search
智能的本質與「去魅」化 ——如何定義人工智慧

智能的本質與「去魅」化 ——如何定義人工智慧

浮婷

於人工智慧的定義,繞不開的首要問題就是其與人類智能的關係。英國數學家,計算機科學的先驅阿蘭·圖靈(Alan Turing)在1950年「計算機器與智能」一文中提出的「圖靈測試」,即通過機器對人類語言的「模仿遊戲」來測試機器是否具有智能。美國哲學家約翰·希爾勒(John Searle)在1980年提出的「中文屋」問題,則從圖靈測試的反面進一步思考「智能」的本質:如果能夠通過英文對照的中文字形手冊,手寫回答所提出的中文問題的答案,即使測試者不懂中文,在觀察者看來也和完全掌握了中文一樣。這個哲學上的假設原本的意圖是揭示「智能」與「意識」的關係:所表現出的智能行為是否需要主觀意識活動的參與?「無意識」是否是智能?由於其涉及如何判斷何為「智能」這一根本問題,因而也成為了人工智慧領域的著名問題。無論是圖靈測試還是中文屋問題,其默認的隱含條件是:智能即人類的智能,人工智慧是對人類智能的模仿;評價人工智慧的標準是它能否能夠模仿人類,而模仿不僅包括對行為的模仿,還應包含行為背後的「動機」的一致性。

人性=智能?

在斯皮爾伯格2001年拍攝的電影《人工智慧》中,機器小男孩David被賦予了人類愛與被愛的情感,替代一對夫妻失去的孩子。然而一旦真正的孩子回到父母身邊,David立刻遭到拋棄被送往機器人屠宰場。模擬人類的情感,在機器世界是一種不可理喻的多餘,構成了一種道德的兩難困境,越是像人,困境越深。人工智慧一旦具有了人類的思維方式和情感訴求,「機器權利」的話題就會隨之而至,熱播的美劇《西部世界》就深入刻畫了這一主題:人性的墮落反襯倒是使機器更具人性,更像人,那應不應該受到像人類一樣平等的對待呢?至少,好萊塢的編劇已經使觀眾情感的天平偏向更「像人」的機器。人工智慧是要複製出具有「人性」的人類自我鏡像?亦或應該是創造具備人類優點又超越了人類存在的新的物種?據此去理解,人工智慧的最終意義將是:人類像創世紀的神靈一樣,依照自己的形象造出了一批子民,這些子民最終擁有自我意志並「殺死」自己的創造者。這就像皮埃羅·斯加魯菲(Piero Scaruffi)在《智能的本質》的一書中指出的那樣:機器終將取代人類的論調,即所謂的奇點論,其本質已經脫離了科學的語境,成為了后宗教時代的新宗教。[1]「信**,得永生」是戲謔邪教的標準句式,而這個句式,套用在奇點論中竟然毫無違和感。

聯合國教科文組織(TheUnited Nations Education, Scientific and Cultural Organization)與世界科學知識與技術倫理委員會(World Commission on the Ethics of Scientific Knowledge and Technology)在2016聯合發布了探討機器倫理(Robotics Ethic)的報告(草案)。[2]報告重點關注的是如何處理人與自動化機器之間的關係,以及如何建立平衡機器製造者、銷售者和最終使用者的責任分擔機制的問題。相比「人性」的機器帶給人類的困擾,更為迫近的困擾來自於「人性」本身:如何才能保證由人編寫的演算法代碼中不含惡意?如何才能避免來自於每個人的數據資源成為製造壟斷利潤的工具?如何才能讓人真正為自己的命運承擔責任而不是推卸給「無法理解」的機器?顯然,連人類自己都無法掌控的複雜和多變的「人性」,附加給機器不僅很難實現且毫無必要。機器的準確和高效正是用來彌補受生理、情緒等影響而不可控的「人性」,而具有「人性」的機器,顯然並不能從「智能」的角度為人類帶來更多的幫助。

模擬=智能?

