AI,我们创造出来异类智能.docVIP

AI,我们创造出来异类智能 　　我们已经创造了一种全新的智能形式，尽管没有人能够看透它如何思考、如何推理。 　　瑞克?拉希德（Rick Rashid）这么紧张是有原因的。他在中国的天津迈上讲台，面对2000名研究者和学生，要发表演讲。问题在于，他不会讲中文，而他的翻译以前糟糕的水平，似乎注定了这次的尴尬。 　　“我们希望，几年之内，我们能够打破人们之间的语言障碍”。这位微软研究院的高级副总裁对听众们说。令人紧张的两秒钟停顿之后，翻译的声音从扩音器里传了出来。拉希德继续说：“我个人相信，这会让世界变得更加美好。”停顿，然后又是中文翻译。 　　他笑了。听众对他的每一句话都报以掌声。有些人甚至流下了眼泪。 　　这种看上去似乎过于热情的反应是可以理解的：拉希德的翻译太不容易了。每句话都被理解，并被翻译得天衣无缝。令人印象最深的一点在于这位翻译并非人类。 　　曾几何时，执行这样的任务远超最复杂的人工智能的能力，而且并不是因为人们没有为此付出努力。多年以来，人工智能领域被那些旨在复制人类意识功能的宏大计划统治着。我们梦想着拥有一台机器，能够理解我们、识别我们，帮助我们做出决定。近几年来，我们已经实现了这些目标，然而实现的方式，是先行者不曾想象的。 　　如此说来，我们已经研究出了复制人类思想的方法了吗？还差得远呢。相反，实现这些目标的方法，与我们最初的愿望大相径庭。人工智能在你周围无处不在，它的成功可以归因于大数据和统计学，也就是利用海量信息执行复杂计算。我们已经创造出了意识，只不过它们与我们的意识相去甚远。它们的推理过程，对人类来说深不可测――这一进展所预示的前景，正在引起人们的关注。既然我们正在愈加依赖这种新型智能，我们或许需要改变自己的思维方式去适应它。 　　复制思维 　　半个多世纪以前，研究者列出了一系列目标，是我们向具备人类智能的机器挺进时必须要达成的。英国布里斯托尔大学的尼洛?克里斯蒂亚尼尼（Nello Cristianini）说：“从20世纪50年代开始，我们就有了一张待办事宜的清单。”他曾写过人工智能研究历史和演化方面的著作。 　　清单上的很多项目可以追溯到1958年在英国特丁顿召开的思想过程机械化会议。参与那次会议的，不仅有计算机科学家，还有物理学家、生理学家和心理学家。按照我们的样子建造思考机器的前景，令这些人全都激动万分。他们一致认为，智能的特征应该包括对理解话语、翻译语言、识别图像以及模仿人类决策的能力。 　　然而时间在流逝，那张清单却丝毫没有变短。很多研究者试图以逻辑公理为根基，使用程序化的规则来模拟人类思考。他们以为，只要创建足够多的规则就能成功。但事实证明，这太难了。几十年过去了，人工智能研究成果寥寥，资金告罄。 　　那么，究竟是什么发生了改变呢？“我们并没有找到智能的解决方案，”克里斯蒂亚尼尼说，“我们算是放弃了。”然而，这便是突破。“一旦我们放弃制造精神和心理特性的尝试，成功之道便开始出现在眼前了。” 　　说白了，他们放弃了预编程的规则，而是投向了机器学习的怀抱。利用这种技术，计算机教会自己从数据中建立模式。有了足够大的信息量，你就能让机器学会做看上去有智能的事情，别管是理解话语、翻译语言，还是识别人脸。英国剑桥微软研究院的克里斯?毕肖普（Chris Bishop）打了个比方：“你堆积足够多的砖块，然后退上几步，就能看到一座房子。” 　　这种方法的原理大概是这样的。很多最成功的机器学习系统，依据的都是贝叶斯统计，这种数学框架能让我们测算可能性。根据给定情境以及先前在类似情境中观察到的关联数据，贝叶斯统计能够给出出现某个结果的可能性数值。 　　比如，我们想让人工智能回答一个简单问题：猫吃什么。基于规则的方法要从零开始，采取有逻辑的步骤，建立一个关于猫及其饮食习惯的数据库。采用机器学习技术，你只需要不加选择地输入数据――互联网搜索、社交网络、食谱书籍等。通过计算特定词汇出现的频率以及概念之间如何彼此关联，系统便建立了一个统计模型，能够估计猫喜欢某些食物的可能性。 　　当然，机器学习所依赖的算法已经出现多年。新鲜之处在于，现在我们有了足够的数据，让这种技术大显神威。 　　就以翻译语言为例。20世纪末， 　　IBM将加拿大国会生成的英法双语文档输入计算机，利用机器学习技术教它在这两种语言之间互译。那些文档就像罗塞塔石碑一样，包含了几百万被写成两种语言版本的例句。 　　IBM的系统辨别出两种语言单词和短语之间的关联，并将这种关联应用于新的翻译任务。结果却满是错误。他们需要更多的数据。“这时谷歌跟了上来，差不多输入了整个互联网。”英国牛津大学互联网学院的维克托?迈尔-舍恩伯格（Viktor Mayer-Sch?nberger）说道。 　　和IBM一样，谷歌在翻译领域所做的努力，