作者：阿米爾·侯賽因（Amir Husain），屢獲殊榮的發(fā)明家、演講者和企業(yè)家，IBM的"沃森"認(rèn)知計(jì)算平臺(tái)顧問(wèn)。他擁有22項(xiàng)美國(guó)發(fā)明專(zhuān)利以及40多項(xiàng)申請(qǐng)中的專(zhuān)利，創(chuàng)辦了SparkCognition公司并擔(dān)任CEO，《紐約時(shí)報(bào)》《福布斯》《快公司》《連線》等主流媒體曾多次專(zhuān)題報(bào)道侯賽因及其團(tuán)隊(duì)的故事。

出版社：中信出版社

出版時(shí)間：2018年6月1日

最近，人們對(duì)人工智能的興趣大增。在主流媒體中，認(rèn)知計(jì)算、機(jī)器學(xué)習(xí)等幾乎就等于人工智能。

我們需要了解這些術(shù)語(yǔ)的真正含義，因?yàn)樗鼈儾⒉皇侨斯ぶ悄艿牧硪环N名稱，而了解這些術(shù)語(yǔ)之間的差異有助于我們區(qū)分機(jī)器智能與人類(lèi)思維。

人工智能、機(jī)器學(xué)習(xí)與認(rèn)知計(jì)算的差異

人工智能由約翰·麥卡錫和馬文·明斯基在 1956 年的達(dá)特茅斯夏季會(huì)議上正式建立，這個(gè)會(huì)議的主題包括數(shù)學(xué)、博弈論和邏輯等。

人工智能是一個(gè)廣泛的研究領(lǐng)域，它一般涵蓋可以使機(jī)器具備推理、學(xué)習(xí)和行為智能的多種技術(shù)：

其中一些技術(shù)的運(yùn)行要基于系統(tǒng)建造時(shí)編寫(xiě)的知識(shí)和規(guī)則集；

有一些技術(shù)則使用“試探法”，即通過(guò)合理推測(cè)從大量可能的選項(xiàng)中選出最合理的選項(xiàng)；

還有一些技術(shù)先做出核心假設(shè)，然后考慮新的信息，從而一邊工作一邊“學(xué)習(xí)”。

• 機(jī)器學(xué)習(xí)

無(wú)論是否從數(shù)據(jù)中學(xué)習(xí)，人工智能都是一門(mén)關(guān)于智能算法的跨領(lǐng)域?qū)W科，而機(jī)器學(xué)習(xí)是人工智能的一門(mén)子學(xué)科，專(zhuān)指從數(shù)據(jù)中學(xué)習(xí)的算法。

機(jī)器學(xué)習(xí)可以被分為多種類(lèi)別。

比如“監(jiān)督式學(xué)習(xí)”是以一組事先貼標(biāo)的示例表示的算法，這種算法可以確認(rèn)數(shù)據(jù)和貼標(biāo)結(jié)果之間的關(guān)聯(lián)或類(lèi)別。在“無(wú)監(jiān)督式學(xué)習(xí)”中，則無(wú)法使用事先貼標(biāo)的示例集，而是使用無(wú)貼標(biāo)或無(wú)分類(lèi)的數(shù)據(jù)。

打個(gè)比方，“監(jiān)督式學(xué)習(xí)”就是給它很多貓和狗的照片，每張照片上都標(biāo)注這是貓還是狗，然后讓它區(qū)分之后的圖片中是貓還是狗。

“無(wú)監(jiān)督式學(xué)習(xí)”與之相反，它的目標(biāo)是突出一大批貓和狗的照片的區(qū)別，而這些照片上并沒(méi)有標(biāo)注圖片中是貓還是狗。

機(jī)器學(xué)習(xí)技術(shù)利用每個(gè)示例中的特征或?qū)傩?，最終要實(shí)現(xiàn)的目標(biāo)是正確地貼標(biāo)或分類(lèi)，比如哪些特征可以用于區(qū)分貓和狗的照片。當(dāng)提供更多貓和狗的照片時(shí)，機(jī)器學(xué)習(xí)算法會(huì)嘗試建立模型，分析哪些基本辨別要素或特征是區(qū)分貓和狗的可靠指標(biāo)。

現(xiàn)在，我們來(lái)想想具有行為智能但不從數(shù)據(jù)中學(xué)習(xí)的算法。這方面的案例有某些國(guó)際象棋算法，這些算法已包含國(guó)際象棋的規(guī)則和一些區(qū)分有利或不利局面的方法。

