公众号/将门创投
来源：Medium 编译：Yulei
人工智能的原始构想产生于60年前，人们希望能构建像人类一样学习和思考的机器，并且在长达几十年的时间里，为着这个目标而苦苦探索。学者们始终没有找到合适的方法来实现如此灵活智能的机器，因此他们将目标转而解决更加实际和具体的智能化问题，也就是今天我们通常所说侠义范围内的人工智能产品。
近来，通过”对计算机进行编程“，到“教会“计算机学习的转变过程，学者们对人工智能的分支之一的深度学习方面有了较大突破。一方面深度学习方法虽然在某些方面十分有效，但是另一方面它的能力范围几乎完全取决于训练数据，而传统方法原则上却可以实现实时自适应学习。它们所解决的问题是高度专业化和固化的，十分依赖于训练数据的质量和范围：例如通过电话收集的语音数据训练的语音识别系统在用于麦克风语音的识别上表现不会太好; 同时在高速公路驾驶过程中训练的图像识别模型依旧无法应对城市道路; 诸如此类缺乏泛化性的模型常常困扰着工程师们，人们一直在期待着通用AI模型的诞生已解决这些问题。
当前AI的核心问题并不在于它们解决专业化的问题的能力—— 它们已经在某些领域完全超远了人类的表现。其核心问题在于但它们本质上是狭义的（设计上是局限的），并且它们从原理上就具有与生俱来的不变性。 传统编程以及较新的“训练有素”的AI都受到这个来自设计缺陷上的基本限制：无论他们拥有什么样的能力，它们的表现都是基于一定模式的，不会随着时间变化。人工智能在某些程度内可以被设计出有一定的学习和适应能力，但是通常而言，为了对其现有功能进行更改或扩展，需要额外对其进行编程或使用新数据集进行再训练和测试。
人工智能存在以下两个局限问题。首先:侠义的人工智能系统无法动态适应新的情况 ——无论是新的感知线索还是情境; 或者新词，短语，产品，业务规则，目标，响应还是要求。然而，在现实世界中，事物总是在变化，而根据下文对智能的定义，又要求其有应对变化的能力！
第二个也是更重要的问题在于目前的人工智能不具备能够思考，学习或解决问题的能力，它们仅仅是将程序员的解决方案嵌入到他们旨在解决和感知的问题之中。 这种固化的思维方式，真的能算的上是“智能”吗？
总而言之，我们需要远超出目前解决方法的能力来解决问题 —— 目前人工智能的应用范围非常有限，它们不能利用他们当前的知识和技能来获得新领域的技能。 无法直接从用户交互中学习，它们没有记忆并甚至会一遍又一遍地犯同样的错误。 此外，他们不具备推理和解释问题的能力，理解非常有限，没有常识。所以目前的人工智能可能和我想象的“智能”相去甚远。
一般而言，智力的定义是：对世界的认知能力，对各种目标的实现能力和将新知识与技能整合到自身现有知识体系的能力的综合体现。它必须在现实世界中，在知识和时间有限的情况下实时运行。
此外，人类智能（与动物智能相对）的特殊之处在于：我们具有形成和使用高度抽象概念的能力以及运用符号进行思考和推理的能力。
人工智能作为对人类智能的模仿，也该如此。真正的人工智能必须至少体现以下几个方面的基本能力：
1）实时主动的交互获取新的知识和技能的能力。包括一次性学习：即从单个示例中学习新内容的能力。
2)要真正理解语言，进行有意义的对话，并能够在语境，逻辑和抽象方面进行推理。
3)短期记忆能力：能了解行动的背景和目的，包括其他行动者（心理理论）的行为。
4）积极利用现有知识和技能加速学习的能力。
5）通过形成抽象和本体的知识层次来概括现有知识的能力。
6）动态管理多个潜在冲突的目标和优先级，并选择适当的选择输入激励并专注于相关任务的能力（重点和选择）。
7）识别并适当的响应人类的情绪（具有情商，情商），以及认识自己认知状态的能力(内省）。
