阿尔法狗根本不是人工智能

本文原作者 Jean-Christophe Baillie，法国人，在巴黎综合理工学院完成计算机科学和理论物理的学习后，在巴黎第六大学（又称皮埃尔与玛丽-居里大学）获得人工智能和机器人学的博士学位，ENSTA ParisTech 机器人研究所的创始人，开发了 urbiscript 机器人编程语言。

什么是人工智能？什么不是人工智能？某种意义上，这是一个如何定义的问题。 近日，谷歌旗下的DeepMind 公司开发的阿尔法狗打败了世界围棋冠军李世乭（Lee Sedol），这已经成了一个不争的事实。而且，近年来，一些类似的深度研究技术，也解决了很多相当复杂的计算问题。但是，这就意味着我们即将进入全人工智能化时代，或者说机器时代了么？不完全是。

在开发一个人工智能产品时的关键问题之一是，它需要有自己理解世界的能力，不断地自我发展，理解它将会遇到的，所有听到的、看到的，以及会说的、会做的任何事情。如果做不到这一点，那么它仅仅是一个完全由程序员设计的人工智能程序而已。也就是说，这个人工智能产品根本不知道它是谁，它从哪来，它要干嘛，并且，它所擅长的领域也比较狭窄。

人工智能至今无法解决的最根本的问题也许就是理解能力的问题。较早提出这一问题的是认知科学家斯蒂凡·哈纳德，在他1990年的论文“符号接地问题”中首次提出。你可能不会相信我们的确在操纵符号，虽然这听起来真的很可疑，但是，你要相信，任何表达方式都存在于外部真实世界的系统之中这个问题。

说得更具体些，涵义理解问题会涉及以下四个小问题：

1.如何组织人或人工智能产品接受的外部信息？

2.如何将接受的信息和世界联系起来？或者换句话来说，就是如何为产品构建“理解能力”？

3.如何使各个产品的“理解能力”保持一致？（否则，各个产品就无法进行沟通。产品间无法互相理解，无法达到智能。）

4.为什么机器人做不少事情却还像什么都没做过一样？如何将这些都设计进它的动作程序？

第一个问题，涉及到构建信息。这一问题可以通过深度学习和类似的无人工检测算法得到很好的解决，比如阿尔法狗。我们已经在这个领域取得了极大的进步。在某种程度上，这得益于近年来在计算机领域的发展以及对善于做并行信息处理绘图处理器的应用。这些算法把极其冗长的通过高维空间表达的信号删减成低维度的信号，并且在删减过程中最大限度地保持了信息的完整性。换句话说，这些算法从信息处理的角度捕捉最重要的信号。

“没有机器人技术就没有人工智能······这个理念常被称为‘载体问题’。并且，人工智能领域的大多数研究人员都赞同智能和载体是紧密相连、不可分割的整体。每个不同的身体都有着其与众不同的才能。这一点，在动物的世界里体现得很清楚。”

第二个问题，是将知识和现实世界联系起来，或者，创造“理解能力”的问题，这个问题与机器人技术紧密相关。因为机器人需要一个身体与外界互动，并且，为了与外界互动也需要这样与外界的联系。这也就是为什么我说人工智能离不开机器人技术了（虽然也有一些非常棒的机器人可以脱离人工智能，但是这就是另外一个话题了）。

这个过程是从简单的事情开始的。比如，理解自己的身体部位，控制自己在身边的范围内达到预期的效果，学会建立自己对空间、距离、颜色等的理解。约翰·凯文·奥雷根等研究人员已经在这方面做了广泛的研究，并且建立了他的“感觉运动理论”。然而，这仅仅是第一步。在这些基础的感觉运动框架外，我们需要不断建造更多的抽象概念。虽然我们做得还不够好，但这确实是目前对该的问题研究所能达到的程度。

第三个问题从根本上说就是文化的起源问题。一些动物表现出来的文化形式比较简单，甚至是跨代习得的能力。但是，这种能力是有局限性的，而只有人类才有不断学习大量知识的能力，我们称之为文化。文化是理解能力必不可少的催化剂。一项人工智能产品，如果没有与文化互动的能力，就只能被称作是一件学术研究的产物。

但是，文化无法被编码进机器，它必须有一个学习的过程。皮亚杰和迈克尔·托马塞洛通过研究儿童习得文化的能力，他们发现，发展心理学是理解前面所说的学习过程的最佳方式。同时，发展心理学也为机器人学带来了新的学科，即“发展机器人学”。它是把孩子做为模型。（如上图：ICub机器人）

“文化是理解能力必不可少的催化剂。一项人工智能产品，如果没与文化互动的能力，就只能被称作是一件学术研究的产物。但是，文化无法被编码进机器；它必须有一个学习的过程。”

理解能力与语言学习也有着密切的联系。语言学习是我作为一个研究人员，最关心的问题之一。通过卢克·思蒂尔斯和其他人的研究，我们认识到语言习得是一个渐进的过程：被假设者通过和外部的互动建立新的理解能力，并运用它们与其他被假设者交流，然后筛选出能够帮助他们互相沟通的最成功的体系（即，大部分达成共同的意图）。经过无数次的磨合和错误以后，就像生物进化一样，语言系统发展出词汇的最佳意思及其句法、语法的翻译。

这个过程已经经过实验测试。测试结果表示，其过程和自然语言的发展与增长过程有着惊人的相似。有趣的是，这需要习得一个概念后，迅速学习。但像深度学习这样复杂的统计模型就很难解释清楚了。一些实验室正在用这种方式进一步研究如何习得语法、手势和更复杂的文化习俗，尤其是我在法国机器人公司“亚鲁迪巴（Aldebaran）”创立的人工智能实验室。该公司现在是软银集团的一部分，而且已经创新了机器人瑙、罗密欧和佩珀。（见下图）

最后，第四个问题“内在动力”。为什么机器人做了许多事情却像什么都没做过一样。生存的压力不足以解释人类的行为。即使在有充足食物和完全安全的情况下，人类也不会只是安逸地坐着，直至饥饿来袭。人类还会做更多：他们探索，他们尝试。这一切似乎都受内在好奇心的驱使。研究员皮埃尔·伊芙·欧德称，将好奇心表示成简单的数学公式，将使它成为衡量机器人充分发挥其学习速度的标杆。这足以解释极为复杂而令人震惊的行为。

似乎人工智能系统内部也需要有类似的东西来趋势它完成前三项步骤：构建外部信息，经过身体的思考而产生意义，最后，选择最有效的沟通方式来创造一个能够共同合作的文化氛围。这在我看来，才是真正的人工通用智能系统。

另外，深度学习的快速进步和近来这种智能系统在游戏上的成功（如围棋）都是非常好的消息，因为他们能衍生出在医药研究、工业、环境保护等其他领域大量有用的应用。但我认为深度学习并不是我们能真正实现人工智能的良方。某种意义上，真正的人工智能需要机器人学会在世界上生存，和人类自然地进行交流，深刻地理解我们复杂的情绪和文化偏见，最终帮助我们创造更好的世界！