如果無(wú)法準(zhǔn)確、科學(xué)地確定局面的有利程度，就可以使用“試探法”或直覺(jué)規(guī)則。

比如在一般情況下，和對(duì)手相比，剩下的棋子越多就越有利，同樣，確?；屎蟠婊钜哺欣?，而被將軍則不利。國(guó)際象棋算法可以通過(guò)國(guó)際象棋規(guī)則，算出棋手根據(jù)當(dāng)前情況可能采取的所有走法，并對(duì)每一種走法進(jìn)行評(píng)分，無(wú)論是有利的還是不利的，均不例外。

它還可以選擇最有利的走法，并且重復(fù)進(jìn)行這樣的選擇，直到勝利或失敗。該過(guò)程之所以如此簡(jiǎn)單，原因之一在于，只計(jì)算之后的一步棋并不足夠，它可能需要計(jì)算之后的好幾步棋。

一般情況下，一種算法就通過(guò)這種方法展示看似智能的行為，但它不會(huì)從結(jié)果或新的信息中學(xué)習(xí)。

• 認(rèn)知計(jì)算

最后是認(rèn)知計(jì)算。這個(gè)術(shù)語(yǔ)直到 20 世紀(jì) 80 年代才開(kāi)始被學(xué)術(shù)界所使用，但計(jì)算機(jī)行業(yè)早已開(kāi)始使用這個(gè)詞，這是因?yàn)?IBM（國(guó)際商用機(jī)器公司）曾利用這個(gè)說(shuō)法推廣其“沃森”（Watson）系統(tǒng)。

認(rèn)知計(jì)算這一工作領(lǐng)域最貼切的定義就是：探索如何使用受人類(lèi)大腦啟發(fā)的機(jī)器學(xué)習(xí)技術(shù)。因此，認(rèn)知計(jì)算包括硬件和軟件兩個(gè)層面。

事實(shí)上，在 IBM 開(kāi)展的關(guān)鍵項(xiàng)目中，屬于認(rèn)知計(jì)算的有 TrueNorth 架構(gòu)（這種新型處理器嘗試使用硅復(fù)制人腦結(jié)構(gòu)）以及更為大家熟知的“沃森”軟件。

通過(guò)上述例子，我們清楚地了解到這些智能算法的行為方式與人類(lèi)大腦截然不同。

智能算法與人類(lèi)大腦的不同

• 計(jì)算能力

比如，我們假定的國(guó)際象棋算法會(huì)根據(jù)單一的、實(shí)時(shí)的狀態(tài)和國(guó)際象棋規(guī)則知識(shí)，建立所有可能的走法或至少建立一個(gè)極大的子集，而人腦無(wú)法做到這一點(diǎn)。

我們往往會(huì)“刪除”大量的可能性，因?yàn)橐恍┛赡苄酝耆腔闹嚨?，甚至是不值得考慮的。相比于人腦，高性能計(jì)算機(jī)中的算法可以探索更多的可能性。

雖然人腦可以同時(shí)處理多項(xiàng)任務(wù)并擅長(zhǎng)多種認(rèn)知任務(wù)，但人類(lèi)大腦的“運(yùn)行頻率”慢于硅處理器，因此人腦執(zhí)行純數(shù)學(xué)任務(wù)的速度較慢，準(zhǔn)確性也較低。

在有些情況下，計(jì)算機(jī)和人腦之間的這一區(qū)別，也就是探索“所有選項(xiàng)”的能力的區(qū)別，是計(jì)算機(jī)的一項(xiàng)巨大的優(yōu)勢(shì)。

1982 年，斯坦福大學(xué)的研究人員道格拉斯·萊納特（Douglas B. Lenat）、威廉·薩瑟蘭（William Sutherland）和詹姆斯·吉本斯（James Gibbons）在《人工智能雜志》（AI Magazine）上發(fā)表了一篇論文，該論文展示了生成和分析大量可能性的能力，讓人們認(rèn)識(shí)到一種新類(lèi)型的三維微電子設(shè)備。

而在此之前，人類(lèi)研究人員從未找到這一發(fā)現(xiàn)。該發(fā)現(xiàn)由一個(gè)名為“Eurisko”的算法自動(dòng)生成，這種生成和分析可能性的能力在斯坦福大學(xué)教授約翰·科扎（John Koza）開(kāi)創(chuàng)的基因算法研究中得到了最大限度的發(fā)揮。

