[摘要]人工智能作為人類的偉大作品,也對我們的生活產(chǎn)生了重大影響,不管是智能制造還是未來就業(yè),人工智能都不可避免地參與到人類的未來命運中。
本文摘自《人工智能》,(美)盧克•多梅爾(Luke Dormehl) 著,中信出版社,2016年11月 圖源于網(wǎng)絡(luò)
2014年,在谷歌旗下一家名為“DeepMind”的人工智能公司的辦公室里,一臺計算機通過玩一款名為《打磚塊》(Breakout)的老雅達利(Atari)2600 電子游戲消磨時間。該款游戲是兩個年輕人在20世紀(jì)70年代初設(shè)計的,他們就是蘋果公司的創(chuàng)始人史蒂夫·喬布斯和史蒂夫·沃茲尼亞克。《打磚塊》實際上是乒乓球游戲《乒乓》(Pong)的一個變體。不同之處在于,不是在屏幕上將球揮向另一位玩家,而是對著磚墻擊球,將磚塊擊碎。這款游戲的目標(biāo)是摧毀所有磚塊。 正如我們在上一章中提到的,人工智能玩電子游戲并沒有什么稀奇的。艾倫·圖靈早在1947年就開發(fā)出了首款象棋程序,盡管當(dāng)時的計算機不能運行這一程序。如今電子游戲的特點是有大量非玩家控制角色,這一編程將簡單的規(guī)則結(jié)合起來產(chǎn)生復(fù)雜的行為。這樣看來,DeepMind的人工智能玩游戲又有什么特別的呢?
針對這個問題的回答有兩個。一是DeepMind 的人工智能會逐漸變得更加成熟。就像見證孩子逐漸長大一樣,如果一直盯著計算機看,很難察覺到它的變化。然而,每隔50 多次游戲再看一下,效果是十分驚人的。開始的時候,DeepMind 的人工智能在《打磚塊》游戲中的表現(xiàn)簡直糟透了,最簡單的擊球都做不好,而且它似乎并不清楚狀況,就好像是把PS4(索尼第四代游戲主機)手柄交到90 歲的老奶奶手里,并希望她立刻知道應(yīng)該做什么一樣。雖然它也會偶爾得分,但即使最樂觀的旁觀者也只能稱之為運氣。 200 次游戲后,一切變得大為不同。現(xiàn)在游戲中的球拍能夠在屏幕上左右移動:即使不是持續(xù)得分,也可謂能夠輕松得分。再經(jīng)過數(shù)百次游戲,游戲中的人工智簡直如同《星球大戰(zhàn)4:新希望》結(jié)束時的天行者盧克(Luke Skywalker)或《黑客帝國》中的尼奧(Neo)一樣,懶散地?fù)羟,毫不費力。所有無關(guān)的動作都消失了,而且它產(chǎn)生了清晰的策略。 令DeepMind 的人工智能具有重要意義的另一個原因是,它不需要進行大規(guī)模訓(xùn)練。傳統(tǒng)人工智能的核心原則是必須將規(guī)則預(yù)先載入系統(tǒng),這就像是老師在學(xué)生參加考試前會依次教他們問題的答案一樣。DeepMind 的人工智能與眾不同之處在于,它能夠自主學(xué)習(xí),甚至無須告訴它應(yīng)該怎樣做。它所需要接入的就是構(gòu)成《打磚塊》游戲每一幀的30 000 個像素點和屏幕上的選手得分。其他需要做的事,就是給它輸入得分最大化的指令。之后,人工智能就可以隨著游戲的進展獲得游戲“規(guī)則”,然后逐漸形成能夠改善其表現(xiàn)的策略。
DeepMind的人工智能可以玩的游戲并不只有《打磚塊》。它最早玩的游戲是《太空入侵者》(Space Invaders),在掌握極少信息的情況下還學(xué)會了其他48個游戲,包括拳擊模擬器、武術(shù)游戲甚至是3D(三維)賽車游戲。然而,要想突破電子游戲的“微型世界”還有很長的路要走。但這仍是一項驚人的成就,為人工智能的下一步發(fā)展指明了方向。下一步發(fā)展是什么?按照DeepMind的宗旨,下一步就是“解決人工智能”。 自主學(xué)習(xí)的重要性 人類的與眾不同之處就在于能夠?qū)W習(xí),這也一直是傳統(tǒng)人工智能一直努力要實現(xiàn)的。第一章中描述的系統(tǒng)只有在能夠遵從規(guī)則時進行學(xué)習(xí),這些知識是從“知識工程師”的知識中提煉并編入系統(tǒng)架構(gòu)的。