什么是人工智能，什么不是?

毫無疑問，AlphaGo是由谷歌DeepMind設計的“人工智能圍棋系統(tǒng)”，它是個非常聰明的系統(tǒng)。AlphaGo擊敗了圍棋世界冠軍Lee Sedol，而類似的深度學習方法已經(jīng)被用于解決各個行業(yè)的復雜計算問題。多虧了AlphaGo，人工智能這個詞匯再次成為人們關注的焦點。

然而，本文作者并不認為AlphaGo屬于人工智能，因為它不涉及通用人工智能(AGI)。要建立通用人工智能，關鍵問題之一是讓它避免受到設計者的限制，應該讓它自身發(fā)揮出能量。它可以從自己遇到、聽到、說過、做過的事情和體驗中發(fā)展出內(nèi)在的意義，就像人類一樣。

而事實相反，如今的人工智能程序基本無法理解周圍發(fā)生的事情，也無法處理其他領域的問題。那么什么是人工智能呢?這或許是人工智能最根本的問題。

1990年，認知科學家Stevan Harnad在他的論文《符號接地問題》中探討了意義的問題，任何代表性的符號都存在于外部的現(xiàn)實世界中。例如，假設你必須學習漢語作為第二語言，而你所掌握的唯一信息來源是漢語字典。通過字典來學習的過程，就像是坐無休止的旋轉木馬，不斷接觸一個又一個沒有意義的符號。那么你要怎么樣跳出這個怪圈呢?符號要怎樣才能擁有意義?這是典型的符號接地問題。

關于人工智能意義的問題在幾十年前就被提出了，但直到今天也沒有什么解決辦法。這個問題可以細分為四個子問題。

1.如何構建人類或人工智能從外部接收到的信息?

這是有關人工智能意義的第一個問題，關于構建信息。隨著機器學習的快速發(fā)展，特別是深度學習和非監(jiān)督學習的發(fā)展，這個問題近年來得到了很好的解決。包括AlphaGo在內(nèi)的巨大進步，在一定程度上是源自圖形處理器技術的進步，這種技術非常擅長處理信息。這些有效的算法，例如深度學習算法，是在一個高緯度空間中利用最有用的信息，去讀取復雜的數(shù)據(jù)。

對于今天的人工智能來說，監(jiān)督學習無疑是應用中最成功的。例如樸素貝葉斯分類(Naive Bayes Classification)、邏輯回歸(Logistic Regression)和支持向量機(Support Vector Machine)這三種算法，每年可以產(chǎn)生數(shù)十億美元的價值。但前面提到的非監(jiān)督學習也在快速發(fā)展。聚類算法和主成分分析解決了監(jiān)督學習無法解決的許多問題。

此外，半監(jiān)督學習和強化學習在企業(yè)中也有著越來越廣泛的應用。盡管有許多有用的、強大的算法來解決不同的人工智能問題，但是沒有一個通用的人工智能系統(tǒng)可以應對所有情況，也沒有人知道這么多人工智能系統(tǒng)中的哪一個可以用來構建通用人工智能。

在我看來，非監(jiān)督學習的深度神經(jīng)網(wǎng)絡將為實現(xiàn)這一夢想提供最大的幫助。例如，IBM的Watson整合了許多算法，以便處理各種各樣的數(shù)據(jù)。然而，許多研究人員認為，如果沒有認知心理學和神經(jīng)科學的幫助，就不可能建立通用的人工智能。要實現(xiàn)這一夢想成真，還有很長的路要走。

2.如何將這些結構化的信息與外部世界聯(lián)系起來，或者像上述所說，去創(chuàng)造意義?

在構建信息之后，第二個問題是將結構化的信息與現(xiàn)實世界聯(lián)系起來，并為機器人技術賦予了根本意義。能夠與外部世界進行互動的前提是擁有身體，因此沒有機器人就沒有人工智能。這一認識經(jīng)常被稱為“化身問題”。大多數(shù)人工智能研究人員如今都認為，對于人工智能來說，化身與智慧一樣重要。從現(xiàn)實世界來看，尤其是動物的世界，我們可以發(fā)現(xiàn)每個不同的身體都有著不同形式的智慧。

這個化身問題起始于對身體部位的理解，然后控制它們，并在觀察到的世界中產(chǎn)生預期的效果，最后建立起自己對世界的理解。這一過程被稱為“感覺運動理論”，J. Kevin O’Regan等人對此進行了研究。

3.如何將這一意義同步給其他人工智能媒介?

這個問題與文化的起源有關。與人類不同的是，有些動物的文化是通過舞蹈和嗅覺等方式來表達的。沒有文化，這一智力的基本催化劑，那么人工智能將僅僅是一種學術上的嘗試罷了。然而，文化是一種包含心理學和認知能力的學習過程。它不是可以手工編碼進機器的東西。通過研究兒童如何掌握文化，研究人員正在試圖理解這一學習過程。

這一過程也與語言學習緊密相連，它是一個漸進的過程：人工智能媒介通過與世界互動，從中獲取新的信息，創(chuàng)造新的意義，再通過與其他媒介交流來創(chuàng)造新的意義，并選擇出最成功的交流方式。在經(jīng)歷了成百上千次錯誤之后，研究人員可以建立起最強大的人工智能系統(tǒng)。這是深度學習無法解釋的東西。一些研究實驗室，比如SoftBank Robotics，正在利用這一過程對復雜的文化傳統(tǒng)獲取更多信息。

4.為什么人工智能媒介需要做點什么?如何將這一切轉化為行動呢?

最后這一個問題是關于期望。人工智能媒介會因為內(nèi)在動機而采取行動，比如說，人類的行為不只是為了滿足生存需要，而是更加進一步的探索，這是由于內(nèi)在好奇心的驅使。像Pierre-Yves Oudeyer這樣的學者認為，簡單的數(shù)學公式已經(jīng)足以用來解釋復雜的行為。

現(xiàn)有人工智能系統(tǒng)的局限性

根據(jù)作者的理解，目前世界上沒有人工智能，甚至包括最常用和最著名的人工智能服務和應用程序，都不算。

雖然他的觀點并不具有普遍性，但目前情況下，現(xiàn)有的人工智能系統(tǒng)的確存在局限性。Siri是蘋果最受歡迎的人工智能系統(tǒng)，但是如果你說的話超出了它的任務范圍，它就無法識別你在說什么。SoftBank最著名的人工智能機器人Pepper則和Siri一樣具有局限性。此外，盡管它配備了語音識別系統(tǒng)，但有時卻無法識別語音背后真實的情緒，而且容易被騙。電商巨頭阿里巴巴集團和旗下的在線支付服務商支付寶正致力于利用人臉識別技術取代密碼。它的準確性很不錯，但仍然無法識別有著相似面孔的雙胞胎。

這些例子反映出，目前的人工智能還不是足夠的智能。它們有時候甚至無法處理自己從外部世界獲得的數(shù)據(jù)，更不用說互動了。

總而言之，我們很樂于看到深度學習的快速發(fā)展和AlphaGo的巨大成功，因為它們可以被大量應用在醫(yī)學研究、環(huán)境保護和其他許多領域。然而，深度學習并不是人類掌握真正人工智能技術的良方。真正的人工智能能夠從外部世界學習、與人類自然地互動，同時理解人類情感、意圖和文化差異，并最終幫助我們創(chuàng)造一個更美好的世界。