模仿人脑，可能是AI走的一条弯路？

图片来源：BRIAN STAUFFER

记者 Christopher Mims

从自动驾驶汽车、机器人医生到超过13亿中国人的社会信用评分等，目前引入人工智能(AI)技术的一切事物都取决于一场有关如何让AI做到它现在做不到的事情的辩论。昔日这仅仅是一个学术问题，但如今已对价值数十亿美元的人才和基础设施、乃至人类的未来产生影响。

这场辩论归根结底是关于目前构建AI的方法是否足够。通过一些调整并应用足够的计算蛮力，现在我们拥有的这项技术能否实现真正的“智能”、如想象那样存在于动物或人类体内？

这场辩论的一方是“深度学习”的支持者。2012年，多伦多大学(University of Toronto)的三位研究人员发表了一篇具有里程碑意义的论文，此后，深度学习方法便一直大受欢迎。虽然并非实现AI的唯一方法，但深度学习已经展示出以前的AI技术所无法实现的能力。

“深度学习”中的“深度”指的是人工神经元网络中人工神经元的层数。如同其所对应的生物神经元网络，人工神经元的层数越多，实现更复杂学习任务的能力就越强。

要理解人工神经元网络，可以想象空间中有一组彼此相连的点，类似大脑中的神经元分布。简单来说，当大脑学习时，就是在调整各点之间的连接强度，最终形成一幅神经连线图，呈现完成任务（例如准确识别一幅图像）的优选路径。

如今的深度学习系统算不上模拟人类大脑，顶多和视网膜的外部结构类似。在视网膜外部分布了寥寥数层神经元，可以对一幅图像进行初步处理。

让这样一个网络像人类大脑那样完成各种任务，可能性极低，因为此类网络无法像一个真正智能的生物那样认识世界，因此很脆弱，很容易“头脑发昏”。举例来说，研究人员只改变了一个像素，就让一种广泛应用的图像识别算法上当受骗了。

尽管有其局限性，但深度学习已能帮助软件实现图像和语音识别、机器翻译以及在棋类游戏中击败人类。深度学习是谷歌定制AI芯片以及靠此类芯片运行的AI云服务的驱动力，也是英伟达(Nvidia Co.)自动驾驶汽车技术的关键。

AI界最有影响力的人物之一、曾任Google Brain和百度人工智能部门负责人的吴恩达(Andrew Ng)曾表示，藉助深度学习，计算机应该能够完成普通人在一秒或更短时间内可以达成的任何心智任务。当然，计算机所需的时间应该可以比人类更短。

这场辩论的另一方是一些研究人员，如优步人工智能部门的前负责人、现任纽约大学(New York University)教授Gary Marcus，他认为深度学习远不能完成人们希望其实现的很多事情。例如，深度学习永远无法替代所有白领工作以及带领我们走向全自动奢侈共产主义的未来。

Marcus表示，要获得能够推理、自学和建立心智模型的“通用智能”(general intelligence)，仅靠目前AI所能达到水平是不够的。

Marcus称，虽然在深度学习方面已经取得很多成果，但并不意味着这是心智理论或抽象推理的合适工具。

Marcus表示，要让AI更进一步，需要从自然界获得灵感。这意味着需要建立其他类型的人工神经元网络，有时需要赋予先天、预编程的知识，就好比所有生物与生俱来的本能。

多伦多大学机器学习方面的助理教授David Duvenaud称，许多研究人员认同上述观点，正努力补充完善深度学习系统以克服局限性。其中一个热门领域是研究如何仅通过某个现象的少数例子进行学习，而不像深度学习系统那样通常需要数以百万计的例子。

研究人员也在尝试赋予AI建立认识世界的心智模型的能力，婴儿在一岁前就已具备这一能力。因此，一个深度学习系统在观看了100万辆校车后可能在首次看到一个颠倒的校车时仍无法认出，而拥有车轮、黄色底盘等校车组成要素心智模型的AI在识别一个倒置的校车时将容易得多。

美国人工智能协会(Association for the Advancement of Artificial Intelligence)前任主席Thomas Dietterich称，为深度学习补充其他种类的AI固然很好，但在整体上不忽视深度学习和机器学习的魔力也显得重要。

Dietterich称，机器学习研究的目标是了解计算机系统只从数字和经验中学习可以达到什么程度，而不是人工嵌入。他说，问题不是AI的先天预装知识不好，而是人类不了解首先应把哪些先天具有的知识嵌入AI中。

Duvenaud说，“原则上，我们无需去参考生物学”来弄清如何打造未来的AI。但他表示，那种将会接替聚焦于深度学习的技术、也更加精密的系统尚未取得成效。

Marcus说，除非能弄清如何把我们的AI变得更聪明、更强大，否则我们将不得不为其人工输入人类现有的大量知识。也就是说，自动驾驶软件等AI系统中的很多“智能”，其实根本不是由人制造出来的机器所表现的智能。就好像自动驾驶软件需要在真实道路上进行大量的车辆实操训练一样，要让这些系统具有真正的能力，眼下还需输入大量逻辑，这些逻辑反映的是打造和测试它们的工程师所做的决定。

你可能还关注▼

大家也在读▼