人工智能的應用越來(lái)越廣，隨著(zhù)可用場(chǎng)景的不斷增多，人們對它的期望也越來(lái)越大。目前只能解決某些特定領(lǐng)域問(wèn)題的“弱人工智能”已經(jīng)開(kāi)始無(wú)法滿(mǎn)足人們的需要，“強人工智能”似乎已經(jīng)成為眾多研究者開(kāi)始鉆研的下一個(gè)方向。

和強人工智能相比，弱人工智能被認為是不可能真正具備推理和解決問(wèn)題能力的智能機器，雖然能夠解決特定某些問(wèn)題，但是他們無(wú)法說(shuō)是真正擁有智力和自主意識。但是另一方面，關(guān)于“強人工智能“的觀(guān)點(diǎn)，卻也并非所有人都認同。

如果要追溯“強人工智能“這一概念的產(chǎn)生，它最早是由 John Rogers Searle 針對計算機和其他信息處理機器創(chuàng )造的，他將其定義為：“強人工智能觀(guān)點(diǎn)認為計算機不僅是用來(lái)研究人的思維的一種工具；相反，只要運行適當的程序，計算機本身就是有思維的?！标P(guān)于強人工智能是否就意味著(zhù)機器具備思維的問(wèn)題，目前依然還存在著(zhù)很多爭論，而參與這場(chǎng)討論的人中就包括許多 AI 研究學(xué)者、哲學(xué)家等。

丹尼爾·丹尼特在其著(zhù)作《意識的解釋》（Consciousness Explained）里認為，人也不過(guò) 是一臺有靈魂的機器而已 ?，“人可以有智能，而普通機器為什么就不能”呢？他認為即便是基于數據轉換來(lái)思考的機器，同樣有潛力能夠具有思維和意識。

因此在這里我們暫時(shí)認為這種不具有“靈魂”的思考機器是可以做到“無(wú)限接近”人類(lèi)智力水平的。問(wèn)題是，要如何才能達到這種“無(wú)限接近”的水平？

人類(lèi)智力是綜合作用的產(chǎn)物，包括觀(guān)察力、注意力、記憶力、思維力、想象力等等，而每一種構成因素又會(huì )受其他更多因素的影響。因此我們可以看到目前很多使用仿生的方法來(lái)研究人工智能的技術(shù)都在參照各種和“人”有關(guān)的學(xué)科理論對這項技術(shù)進(jìn)行研究和發(fā)展，所以說(shuō)，人工智能也就因此變成了一門(mén)更像是跨學(xué)科的研究。

人工智能的智力源頭之謎

人工智能的智力來(lái)源于數據的收集。在人工智能學(xué)習和訓練的過(guò)程中，深度學(xué)習和神經(jīng)網(wǎng)絡(luò )通過(guò)對所收集的大量數據進(jìn)行分析歸類(lèi)，從而完成對人工智能系統的塑造。

• 目前，神經(jīng)網(wǎng)絡(luò )的結構通常由如下部分組成：
• 神經(jīng)的輸入層（獲得目標的描述）
• 隱藏層（主要部分，在這些層中學(xué)習）
• 輸出層（對于每個(gè)種類(lèi)都一個(gè)神經(jīng)節點(diǎn)，分數最高的一個(gè)節點(diǎn)就是預測的種類(lèi)）

在學(xué)習過(guò)程結束之后，新的物體就能夠送入這個(gè)網(wǎng)絡(luò )，并且能夠在輸出層看到每個(gè)種類(lèi)的分數。

之所以說(shuō)目前大多數人工智能多屬于“弱人工智能”的范疇，就是因為這些人工智能一般只會(huì )針對目標的用途進(jìn)行某一特定數據的深度垂直學(xué)習，又或者是像 Siri 這樣的語(yǔ)音助手一樣，能做的事情非常有限，更像是一個(gè)“幫助傳遞信息，提供搜索服務(wù)”的助手。