它是對知識自上而下的一種想象,并暗示一個假設(shè),即機器不能自動學(xué)習(xí)知識。相反,必須將知識進行編程,而且一次編一條。這一點在很多情況下都能夠很好地實現(xiàn),進而在可接受的水平上完成有限的任務(wù)。隨著解決方案的增多,問題也開始顯現(xiàn)。像官僚機構(gòu)一樣,它們開始變得龐大、笨拙、緩慢而且昂貴。 這提出了一個顯而易見的問題。華盛頓大學(xué)計算機科學(xué)教授普德羅·多明戈斯(Pedro Domingos)指出:“如果機器人掌握了人類除學(xué)習(xí)以外的所有能力,人類很快就會拋棄它。”但是從一開始就存在一種與人工智能的發(fā)展并行的觀點,這一觀點現(xiàn)在正觸發(fā)該領(lǐng)域的諸多進展。該人工智能學(xué)派不是將思維概念化, 而是源于在電腦內(nèi)部建立大腦模型。該學(xué)派不相信邏輯推理是獲取真理的最佳(可能是唯一的)途徑,而是采用基于觀察和實驗的實證研究法。這類人工智能并非知識工程師的作品,而是屬于名為“機器學(xué)習(xí)者”的計算機科學(xué)家領(lǐng)域。
這一流派的人工智能由統(tǒng)計學(xué)家、神經(jīng)科學(xué)家和理論物理學(xué)家開創(chuàng)的概率模型主導(dǎo),大部分基于所謂的“神經(jīng)網(wǎng)絡(luò)”(或者計算術(shù)語中所說的“神經(jīng)網(wǎng)”)來運行,該網(wǎng)絡(luò)的功能與人腦近似。信息在人腦中以神經(jīng)元電子放電模式存在。人腦中約有 1 000 億個神經(jīng)元,大約和銀河系中的星星一樣多。記憶是通過加強不同神經(jīng)元共同放電而形成的:這一過程被稱作“長時程增強”。盡管我們尚須建立一個與人腦一樣復(fù)雜的神經(jīng)網(wǎng)絡(luò)(下一章將詳細介紹),但人工神經(jīng)網(wǎng)絡(luò)為創(chuàng)造記憶和學(xué)習(xí)借用了人腦的機制。人腦與神經(jīng)網(wǎng)絡(luò)最基本的不同在于,人腦中的長時程增強是一個生物化學(xué)過程,而在神經(jīng)網(wǎng)絡(luò)中,學(xué)習(xí)是通過修改其自身代碼,以在復(fù)雜或不明朗的情況下,找到輸入和輸出之間或者原因和結(jié)果之間的聯(lián)系而發(fā)生的。 雖然神經(jīng)網(wǎng)絡(luò)今天在人工智能領(lǐng)域具有重要地位,但在過去許多年里,它都是被忽視的;它被視作真正人工智能的“異父兄弟”。正如20世紀(jì)80年代進入這一領(lǐng)域的知名研究人員戴維·艾克利(David Ackley)所說:“我們接觸到神經(jīng)網(wǎng)絡(luò)時,人們并未將其視作人工智能。于是,我們被人工智能拒之門外。當(dāng)時,人們認(rèn)為人工智能是與符號相關(guān)的。它所涉及的是生產(chǎn)系統(tǒng)、專家系統(tǒng)等。進入卡內(nèi)基–梅隆大學(xué)讀研究生時,我已經(jīng)十分厭倦與傳統(tǒng)的符號化的計算機相關(guān)的事物……我似乎對推理的關(guān)注過多,而對判斷的關(guān)注太少! 艾克利影響了一代人工智能研究者,他們幾乎使統(tǒng)計工具替代了主流意識中的傳統(tǒng)人工智能。這樣一來,神經(jīng)網(wǎng)絡(luò)就實現(xiàn)了以前的研究人員做夢都想實現(xiàn)的東西:建造能夠?qū)W習(xí)如何玩電子游戲、理解語言、識別相片中的人臉或開車比人類更安全的機器。
