfredson在Why G Matters: The Complexity of Everyday(1997)一书中给出了相当简练的定义,她与其余52位学者一同表示:

“智能是一种非常普遍的心智能力,除此之外,它还包含推理、规划、解决问题、抽象思维、理解复杂概念、快速学习和从经验中学习的能力。智能不仅意味着能理解书本知识,还反映出理解周边环境的一种更为广泛和深层的能力——‘明白’和‘贯通’事物的意义,或者去‘领会’需要做什么。”

这些学者相信,一般智能,又称g因数,能用经验检测推理、记忆、知识、处理速度和空间能力的方式测量。最终测试的输出结果不是智能自身的数值,而是得出近似数值——类似测试身体健康程度时会测量一个人的身体的多方面表现,凭此得出整体身体素质一样。十九世纪初,Francis Glaton爵士,James McKeen Cattell和Alfred Binet等心理学家实现大规模智能测试系统化——这些测试的有效性至今存疑。

多元智能说:第二组学者认为,存在不同种类的智能。基于通用智能并没能完全解释认知能力这一前提,学者们指出,不同的人具备不同模态的智能。一些极端案例,比如德语的fachidiot和法语的idiot savant,都指只在有限领域展现出才智的人。

不同学者提出了不同的智能划分理论。Howard Gardner在专著 Frames of Mind: The Theory of Multiple Intelligences(1983)中提出七种智能分类:视觉空间智能、言语语言智能、数学逻辑智能、音乐节奏智能、人际智能、内省智能和身体运动智能。他后期又补充了三个类别:存在智能、雷射智能(laser)和心智探照智能(mental searchlight)。Robert J. Sternberg在Beyond IQ: A Triarchic Theory of Human Intelligence (1985)中参考了一般智能的几个方面,提出了不同的见解。他将通用智能划分为三个子类别:成分(分析)智能、经验智能和情境(实用)智能。

此外,存在情感智能这种说法很流行,在科学性上却备受争议。有关情感智能的论述最早见于20世纪60年代Michael Beldoch和B. Leaner的论文中,而后又通过Daniel Goleman的著作Emotional Intelligence: Why It Can Matter More Than IQ (1995)普及开来。学者指出,情感智能是识别和管理自己和他人的情感的能力。情感智能的支持者将它与职业结果相关联,但批判该学说的一方指出,情感智能对整体智能和个性特征的控制力较弱。

行为说:第三组学者否定智能和认知天赋的关联。相反的,这组学者将智能定义为解决问题的能力。由于智能是对认知的运用,它关注外在可观测的结果和成就。S.S Corvin在剑桥大学的智能手册(Handbook of Intelligence)(2000)中说过,“只要一个人在学习,或能够通过学习适应环境,他/她就具备智能。” 我们后续将看到,尽管这种观点在囊括智能的各方面时显得有些狭隘,出于某些原因,行为智能说较受人工智能学者青睐。

生物进化说:最后,第四组学者认为所有生物都多少表现出智能行为。Cianciolo和Sternberg在Intelligence: A Brief History (2004)一书中指出,智能源于生物体适应环境、从经验中学习的能力。尽管生物学家也有意与智能设计保持距离,但他们常常采用这种定义。生物受到不断进化和文化发展的影响,可以生成能自主适应环境、生存并繁殖的有机体。人类学家Jeremy Narby在Intelligence in Nature: An Inquiry into Knowledge (2005)前后在解释智能时借助了日语说法chi-sei,可以大概译作“知晓”或是“知道的能力”。自然中存在数不胜数的智能行为事例,比如植物的茎会在白天弯曲,细菌利用独有的浮游能力寻找食物,猿猴会针对不同掠食者发出特定的警戒叫声。对于进化论学者,智能是静默而无意识的,并且具有情境性,智能不仅是解决问题更与生存问题相关,且基于偶然性。

这四种视角属于智能的静态定义。但智能会在人类身上随时间变化:让·皮亚杰(Jean Piaget)指出了智能如何从婴儿期,孩童期,再到青少年期和成年期发展过渡。智能也随文化而变:James Flynn在发现智能随时间增长后,还发现对于某一环境的认知复杂性会随着思维的复杂性而增长。也就是说,基因和环境相互作用共同影响智能。此外,从集体视角而言,智能产生的影响也会相应变化:在Hive Mind: How Your Nation’s IQ Matters So Much More Than Your Own (2015)中,Garrett Jones探寻了智能在集体角度下如何转化为现实世界的结果。

Herbert Simon提出,自然人工二元论在人工智能历史上发挥着重要的作用。Simon在《科学的人工》(The Sciences of the Artificial) (1969)写道,自然的事物从自然中产生,而人工的事物由技艺生成。尽管技艺带有特权内涵,人工的进程往往关乎改变现有条件,使其更适宜需求。通过设计过程,人类生产出客观存在的人造物,并用其开发自然世界,以满足特定目的。人造物可能让人想到空调、砖块、面包、摩天大楼、智能手机等一系列物品。