人工智慧(Artificial Intelligence)一詞中的Artificial,其含義是「人工的,人造的,非自然的,虛假的」等,實際上並未包含「模仿」或是「模擬」的含義,中文翻譯所對應的「人工」也同樣如此,然而標誌著人工智慧重大進展的事件卻總來自於對人的行為的模擬。斯圖爾特·羅素(Stuart Russell)與彼得·諾維格(Peter Norvig)在2009年所著的影響廣泛的人工智慧教材中[3],從內在和外在表徵提出了人工智慧的四種不同定義:像人類一樣思考的系統;像人類一樣行動的系統;理性思考的系統;理性行動的系統。其中將「理性」作為鑒定人工智慧的標準之一。遺憾的是,何為「理性」與何為「智能」一樣,同樣邊界模糊——脫離了「人類」去定義「理性」甚至比脫離了「人類」去定義「智能」更加匪夷所思:我們能夠理解動物具有某種智能,比如大猩猩會使用工具,實驗的小鼠能夠通過獎勵與懲罰「學習」某種能力,以及昆蟲、鳥群、魚群等呈現出的「群集智能」,但卻無法想象這些動物可以具備「理性」——邏輯推理是否就等同於「理性」?從1997年IBM「深藍」首次擊敗國際象棋世界冠軍帕斯特羅夫開始,到從去年熱炒至今的AlphaGo橫掃圍棋棋壇,「人機大戰」總是能賺足眼球:媒體的渲染下猶如兩個物種之間的決鬥。然而棋盤兩邊執子的都是人,並且AlphaGo運行著人為它編寫的演算法。所謂的「人機大戰」,其實恰好表明了人工智慧領域重要的「莫拉維克悖論」 (Moravec's paradox):「要讓電腦如成人般地下棋是相對容易的,但是要讓電腦有如一歲小孩般的感知和行動能力卻是相當困難甚至是不可能的。」人類智慧所獨有的邏輯推理等能力,只需要很少的計算能力;而無意識的本能、技能和直覺卻需要極大的計算能力[4],正如AlphaGo可以通過Google的TPU每秒進行數百萬億次運算來推斷每步棋的輸贏概率,卻依然無法完成自己走棋這樣幾乎不需要智力的簡單行為。人類的知識體系發展建立只有幾千年的時間,而人類自身卻是數十萬年自然進化的結果,人類對於自身和自然的奧秘依然知之甚少,因而目前的人工智也僅能模擬那些已程式化和結構化的思維過程,比如邏輯推理。

然而人工智慧在模擬人類解決問題的時候,卻總有那麼一些似是而非:比如將圍棋的直覺和判斷轉化為輸贏的概率計算;比如將對翻譯中對語義和語法規則的理解轉化為大規模的辭彙和短語的匹配。這些計算和匹配,是否就等同於「模擬」了人類的思考和智能呢?丹麥計算機學家艾茲格.迪科斯徹對此有一個著名的評論:「機器是否能思考,與潛水艇是否能游泳的問題很像」——人工智慧對人類思維和行為的模擬,並不是完全形神兼備的複製,即使是人類自身的機制也還有太多未解之謎,人工智慧需要通過全新的形式來定義和表達智能的過程:在這個過程中,模擬僅僅是最初的第一步。

計算=智能?

2006年,會議五十年後,當事人重聚達特茅斯。左起:摩爾,麥卡錫,明斯基,賽弗里奇,所羅門諾夫

1956年在美國新罕布希爾州達特茅斯學院召開的夏季會議上,約翰·麥卡錫(John McCarthy)首次提出「人工智慧」(Artificial Intelligence)的概念,被稱之為「人工智慧之父」。他將人工智慧定義為:「製造智能機器,特別是智能電腦程序的學科和工程;它與通過電腦研究人類智能的過程相關,但卻並不局限於生物學成果的應用。」[5]而「智能是在環境中通過計算實現目標的能力,不同類型和級別的智能存在於人類、許多動物和機器上。」[6]他同時也認為,目前並沒有脫離了人類的智能去理解智能的絕對定義,原因是「我們目前並不清楚什麼樣的計算過程可以從整體上被稱之為智能,我們目前僅了解部分的計算機制而不是全部……一些程序只能說是實現了「某種程度」的智能。[7]

由此看來,「人工智慧」概念的提出者也不得不承認,「人工智慧」是一個很難準確定義的概念,而這一點其實在1956年的達特茅斯會議上已由阿倫·紐維爾(Allen Newell)與赫伯特·西蒙(Herbert Simon)指出。然而從圖靈設計出通用的計算機器,到AlphaGo以絕對優勢戰勝世界排名第一棋手的柯潔,在這80餘年中,人工智慧從計算機科學的分支,到現在幾乎滲透至各個行業底層的「計算能力」,其依據圖靈機進行通用計算的本質並沒有改變,據此,智能=計算,人工智慧=機器計算的等式儼然已經成立。