我們在本章中將介紹一些這樣的應(yīng)用。但是在此之前,我們必須回到過去,去認(rèn)識一個名叫圣地亞哥·拉蒙·卡哈爾(Santiago Ramóny Cajal)的人。 神經(jīng)科學(xué)之父 圣地亞哥·拉蒙·卡哈爾是19世紀(jì)西班牙病理學(xué)家,被稱作現(xiàn)代神經(jīng)科學(xué)之父。拉蒙·卡哈爾首次對人類大腦進行了細致的檢查。1887年拉蒙·卡哈爾在巴塞羅那大學(xué)工作,他發(fā)現(xiàn)重鉻酸鉀和硝酸銀可以將神經(jīng)元染成深色,而周圍的細胞還都能夠保持透明。后來他回憶道,“染色后的神經(jīng)細胞連最精細的分枝都變成了棕黑色,在透明的黃色背景映襯下顯示出了無可比擬的清晰度,就像用墨汁畫的素描一樣清晰”。這項神經(jīng)細胞染色技術(shù)意味著拉蒙·卡哈爾能夠就人腦展開大量的研究,在過去使用最先進的顯微鏡是無論如何都做不到這一點的。這樣一來,他首次證明了神經(jīng)元是構(gòu)建中樞神經(jīng)系統(tǒng)的基礎(chǔ)。
1943 年,拉蒙·卡哈爾去世9 年后,兩位人工智能研究人員在一篇很有影響力的論文中創(chuàng)建了首個正式的神經(jīng)元模型,盡管文章的標(biāo)題《神經(jīng)活動內(nèi)在概念的邏輯演算》稍顯呆板。 兩位研究人員麥卡洛克(McCulloch)和皮茨(Pitts)組成了一個不同尋常的組合。沃倫·麥卡洛克1898 年出生在一個律師、工程師、醫(yī)生和神學(xué)家組成的家庭。他在當(dāng)時被稱為“美國帽子之都”的新澤西州奧蘭治長大。麥卡洛克起初打算從政,但后來改變了主意,去耶魯大學(xué)學(xué)習(xí)了哲學(xué)和心理學(xué),并對神經(jīng)生理學(xué),也就是神經(jīng)系統(tǒng)的研究產(chǎn)生了濃厚的興趣。 皮茨比麥卡洛克小25 歲,1923 年出生在一個工人階級家庭, 這樣的家庭似乎不太可能培養(yǎng)出神童。13 歲時,皮茨為了躲避父親的虐待離家出走,露宿街頭。一天,他為了躲避一群地痞流氓的追趕躲進了圖書館。據(jù)說,皮茨在接下來的一周都泡在圖書館里,讀完了三卷《數(shù)學(xué)原理》的數(shù)學(xué)教材。讀完以后,皮茨決定給該書的作者之一伯特蘭·羅素(Bertrand Russell)寫信,指出他認(rèn)為第一卷中存在的根本錯誤。這封信給羅素留下了深刻的印象,他甚至邀請皮茨到英國劍橋大學(xué)學(xué)習(xí),而皮茨卻沒有接受邀請。皮茨在不到20歲時就被蘇聯(lián)數(shù)學(xué)物理學(xué)家尼古拉斯·拉舍夫斯基(Nicolas Rashevsky)的著作深深吸引,拉舍夫斯基的著作主要涉及數(shù)學(xué)生物物理學(xué)領(lǐng)域。正是憑借著這種能力,沃爾特·皮茨遇到了沃倫·麥卡洛克,并最終開始與其共事。
麥卡洛克和皮茨共同提出了針對機器內(nèi)部復(fù)制的功能神經(jīng)元的簡化模型。他們在1943年發(fā)表的論文中稱,從根本上來講,神經(jīng)元是一個“邏輯單元”。他們還指出,由這類單元構(gòu)成的網(wǎng)絡(luò)幾乎能夠完成所有的計算操作。 以神經(jīng)元模型為基礎(chǔ)的感知器 麥卡洛克和皮茨的工作取得了至關(guān)重要的進展,但同樣存在嚴(yán)重的局限性:這個模型不能自主學(xué)習(xí)。6年后,這一問題在理論上得到了解決,加拿大心理學(xué)家唐納德·赫布(Donald Hebb)在1949年寫了《行為的組織》這本書。赫布稱,每次使用神經(jīng)元都會使人腦中的神經(jīng)通路加強,人們就是這樣學(xué)習(xí)的。他寫道:“細胞A的一個原子離細胞B足夠近,并且持續(xù)或不斷參與激發(fā)細胞B,其中一個或兩個細胞增長或產(chǎn)生代謝更換,這就會導(dǎo)致細胞A激發(fā)細胞B的效率提高。”簡單來說,赫布的意思是,當(dāng)人類大腦中有兩個神經(jīng)元同時受到激發(fā)時,二者之間的聯(lián)系就增強了。有時我們可以這樣來記憶:“同激發(fā)、同連接的神經(jīng)元! 