我們似乎從來(lái)沒(méi)有想過(guò)人類(lèi)的智力僅僅依靠“數據”就能夠獲得，但是就目前的相關(guān)研究來(lái)看，已經(jīng)查明能夠對智力產(chǎn)生影響的因素包括飲食、遺傳與環(huán)境、早期經(jīng)驗、學(xué)校教育、社會(huì )實(shí)踐和主觀(guān)努力等等。這些因素中的大部分都能在機器和人工智能中找到類(lèi)似的對比。食物作為生命和大腦的物質(zhì)基礎，決定了生命和大腦的健康——這可以和機器的構造類(lèi)比；遺傳和環(huán)境、早期經(jīng)驗、學(xué)校教育、社會(huì )實(shí)踐就是人類(lèi)用來(lái)學(xué)習的“數據”，只不過(guò)這些“數據”的影響更加潛移默化，目標性不如機器學(xué)習中的明確；至于主觀(guān)努力就是一直以來(lái)很多人用來(lái)區分機器與人類(lèi)差異的重要依據所在了。這種對于主體目標的一種似乎與生俱來(lái)的熱枕，似乎是機器還難以達到的部分。這部分和人類(lèi)所稱(chēng)的“靈魂”其實(shí)可以歸屬到同一類(lèi)別，都是一種難以模仿的、非常主觀(guān)性的心理活動(dòng)。

但是除去最后一點(diǎn)，目前的機器似乎已經(jīng)可以模仿人類(lèi)絕大多數的心理活動(dòng)和環(huán)境影響。因此用仿生的研究方法來(lái)開(kāi)發(fā)更加智能的機器似乎是最有效率的途徑，畢竟人類(lèi)的智力也是經(jīng)過(guò)數千萬(wàn)年的進(jìn)化發(fā)展到今天的水平的。對于關(guān)于人類(lèi)的一些描述性的研究成果，似乎也可以逆向應用在人工智能的研究和開(kāi)發(fā)之中。

從人類(lèi)發(fā)展 AI 的歷史來(lái)看，我們不難發(fā)現，仿生的方法似乎也是唯一一種能夠讓我們將研究進(jìn)行得最為深入和持久的方法。在人類(lèi)最開(kāi)始研究 AI 時(shí)，首先是從直接做出一臺會(huì )思維的機器開(kāi)始的，但是很快這種方法就遇到了瓶頸，于是人類(lèi)開(kāi)始嘗試仿生的方法，從其他在地球上已經(jīng)生活了數百萬(wàn)年的生物那里獲取靈感，人工神經(jīng)網(wǎng)絡(luò )便由此誕生。

為了讓人類(lèi)能夠打造出更好的 AI 機器，近日麻省理工大學(xué)甚至提議我們需要“比以前更了解生物大腦及智力產(chǎn)生的過(guò)程?，F在這一階段，我們已經(jīng)可以開(kāi)始理解將神經(jīng)科學(xué)、認知科學(xué)和計算機科學(xué)應用到智能機器設計的理念?！?/p>

人工神經(jīng)網(wǎng)絡(luò )的第一個(gè)里程碑就是“感知”（Perceptron），一個(gè)感知機器實(shí)際上就是對神經(jīng)元基本概念的模擬，這是一種能夠進(jìn)行自動(dòng)決策的機器。比單層感知機更復雜的多層感知機就是我們我們常說(shuō)的深度網(wǎng)絡(luò )，它是進(jìn)行數據處理和模式識別的關(guān)鍵。深度神經(jīng)網(wǎng)絡(luò )能夠對這些數據進(jìn)行處理的原因在于數據本身具有的復雜的機構很適合被 NN（Neural Network，神經(jīng)網(wǎng)絡(luò )）識別，因此機器能夠進(jìn)行自主的學(xué)習，而不需要人類(lèi)預先設計識別這些結構的函數。在深度卷積網(wǎng)絡(luò )（DCNN）中，信號在多級網(wǎng)絡(luò )里一級級傳遞，從而使得微觀(guān)到宏觀(guān)的特征都得到分辨和識別，各層神經(jīng)元之間沒(méi)有相互聯(lián)系，所以它們能夠同時(shí)看到一個(gè)圖像從細節到抽象的結構，所以甚至能夠抓住一些人類(lèi)都難以注意的細節和模式。

 

哪些學(xué)科理論將有可能對人工智能研究帶來(lái)影響？

• 神經(jīng)科學(xué)

