 当我们看到AI击败最优秀的人类棋手时,难免会感到震惊。尽管这是一个里程碑式的成就,这并不意味着我们更接近于实现任何形式的通用智能。AI仍然只擅长完成特定的、狭窄的任务。 以AlphaZero为例。它通过深度学习被训练来玩确定性的、两人的、完全可观察的棋盘游戏,如国际象棋和围棋。尽管AlphaZero在这些游戏中很强,但如果让它学习玩任何其他类型的游戏,比如说扑克,它就完全没用了。 与国际象棋或围棋不同,扑克是一种不完全信息的游戏。它只是部分可观察的,这意味着你无法在游戏中看到整个“棋盘”。所以,一个扑克游戏AI需要设计算法来估计机器看不到的移动。AlphaZero做不到这一点。它的设计就是假设它正在玩的游戏只包含棋盘上的棋子。 所以,就当前而言,AI只能完成它专门被训练的那项任务。深度学习和神经网络的另一个主要问题在于我们用来训练它们的数据。  众所周知,即使我们不是有意为之，人类也可能存在偏见。例如,在警务方面,统计数据显示一些社区的巡逻比其他社区更频繁,这意味着我们最终会对某些社区的数据比其他社区的数据更多。如果一个AI是用这种有偏差的数据训练的,那么这个系统最终可能会对犯罪更有可能发生的地方做出带有偏见的预测。 深度学习技术的局限意味着我们可能无法用任何这些技术达到AI发展的下一个阶段:通用人工智能或AGI。这样的机器需要常识,或者具备处理它以前从未遇到过的情况的能力。 但这一挑战并没有阻止研究人员探索实现这一目标的方法。有几种方法可以试图赋予机器常识。一种方法本质上涉及尽可能多地将知识以逻辑规则的形式输入AI的“大脑”。然而,这种技术并不太实际,因为潜在的规则和情况是无限的!另一些研究人员希望通过机器简单地观察世界并学习事物运作的方式,以一种非结构化的方式获得常识。 可能还有另一种选择:科学家可以通过结合神经网络和传统逻辑规则的混合系统来创建AGI。  |
|
|