2006 年，科扎在《科技新時(shí)代》（Popular Science）發(fā)表了一篇文章，與大眾分享了他的成果。這篇文章的標(biāo)題雖然有些夸張，但也十分準(zhǔn)確，叫《約翰·科扎制造出一臺(tái)發(fā)明機(jī)器：這一發(fā)明贏得了多項(xiàng)專(zhuān)利，勝過(guò)了人類(lèi)并且很快將飛向宇宙》。

憑借探索“所有選項(xiàng)”的能力和數(shù)學(xué)資源，科扎的基因算法設(shè)計(jì)出多個(gè)電路圖，還對(duì)很多人類(lèi)發(fā)明的專(zhuān)利進(jìn)行了逆向工程，并找到了很多應(yīng)用方式，這些方式與原有專(zhuān)利有本質(zhì)的不同，從而避免了專(zhuān)利重疊。

當(dāng)然，人類(lèi)智能有自己獨(dú)特的優(yōu)勢(shì)。

雖然受能量和物理空間的限制，人類(lèi)的大腦相對(duì)較小，但正是這一點(diǎn)帶來(lái)了許多進(jìn)化上的“智慧”。人類(lèi)智能擁有一套非常有效的刪減技巧，能避免大腦依次處理幾十億種情況，只為找到一兩種有用的信息，從而防止大腦承受過(guò)重的負(fù)擔(dān)。

那種類(lèi)似于暴力破解的方法所需的運(yùn)算量是生物體無(wú)法承受的，但可以肯定的是，接近無(wú)限的數(shù)學(xué)能力加上足夠的計(jì)算速度，的確可以帶來(lái)新發(fā)現(xiàn)，而我們的大腦目前還沒(méi)有得出此類(lèi)發(fā)現(xiàn)。

由于我們必須節(jié)省能量，而且考慮到大腦所受的物理限制，我們必須以最優(yōu)化的方式利用大腦，因此我們?cè)谀撤N程度上可以說(shuō)是“思維僵化”。

然而機(jī)器可以使用大量的能量和空間，因此它們的智能與我們的智能有本質(zhì)上的區(qū)別。

• 記憶力

不僅我們的計(jì)算能力受到生物學(xué)限制，就連我們的記憶力也受到這一限制，我們所能記住的事情有限而且“模糊不清”。

在許多心理學(xué)或智力測(cè)試、游戲、有趣的挑戰(zhàn)中，測(cè)試者會(huì)給我們看一張房間的照片，幾秒后，我們被要求回憶窗簾的顏色或者墻上的畫(huà)的數(shù)量。我們很難記住這些信息，因?yàn)橛涀∶總€(gè)細(xì)節(jié)對(duì)我們的進(jìn)化生存而言并不是非常重要，但計(jì)算機(jī)可以記住它接觸到的任何圖片、聲音或事情的每一個(gè)細(xì)節(jié)。

人類(lèi)學(xué)習(xí)后會(huì)忘記某些內(nèi)容，但計(jì)算機(jī)不會(huì)。

對(duì)機(jī)器來(lái)說(shuō)，“什么是重要的”這一問(wèn)題有著截然不同的含義。我們往往更容易記住重要的時(shí)刻，但機(jī)器會(huì)記住每一件事，然后再確定這些保存完好的經(jīng)歷中哪些部分對(duì)未來(lái)是重要的。

顯而易見(jiàn)，這種具有完整記憶能力的智能，其行為完全不同于我們?nèi)祟?lèi)的行為。

• 高維度空間的感知

大部分人都認(rèn)為學(xué)習(xí)是一種智能行為，但人類(lèi)與機(jī)器對(duì)學(xué)習(xí)的定義是不同的。試著考慮一下，我們只能學(xué)習(xí)被感知到的知識(shí)，通過(guò)一種感官獲得所學(xué)內(nèi)容，比如視覺(jué)、手指的觸覺(jué)、嗅覺(jué)或味覺(jué)等。我們努力擴(kuò)展這一能力，試圖直接看穿數(shù)學(xué)、邏輯等抽象工具，為什么杰出的數(shù)學(xué)家或物理學(xué)家如此少？