赫布的這一思想在10 年后才真正應(yīng)用到計算機研究中,而這要歸功于弗蘭克·羅森布拉特(Frank Rosenblatt)。羅森布拉特在計算機歷史上是一個有趣的人物:他是一個真正博學(xué)多才的文藝復(fù)興式人物,對音樂、天文、數(shù)學(xué)和計算機無不精通。碰巧的是,他和我們上一章提到的馬文·明斯基是同學(xué),他們在20 世紀(jì)40 年代早期都在布朗克斯科學(xué)高中讀書。然而,羅森布拉特一直處于人工智能研究主流的邊緣。明斯基和約翰·麥卡錫組織達特茅斯會議期間,羅森布拉特拿到了康奈爾大學(xué)實驗心理學(xué)博士學(xué)位,學(xué)習(xí)期間,他被神經(jīng)網(wǎng)絡(luò)這一學(xué)科深深吸引。羅森布拉特將神經(jīng)網(wǎng)絡(luò)稱作“感知器”,并努力證明其能夠有效地充當(dāng)人類學(xué)習(xí)、記憶和認(rèn)知的模型。
羅森布拉特最初在紐約布法羅康奈爾航空實驗室嘗試建造“感知器”。他在那里創(chuàng)建了PARA 項目,即“感知和識別自動化”。他的感知器以麥卡洛克和皮茨提出的神經(jīng)元模型為基礎(chǔ), 同時基于能夠通過“試錯”進行學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)。每個神經(jīng)元都有一個輸入、一個輸出和一組自己的“權(quán)重”。開始的時候,“特性”之間的關(guān)聯(lián)和神經(jīng)元都會獲得隨機權(quán)重。然后,神經(jīng)元根據(jù)網(wǎng)絡(luò)顯示,選擇激發(fā)或不激發(fā)。片刻后,它就能夠?qū)⒁姷降乃惺挛锓譃閮深,即“X”和“非X”。 由于當(dāng)時的計算機運行速度太慢,羅森布拉特并沒有將其感知器做成軟件,而是做成了硬件。他用調(diào)光器中使用的可變電阻創(chuàng)建了權(quán)重,并用電動機和電阻完成了學(xué)習(xí)過程。接下來的演示以及羅森布拉特對感知器發(fā)展?jié)摿Φ目鋸堦愂,足以讓人們心潮澎湃?958年《科學(xué)》雜志上發(fā)表的一篇極有先見之明的文章上指出:“感知器最終一定能夠自主學(xué)習(xí)、做出決定以及翻譯語言。”與此同時,《紐約客》上一篇新發(fā)表的文章引用了羅森布拉特的話,“感知器應(yīng)當(dāng)證明它能夠通過計算機視覺指出‘貓和狗之間的不同點’”。 1960年,羅森布拉特對“阿爾法感知器”計算機的創(chuàng)建工作進行了監(jiān)督,他為此收到了美國海軍研究辦公室信息系統(tǒng)部提供的贊助。阿爾法感知器也成為歷史上最早能夠通過反復(fù)試錯學(xué)習(xí)新技能的計算機之一!都~約時報》將其稱為“邊做邊學(xué)的新海軍設(shè)備”。 ...... 作品簡介 《人工智能》,(美)盧克•多梅爾(Luke Dormehl) 著,中信出版社,2016,11
為何只能在有限范圍使用的弱人工智能突然變得聰明起來?擁有人類的創(chuàng)造力、復(fù)制人類的思維、與人類相愛……人工智能究竟能走多遠?智能時代,人類的工作、價值、思維是更進化還是會被淘汰? 從無所不知的語音助手到復(fù)制人類思維的虛擬替身,這本書將人工智能發(fā)展歷史上一個個有趣的故事串聯(lián)起來,并梳理了計算機之父艾倫·圖靈、深度學(xué)習(xí)鼻祖杰夫·辛頓等眾多對人工智能的發(fā)展起到重要作用的歷史人物,把科幻與真實交錯、古老與現(xiàn)代并存的人工智能全方位、多角度地展現(xiàn)在我們面前,傾情描繪了人工智能時代的精彩。 人工智能作為人類的偉大作品,也對我們的生活產(chǎn)生了重大影響,不管是智能制造還是未來就業(yè),人工智能都不可避免地參與到人類的未來命運中。我們該如何抓住機遇,積極迎接人工智能帶來的挑戰(zhàn)?答案就在這本書中。
|