進入二十一世紀,在大數據爆炸式增長和硬體遵循摩爾定律發展的基礎上,人工智慧的研究核心集中在機器學習領域。掌握學習的能力就等於掌握了智能不斷增長發展的能力。機器學習演算法按照佩德羅·多明戈斯(Pedro Domingos)在《終極演算法》(The Master Algorithm)[8]中的歸納,分為5個不同派別,分別是:符號學派,將學習看作符號表達和邏輯推演,主演算法是逆向演繹;聯結學派,認為學習需要模擬大腦神經元的機制,主演算法是反向傳播;進化學派通過模擬遺傳學和生物進化來設計演算法,即遺傳演算法;貝葉斯學派,專註於運用貝葉斯概率推理,樸素貝葉斯演算法和貝葉斯網路為其主要演算法;類推學派,通過對事物相似性的外推來進行學習,主演算法是支持向量機。這五個學派的源頭來自於對人工智慧的兩大不同設想,一是通過邏輯表達概括人類思維的過程。以麥卡錫為代表的早期人工智慧專家通過符號的邏輯推理來設計人工智慧,並開發「專家系統」和「知識庫」等人工智慧早期應用,即屬於此種設想的延伸。二是以生物學的視角模擬人類思維的產生。1943年:沃倫·麥卡洛克(Warren S. McCulloch)和沃爾特·皮茨(Walter Pitts)發表論文《神經活動中內在思想的邏輯演算》[9],建立了神經元模型;此後,羅森布拉特(Frank Rosenblatt)在1958年構建了首個由兩層神經元構成的神經網路,即「感知機」(Perceptron)。在新千年由互聯網大數據驅動的人工智慧熱潮興起時,由邏輯推理構建的「專家系統」和「知識庫」已經被淘汰和遺忘,倒是之前受計算能力限制而未被重視的神經網路,開始煥發勃勃生機:語音識別、機器視覺,以及大名鼎鼎的AlphaGo,都由神經網路的「深度學習」所支撐。

然而不論是借道於人性、模擬還是計算,最終很大可能將是殊途同歸。多明戈斯在《終極演算法》試圖結合機器學習5類學派的優勢,設計出一種能夠通用解決各類問題的Master演算法。按照他的分析,5類學派的方法最終都能簡化為邏輯的方法或概率的方法,而他所認為的將二者統一起來的「馬可夫邏輯網路」,將有可能是最後的Master。實際上,目前的人工智慧運用領域已是多種演算法相互融合的結果,如AlphaGo就運用了深度神經網路來進行自我對弈,再通過蒙特卡洛搜索優化貝葉斯網路計算獲勝概率。也許能夠適應一切應用環境的「終極演算法」(Master Algorithm)或是「元方法」(Meta-solution),將會是朝著人類既渴望又懼怕的具有「人性」的「通用人工智慧」邁出的關鍵一步。但是正像前文所指出的,由於在「人工智慧」的定義中,對什麼是「智能」在本質上缺少整體的界定,目前所有「人工智慧」相關領域仍未超越通過圖靈機的數學方法解決單一問題的範疇。麥卡錫曾經感概:一旦用人工智慧解決了某一領域的問題,那麼這些問題就不再被視作是人工智慧的問題。認識「智能」本質的過程很像一個「去魅」的過程,正如看來稀鬆平常的機械自動化,在歷史上曾經被視為是「魔法」一樣,一旦運用計算機的數學運算實現了某些「智能」的行為,這些行為看上去就顯得不太「智能」了。

機器+計算的人工智慧,僅僅是人們對智能的本質進行探索的一條路徑,無論是「智能雲」還是作為基礎設施的計算平台,依然是自動化工具的延伸。既然我們依然無法從整體上定義智能,那麼關於人工智慧的探索,除了機器計算之外,至少也應該在充分融合了生物學、心理學、哲學、社會學等等學科的前沿之後,再去尋求更加恰當與合理的定位。「哲學」曾作為探究世界規律的入口,孕育了現代自然科學體系;而「人工智慧」可能將是人類理解自身和生命終極奧秘的入口——這個入口,理應更加寬廣。

[1]《智能的本質》(Intelligence Is Not Artificial):[美] 皮埃羅·斯加魯菲(PieroScaruffi著,任莉、張建宇 譯,人民郵電出版社,2017年2月第一版

[2]http://unesdoc.unesco.org/images/0024/002455/245532E.pdf

[3]Stuart Russell and Peter Norvig, Artificial Intelligence: A Modern Approach(3rd Edition) (Essex, England: Pearson, 2009)

[4]http://baike.baidu.com/item/莫拉維克悖論

[5]It is the scienceand engineering of making intelligent machines, especiallyintelligent computerprograms. It is related to the similar task of usingcomputers to understandhuman intelligence, but AI does not have to confineitself to methods that arebiologically observable. http://www-formal.stanford.edu/jmc/whatisai/node1.html

[6]Intelligence is the computational part of the ability to achieve goalsin theworld. Varying kinds and degrees of intelligence occur in people, manyanimalsand some machines.

[7]The problem isthat we cannot yet characterize in general what kinds ofcomputationalprocedures we want to call intelligent. We understand some of themechanisms ofintelligence and not others… Such programs should be considered``somewhatintelligent''.

[8]《終極演算法》(The Master Algorithm):[美] 佩德羅·多明戈斯(PedroDomingos)著,黃芳萍譯,中信出版社,2017年1月第一版

[9]A Logical Calculus of theIdeas Immanent in Nervous Activity:Bulletin of Mathematical Biophysics,5:115-133, 1943

熱門推薦

本文由 一點資訊 提供 原文連結

一點資訊
寫了5860317篇文章,獲得23252次喜歡
留言回覆
回覆
精彩推薦