1956年夏天,人工智能这一领域在达特茅斯学院诞生。由John McCarthy牵头的一项为期两个月的研究汇聚了该学科领衔的数学家和科学家,他们假设“学习的各个层面或任何智能的其他特征能够被准确描述,而让机器能够模拟这些特征和方面,试图探究如何让机器使用语言、构建抽象思维、解决仅有人类能够解决的问题以及实现自我提升。”这项雄心壮志的研究反映了早期研究人员的乐观心态,以及他们建立的里程碑式成就:Herbert Simon预测,“机器将在二十年内具备胜任人类任何工作的能力,”Marvin Minsky也写道“一代人的时间里……构建‘人工智能’的问题将大体解决。”直白地说,这些预言都没能实现。

但真实发生的是,人工智能领域围绕任务的实现,审慎地转向更保守的人工智能定义——这种定义与行为主义学说对智能的定义不尽相同。专家们提出了更广泛的定义,比如“解决难题的能力”(Marvin Minsky),“利用包括时间在内的有限的资源,实现最佳效益,完成目标”(Ray Kurzweil),“在复杂的环境下达成复合目标”(Ben Goertzel),“任何能在多种环境中产生适应性行为的系统”(David Fogel),和“融合科学和工程学,以构建有智能行为的机器”(Joanna Bryson和Jeremy Wyatt)。

通过这几种定义,可以看出人工智能是一种不可知论;它并没有界定具体用什么方法解决问题。再者,还可以看出人工智能历史上曾经解决过一些现在人类早就不认为是人工智能的问题,比如应对“三子连”(tic-tac-toe)的策略,提出数学证明,识别手写文字,或是优化航班机票的价格。我们现在眼中的人工智能,仅注重解决那些计算机目前解决不了的问题。正如Douglas Hofstadter戏谑道,“[人工智能]就是指所有尚未完成的事情。”类似地,在Society of Mind(1967)一书中,Minsky表明,“智能的概念就像舞台魔术的技巧。这就像‘非洲地区未发掘的地域’这个概念,我们一旦发现智能,它就随之消失。”

总而言之,人工智能里的“智能”,如果有内涵的话,就是指在智能生产者在机器上体现出的智慧。

每种人工智能的核心都是一种算法——也就是一组传达给计算机,接收输入并生成输出的指示。人工智能算法无处不在:城市里的红绿灯根据车流模式相互配合;智能手机根据应用程序使用情况节省电量;飞机根据大量飞行数据自动驾驶;脸书根据黑箱用户数据生成个性化新闻推送。是什么将这些离散的算法融为一体,它们又是如何分类的呢?

给人工智能内部的思维分类有很多种方法。例如,任务可以分为标识给定观测值组(或类)的分类问题,以生成定量预测的回归问题。抑或如果根据能力给人工智能分类,可以分为关注单个领域的狭义人工智能(ANI),和能将智能应用于任何问题的通用人工智能(AGI),以及理论上能超越人类智能的超级人工智能(ASI)。本文主要关注通用人工智能的子类别,因为大部分专家预测未来的几十年或将实现通用人工智能,而有关狭义人工智能的研究是中间环节。本文将引证Pedro Domingos的著作《主算法》(The Master Algorithm) (2015)中对于人工智能领域的简要评述,大概回顾几个关于创建人工智能的主要观点。

首先我们需要知道,在最高层次上,有两种相对立的人工智能创建方法:机器学习(ML)和知识工程(KE)。机器学习指教授计算机学习的过程。机器学习运用学习算法,即一种产生其他算法的算法。学习过程以一组输入以及其相应的输出开始,接着给计算机传送一种学习算法后,它就能写入程序,从新的一组输入中产出正确的输出。对于知识工程师来说,深度学习不过是模式识别,并未产出真正的知识。知识工程采取不同的方法,其中,专家用计算机能理解的语言写入不同领域的知识。遇到问题时,专家系统(Expert System)会参考专家写入的逻辑和规则解决问题。机器学习支持者对此表示异议,认为构造智能代理概念的数量必须是有限的。写入知识就像收集邮票,假如机器不能学习,那么它在遇到新的问题时会脆弱得不堪一击。机器学习和知识工程之间的冲突持续了数十年。随着时间推移,机器学习在获得多个重大成就后,成为了主导的思维学派。尽管如此,有些知识工程师坚信,机器学习的局限性终将体现自己的研究意义,为知识工程的复兴扫清障碍。