神經(jīng)科學(xué)和人工智能（AI）領(lǐng)域互相聯(lián)系結合，由此產(chǎn)生了計算神經(jīng)科學(xué)和統計機器學(xué)習領(lǐng)域。在計算機科學(xué)和 AI 中，統計機器學(xué)習是指系統從數據“學(xué)習”模式的算法，這在神經(jīng)科學(xué)中被稱(chēng)為是“理論神經(jīng)科學(xué)”（或“計算神經(jīng)科學(xué)”或“系統神經(jīng)科學(xué)”），它們采用了完全相同的模型和數學(xué)框架，只不過(guò)它們研究的方向換成了人類(lèi)大腦罷了。

從心理、認知和問(wèn)題解決的角度講，認知科學(xué)就像神經(jīng)科學(xué)和人工智能之間的另一座橋梁。數字計算機的原始設計的靈感就來(lái)自于反思和內省的心理運作，而這一領(lǐng)域在后來(lái)就慢慢發(fā)展成了認知科學(xué)。

• 物理學(xué)

物理學(xué)家把神經(jīng)網(wǎng)絡(luò )看成無(wú)數神經(jīng)細胞相互作用組成的一個(gè)整體，就如同理想氣體是無(wú)數分子的組合或金屬晶體是原子的組合類(lèi)似。雖然單個(gè)神經(jīng)細胞只有一個(gè)簡(jiǎn)單的作用，就是把接收到的信號轉化為一定的輸出，但是這樣一個(gè)簡(jiǎn)單的東西通過(guò)大量加和的網(wǎng)絡(luò )效應卻可以產(chǎn)生智能這種十分復雜的現象，這就是物理學(xué)中所說(shuō)的涌現性。所謂簡(jiǎn)單的東西堆在一起足夠多，突然之間產(chǎn)生了一個(gè)更加復雜和高級的現象。這種由于尺度跨越造成的飛躍性變化，物理學(xué)認為是自然界各種復雜的東西形成的秘密所在。

從物理學(xué)相變的角度看神經(jīng)網(wǎng)絡(luò )也可以幫助我們理解很多常常百思不得其解的問(wèn)題，例如，我們是如何睡覺(jué)的。從清醒到進(jìn)入睡眠，人腦會(huì )發(fā)生一個(gè)劇烈的變化，這個(gè)變化其實(shí)跟物理學(xué)里面水結冰的現象很像，是物體從自由的狀態(tài)轉化為極為有序狀態(tài)的一個(gè)過(guò)程。如果你觀(guān)察人類(lèi)從清醒到睡著(zhù)的腦電波變化，就會(huì )發(fā)現波形在某一個(gè)點(diǎn)上突然發(fā)生了改變。除了睡眠，冥想、愛(ài)上一個(gè)人等等，或許都可以看做是這種大量神經(jīng)單元在某種條件和刺激下從一個(gè)整體狀態(tài)住轉變?yōu)榱硪粋€(gè)整體狀態(tài)的相變過(guò)程。

除了上面說(shuō)過(guò)的涌現性和相變，物理學(xué)對人工智能的貢獻還有非線(xiàn)性動(dòng)力學(xué)，非線(xiàn)性動(dòng)力學(xué)的方程式甚至能夠精準地對神經(jīng)細胞放電這個(gè)極為復雜的理化過(guò)程進(jìn)行預測，這就是著(zhù)名的 Hodykin-Hulex 模型。對于神經(jīng)網(wǎng)絡(luò )的動(dòng)力學(xué)解釋主要基于物理的混沌理論，因為神經(jīng)網(wǎng)絡(luò )作為一個(gè)高維系統，它的行為正好符合混沌的框架。當任何一個(gè)神經(jīng)元受到擾亂時(shí)，所產(chǎn)生的后果不可預料。我們都知道生物的神經(jīng)網(wǎng)絡(luò )可以極為精準而穩定地決定動(dòng)物的各種行為，因此看似混沌的網(wǎng)絡(luò )實(shí)際上是能夠被精準預測的。這里的思維就和物理學(xué)中的降維的思想不謀而合，高維度的網(wǎng)絡(luò )系統在執行某個(gè)任務(wù)的時(shí)候，可以被化解到更低的維度里用動(dòng)力學(xué)來(lái)解釋。