8) 能够通过有限的知识，计算能力和时间来迅速完成上述所有工作。例如，当面对现实世界中的新情况时，我们需要快速的做出反应，而不是等待在专业超级计算机上重新训练数天的大规模神经网络后才能得到结果的反馈。
除此之外还有很多证据表明智力在现实情况中需要丰富的感知和运动基础来支撑深入的决策和推理。显然，理解现实世界的动态变化对于能够推理人类活动至关重要。在思考的过程中，我们需要掌握物体的大小，形状和纹理等特征，以及时空关系。抽象概念必须以某种方式落实到客观世界中实实在在的物体上。未来也许我们可以借助于计算机的“大脑”，从而实现“模拟”感知和行动。但是这种“捷径”是否符合常识推理仍然是一个悬而未决的问题。
实现真正意义上的人工智能，我们既需要工程解决方案，也需要正确的商业模式。
在技术方面，我们需要一种与现有技术完全不同的方法来实现 ，也许这就是’人工智能的第三次浪潮’。
一种称为认知架构的方法可以作为一个经典案例，提供实现真正智能的框架 ，认知架构方法在AI中有很长的历史。从本质上讲，它是一个拥有核心“认知引擎”的想法，它支持传统人工智能方法所需的所有基本功能。它是一个统一的，高度集成的支持结构和功能系统，它们协同工作，产生一般智能所需的所有认知能力。这些包括短期和长期记忆，模式匹配，预测，优先排序，推理，计划等等。
这种方法有几个重要的优点：
虽然狭义的人工智能无法提供我们所需的所有智能和稳健性越来越明显，但是仍旧有强大的实用和商业力量阻碍了通用人工智能的发展。主要表现为以下几点：
首先，狭义的AI有几个显着的优点：设计师可以专注于一次解决一个具体问题，他们可以直接将大量特定的人类知识注入系统，也可以使用适合该特定应用的任何工程技术。他们还可以忽略可能适用于其他用例的所有限制。运用狭义的人工智能的过程中，我们无需弄清楚如何使系统充满真实智能，这样可以使得产品快的 进入市场。事实上，一个时不时会被我们犯的错误是：我们可以逐渐从狭义的人工智能变为广义的人工智能。
另一方面，阻碍人工智能发展的因素是它的难度。它必须具有内生的泛华禀赋，能够在很大范围和动态区间内运行良好，而且能够自主获取在设计时可能没有预料到的知识和技能。另外，在处理歧义和缺失知识方面的表现也十分关键，它必须明白自己何时知识不够用，并知道如何解决这个问题。面对有限的知识和计算资源，它通常必须是有鲁棒性的，并且不会出现重大的错误。
虽然针对通用人工智能的这些功能的价值和需求变得越来越清晰，但显而易见的是，开发这样的系统需要相当的远见和方法。实现真正的通用人工智能真很难很难！
怎么样促进通用人工智能的发展？
狭义的人工智能在涉及自然语言理解的应用中的缺点是最明显的。用户们希望，通过交互式语言系统能够得到足够聪明且富有成效的结果，我们希望我们的个人虚拟聊天机器人更像是电影中充满人情味的智慧“助手”，而不是呆板的机器。通过与机器人交流，我们可以实现长时间的多轮对话，它能回忆起之前聊过的内容，并且能够知道我们的偏好和对话目的。
人类语言是我们的智慧和成就的必不可少的组成。同样，通用的人工智能也将需要完全的自然语言能力。虽然专注于机器人技术的AI开发也很重要，但这些系统最终还是需要能够阅读和遵循语言指令，并能够用自然语言解释他们的决策。
基于通用人工智能的设计将根据定义和设计来涵盖这些高级要求。他们将有更深刻的理解能力，拥有短期和长期记忆，推理能力和大量的常识，从而达到能够处理复杂对话的能力。
通过把人工智能与认知架构，改进的自然语言系统进行结合，将重新点燃和促进实现人工智能在创始之初的最初梦想 – 拥有自己的智慧，而不仅仅是人类赋予的聪明才智。
参考: https://medium.com/intuitionmachine/from-narrow-to-general-ai-e21b568155b9
Return to Top ▲
友情链接