另一种人工智能创建方法在边缘徘徊——该方法由Ray Kurzweil提出,后由Robin Hanson在《The Age of Em》 (2016)中展开深入研究——意在模仿且超越人脑。与其制造能完成人类执行的任务的软件,不如模仿大脑将大脑里的“软件”转移到机器中。尽管这种方法的本质存疑,但支持者断言,一个世纪之内,我们就能扫描大脑的空间和化学构成,复制单个脑细胞的信号处理功能,以人工硬件形式构建大脑的逐单元可执行模型。这种模仿能表现近似于人类行为的输入和输出。

尽管机器学习只是人工智能的子学科,它已经吸引了不少公众注意。Domingos将机器学习社群分为五个类别:符号主义,联结主义,进化主义,贝叶斯派和类推派。每一类别设计学习算法的方法都可以追溯到自然智能、自然科学和数学。

符号主义者相信所有智能都能被约简为操作符号——所有符号都是概念、物体或关系的抽象表征。和数学运用诸如牛顿定律之类等式解释宇宙一样,符号主义将现实约简为由符号构成的等式。知识工程师人为写入知识构建人工智能,而符号主义的机器学习会用经验构建的知识学习算法,避免这种“知识瓶颈”。这种学习过程通过一系列反向推理得以实现:向计算机传输数据,带来知识的缺口以得出普遍的结论。对于符号的操控,可以看作是Gottfredson的智能定义的重新解读。

联结主义者对大脑实施了反向工程。联结主义者从人脑的生物神经网络工作原理获取灵感,使通过加强神经元之间联系的学习成为可能。而联结主义者通过人工模拟神经网络,制造人工神经元层,影响反向传播算法,成功改变层与层之间的连接,使程序输出符合预期。大脑此时是终极的学习机器;也许它的确包含一种可供人们学习的通用算法。有趣的是,大脑给神经网络带来的灵感反过来影响了人们对于大脑的认识。有人认为,认知和意识是编程的一种形式。

进化主义者认为智能的本源是自然选择。自然的学习算法是适者生存的函数,通过拣选和重组基因生成复杂有机体,基因也会随着时间推移发生突变。进化论者运用基因算法模仿此过程,其中程序的目的变成了“适者生存”,其中程序逐代伴随着偶发的突变或繁殖。经过不断迭代,这种学习算法产出越来越好的程序,模仿着智能的进化论学派界定的智能行为。

贝叶斯派认为所有学习得来的知识都是不确定的,学习就是处理不确定性的能力。所有程序都从先验概率开始,经过一个周期性的过程:在证据出现前做出推定,将其转变为包含新证据的后定概率。贝叶斯派运用概率推定作为学习算法,把新证据包含到原有推定中,很大程度上依赖贝叶斯原理。该方法基于数学和统计学知识,为研究者提供直觉型的获取和完善知识的方法。

类推派相信学习是识别不同情境之间的共同点,从而推导其他共同点的过程。类推派是以近似相似性的判断支持学习算法而闻名的松散学派。该学派具有代表性的算法是支持向量机,以帮助判断事物之间的共性。Douglas Hofstadter等认知科学家认为类比是认知的核心。

值得注意的是,每种机器学习都需要程序员具备一定的监管能力,因为需要给程序训练数据,微调参数以改进模型。这种监管能力可以表现为监督学习,即程序员为每个输入指定输出;还可以表现为强化学习,即程序员给定学习算法执行步骤的回报;也可以表现为无监督学习,即学习算法运行不受已知输出或回报的指导。生成的程序一旦满足程序员要求,就能得到更大范围的推广。

Domingos预测,以上五种深度学习学派将合并为一种能够学习一切内容的“主算法”——他希望以这种方式步入通用人工智能。未来有充足的数据和知识作为输入,让实现主算法成为可能。此时,现有的学派将推进各自的学习算法、合并各自的算法、或见证用新范式指导学习算法的学派诞生。无论如何,机器学习会继续取得举世瞩目的进步,推出解决问题的新方法,让人们重新界定机器的能力。

随着人工智能的发展,我们不可避免地在多种自然智能和人工智能之间徘徊,不断探寻新的可能。人工智能的问题常被拟人化,也将持续如此,因为我们几乎自觉地借助已知的智能类别(也就是以人类的智能)认识人工智能。尽管人工智能受自然智能启发,采用了一系列相似的问题解决手段,它的运转原理不像生理意义上的大脑,大脑需要意识、感觉和意志等因素参与。直到有一天智能具备了这些高阶特质,这能否实现至今存疑。但人工智能最有成效、最为深刻、最生动真实的表现形式是将其视为人工产物家族的一员; 人工智能是人类为达到积极或消极目的使用的一套工具。

https://towardsdatascience.com/the-natural-roots-of-artificial-intelligence-b76468e512e2