• 生物學(xué)

生物學(xué)中有關(guān)神經(jīng)網(wǎng)絡(luò )的研究或許是最復雜的，因為生物學(xué)研究者了解細節和功能的方式就是通過(guò)解剖、實(shí)驗以及各種成像技術(shù)來(lái)理解的。這種對于細節的嚴謹態(tài)度在神經(jīng)網(wǎng)絡(luò )中也有同樣的體現，關(guān)于神經(jīng)元之間相互連接的精密地圖為神經(jīng)網(wǎng)絡(luò )的構建提供了參考和借鑒。

生物學(xué)對于神經(jīng)網(wǎng)絡(luò )提供的更有趣的還在于對學(xué)習現象的解釋。神經(jīng)細胞之間額連接——神經(jīng)突觸是會(huì )隨著(zhù)時(shí)間的變化而不停改變的，這種微妙變化是神經(jīng)活動(dòng)導致的，如果一個(gè)細胞經(jīng)常向另一個(gè)細胞放電，那么它們之間的聯(lián)系就會(huì )加強，它們所代表的信息就會(huì )聯(lián)系起來(lái)，這就是學(xué)習的生理基礎。

生物學(xué)和人工智能之間更奇妙的聯(lián)系還在于，人工智能反過(guò)來(lái)啟迪了生物神經(jīng)網(wǎng)絡(luò )的發(fā)展，正如費曼所說(shuō)“你要想真正理解一個(gè)東西，就自己造出一個(gè)來(lái)”。

• 信息學(xué)

從信息學(xué)的角度看，神經(jīng)網(wǎng)絡(luò )就像是一個(gè)具備整合各種信息的工具。對于人類(lèi)來(lái)說(shuō)，之所以進(jìn)化出神經(jīng)網(wǎng)絡(luò )，就是因為我們面對的現實(shí)世界充滿(mǎn)了各種錯綜復雜的信息，因此我們需要把多種不同的信息整合在一起并對其做出相應的判斷就至關(guān)重要。

從信息學(xué)的視角來(lái)看，貝葉斯分析時(shí)其中應用最廣的角度。所謂貝葉斯分析，就是把新增加的證據和之前形成的信念不停進(jìn)行綜合來(lái)對當下的判斷做出選擇。要實(shí)現這種新舊知識的綜合，就需要在不斷收集新信息的同時(shí)還要對舊知識進(jìn)行儲存和調用，另外和需要根據前兩者的綜合對未來(lái)的趨勢做出判斷，改變當前大腦中的連接網(wǎng)絡(luò )狀態(tài)。上面的幾個(gè)步驟，就分別對應人類(lèi)的感知、記憶、行為和學(xué)習幾種行為。

不少分屬理工科類(lèi)的學(xué)科在 AI 發(fā)展的最早期都發(fā)揮了很大作用，但是隨著(zhù)人類(lèi)都 AI 的發(fā)展和了解不但深入，以及仿生方法的更深層次的應用，除了以上提到的幾種目前已經(jīng)對 AI 發(fā)展產(chǎn)生了明顯作用的學(xué)科分支外，其他的人類(lèi)學(xué)科，包括社會(huì )學(xué)、犯罪學(xué)、語(yǔ)言學(xué)甚至是作為終極學(xué)科的哲學(xué)都已經(jīng)開(kāi)始展現了它們對 AI 發(fā)展的重要理論和思維模式借鑒。

能力和智力不同的 AI，可以分成哪幾種？

• 第一類(lèi)：無(wú)記憶的簡(jiǎn)單響應式機器

大多數“入門(mén)基本型”的 AI 系統都屬于純粹的響應式機器，它們既不具備形成記憶的能力也不具備借鑒過(guò)去經(jīng)驗的能力，因此也無(wú)法從過(guò)去的經(jīng)驗中獲得當前決策的有效借鑒。IBM 的超級電腦“深藍”曾經(jīng)于 20 世紀 90 年代末期擊敗人類(lèi)國際象棋大師加里·卡斯帕羅夫（Garry Kasparov），它就是響應式機器的完美代表。