其中一個(gè)原因在于，經(jīng)驗(yàn)越抽象，我們就越難處理它們。我們看不見(jiàn)四維、五維或十維空間，所以只有極少數(shù)人可以只通過(guò)使用數(shù)學(xué)等工具思考四維或更高維度的空間。

我們所有人都能直接看到三維空間，因此在探索這一直接可以被感知到的空間方面做得很好，而機(jī)器智能在這方面再一次不同于人類(lèi)。

委婉地說(shuō)，以數(shù)學(xué)為基礎(chǔ)構(gòu)造而成的智能不會(huì)被數(shù)學(xué)應(yīng)用能力所限制。高維度空間的感知、處理和理解方式與三維空間不同，不僅提供用于長(zhǎng)期積累和學(xué)習(xí)的輸入信息的傳感器類(lèi)型不受限制，就連此類(lèi)傳感器或輸入信息的數(shù)量也不受限制。

如果我們的后腦勺上也長(zhǎng)了眼睛，那我們是不是就變成了另外一種生物？機(jī)器智能把這種差異拓展到了極致。

可能最基本的一點(diǎn)在于，人類(lèi)智能來(lái)自我們的思維。我們的思維存在于一個(gè)地點(diǎn)，被牢牢地固定在身體內(nèi)。一個(gè)身體只能容納一種思維。機(jī)器智能卻可以完全脫離載體。

在基礎(chǔ)層面，機(jī)器智能不需要考慮保護(hù)載體的需求，而在更高層面，機(jī)器智能還可以同時(shí)在多個(gè)地點(diǎn)復(fù)制或展示智能。我們無(wú)法了解在同一時(shí)間存在于11個(gè)地點(diǎn)是怎樣一種感受，但機(jī)器智能可以。

• 自我改進(jìn)

自我改進(jìn)是人類(lèi)與機(jī)器智能之間的另一個(gè)差異。

數(shù)千年來(lái)，人類(lèi)一直在追求自我改進(jìn)。我們尊敬學(xué)者、老師和指導(dǎo)者，因?yàn)樗麄兡軌蛞远喾N方式幫助我們學(xué)習(xí)和提高自我，包括提高我們使用智能的能力。

這一改進(jìn)，即智能的提高，對(duì)我們而言是一種緩慢的、間接的過(guò)程。我們通過(guò)行為、知識(shí)的直接感知或輸入來(lái)學(xué)習(xí)，無(wú)法簡(jiǎn)單地將他人的智能復(fù)制給自己。

我們有這樣一些俗語(yǔ)，比如“有些知識(shí)只能通過(guò)經(jīng)驗(yàn)學(xué)習(xí)”等。機(jī)器智能不局限于這種自我改進(jìn)形式，它們可以復(fù)制 100 萬(wàn)個(gè)自己，操控它們、測(cè)試結(jié)果，然后摒棄不良的更改。

這是對(duì)智能實(shí)施的非常直接而快速的操控，而且它不會(huì)讓本體承擔(dān)任何成本或后果。如果人類(lèi)一直局限于我們的生物智能，就不可能實(shí)現(xiàn)如此直接而快速的自我改進(jìn)。

上述幾點(diǎn)只是機(jī)器智能與人類(lèi)智能之間主要差異的一部分。

根據(jù)這幾點(diǎn)能更容易地了解會(huì)思考的機(jī)器與人類(lèi)智能有多大的不同。雖然我們距離完全有感知的機(jī)器還有很長(zhǎng)的一段路要走，但近期在人工智能領(lǐng)域所取得的突破為我們指明了方向。

這主要?dú)w功于經(jīng)過(guò)改進(jìn)的新的機(jī)器學(xué)習(xí)技術(shù)——深度學(xué)習(xí)。這一系列精明的技術(shù)受到大腦結(jié)構(gòu)的啟發(fā)，目前它們被用于支持谷歌的搜索引擎、Facebook（臉譜網(wǎng)）的自動(dòng)照片貼標(biāo)、蘋(píng)果的 Siri、特斯拉的無(wú)人駕駛汽車(chē)等各種新事物。

【鈦媒體作者介紹：本文節(jié)選自阿米爾·侯賽因的《終極智能》，他是屢獲殊榮的發(fā)明家、演講者和企業(yè)家，IBM的"沃森"認(rèn)知計(jì)算平臺(tái)顧問(wèn)。】