“深藍”可以識別棋盤(pán)上的棋子，并知道如何移動(dòng)棋子。它甚至還能預測自己和對手的下一步棋路，并在諸多可能性中選擇最優(yōu)方案。但是“深藍”沒(méi)有“過(guò)去”的概念，也沒(méi)有此前的記憶。除了偶爾利用國際象棋的具體規則，比如反對重復同樣的步驟 3 次外，“深藍”幾乎會(huì )忽略此前發(fā)生的一切。它的重點(diǎn)就是關(guān)注當前棋盤(pán)上的棋子，并為下一步移動(dòng)做出選擇。

• 第二類(lèi) AI：具有部分有限記憶的 AI 機器

這類(lèi) AI 可以短暫回顧過(guò)去的經(jīng)驗，比如無(wú)人駕駛汽車(chē)系統中的 AI。舉例來(lái)說(shuō)，它們會(huì )觀(guān)察其他汽車(chē)的速度和行進(jìn)方向。但是它們現在還無(wú)法立刻完成這個(gè)動(dòng)作，而是需要識別特定目標，并監督它們一段時(shí)間。

這些觀(guān)察會(huì )被添加到無(wú)人駕駛汽車(chē)預先編程的模擬世界中，包括車(chē)道標記、交通燈以及其他重要元素。但是這些有關(guān)過(guò)去的簡(jiǎn)單信息只是短暫的，不會(huì )被儲存在汽車(chē)已經(jīng)了解到的經(jīng)驗庫中，因此他們也無(wú)法充分建立起記住經(jīng)驗和積累駕駛經(jīng)歷的能力。

• 第三類(lèi) AI：心智理論機器

這很可能是目前已經(jīng)建造的 AI 機器與將來(lái)要建造的 AI 機器之間的差異最大的地方。未來(lái)的 AI 機器將更加先進(jìn)，它們不僅會(huì )自己建立模擬世界，還會(huì )模擬世界上其他對象和實(shí)體。在現實(shí)世界，這被稱(chēng)為“心智理論”，即理解世界上的人類(lèi)和其他生物都有思想和情緒，而這些思想和情緒可影響他們的行為。

這對人類(lèi)形成社會(huì )時(shí)至關(guān)重要，因為它們允許我們進(jìn)行社會(huì )交流。如果不相互了解動(dòng)機和意圖，不考慮其他人對自己或環(huán)境的了解，最好的情況下是協(xié)作非常困難，最壞的情況是根本不可能有協(xié)作。如果 AI 系統要想走在人類(lèi)中間，它們必須能夠理解我們每個(gè)人都有不同的想法和感受，并期望自己被如何對待。為此，它們必須對自己的行為進(jìn)行相應調整。

• 第四類(lèi) AI：具備自我意識的 AI 機器

AI 發(fā)展的最后階段就是建立能夠形成代表它們自己的模擬世界的系統。最終，AI 專(zhuān)家不僅需要自己理解意識，還要建造擁有自我意識的機器。從這種意義上說(shuō)，第四類(lèi) AI 是第三類(lèi) AI 所代表的“心智理論”機器的延伸，同時(shí)也是意識被稱(chēng)為“自我意識”的原因。

有意識的存在可以意識到他們自己，了解它們的內部狀態(tài)，能夠預測其他人的感受。我們假設有人在后面狂按喇叭代表憤怒和不耐煩，因為我們那樣做時(shí)也代表著(zhù)同樣感受。沒(méi)有心智理論，我們就無(wú)法做出這些推論。

現在距離創(chuàng )造具有自我意識的機器可能還很遙遠，因此目前的重心更應該放在理解記憶、學(xué)習以及基于過(guò)去經(jīng)驗作出決定的 AI 能力上。這些不僅是理解人類(lèi)智慧的重要過(guò)程，而且在我們設計和開(kāi)發(fā)次時(shí)代的 AI 機器中，這一點(diǎn)也尤為重要。

人工智能概念股：埃斯頓、科大智能、漢王科技、江南化工、華東數控、和而泰、中科曙光、永創(chuàng )智能、北京君正、通富微電、永創(chuàng )智能、勁拓股份。