每日最新頭條.有趣資訊

從技術角度看,我們離超級人工智能還有多遠?

編者按

沒有發現很多聊天機器人其實很傻的?它們有時被稱為“人工智障”,成為人們調戲的對象。而且當前AI基本上只能解決單一問題,比如自動駕駛汽車、會下圍棋的阿爾法狗,還有AI診療等等,這一類智能只能完成一個既定目標,比如能下棋的不會開車,能開車的不會當醫生。

其實,還有一類人工智能叫做通用人工智能(Artificial General Intelligence,AGI),或超級人工智能(Artificial Superintelligence),或強人工智能(Strong AI),指的是人類水準的人工智能,甚至比人類更聰明。

最近,麻省理工學院的物理學終身教授邁克斯·泰格馬克寫了本《生命3.0》的書火了,書中就提出當人類開發出這種通用人工智能超越人類智能的時刻,就是觸發生命3.0產生的臨界點,就是所謂“奇點”。這本書裡總結了超級智能可能帶來12種未來,4種截然不同的結果。

究竟人工智能可以幫助人類發展到什麽極限?幫助人類走向哪裡?那更多是留給科幻電影去暢想。本期騰研識者嶽亞丁博士,則從技術可實現性的角度來和大家探討,通用人工智能能否實現,什麽時候能實現,技術上如何實現?可能遇到哪些困難?

文章要點:

奇點究竟何時來臨?

當前AI與AGI的差距

AI向AGI的擴展及困難

實現AGI的技術路徑舉例

奇點究竟何時來臨

算法工程師與朋友看了一場關於人工智能的科幻電影,在回家的路上,開始以下的聊天。

:多年以前,我曾幻想,地球上幾十億人裡面,說不定有一個長相、性格、習慣、愛好與我一模一樣的,我還想過,如果我碰到了,能不能與他成為好朋友,或者我們會互相敵視。

:這麽多人裡面,大概率你能碰上一個。之後你們之間會發生什麽,就不好說了。

:不說生物上的克隆技術,如今電腦越來越智能,沒準將來能夠造出來一個與我一模一樣的機器人,甚至比我更強大、更聰明。我不知道應該是高興,還是沮喪。

:哈,受到電影的刺激了?你應該可以安心,電影裡面的情節是虛構的,目前的電腦技術還遠遠沒有發展到那一步。

:那將來呢?

:將來很難說。預測未來的錯誤率一般都是很高的。不過,的確有人言之鑿鑿給出了很具體的時間表預測。

:誰?

:未來學家、發明家、Google的工程總監Ray Kurzweil(雷·庫茲韋爾)預測,2029年人類將無法區分與你談話的是人還是機器(即能通過所謂的“圖靈測試”),2045年將發生奇點。日本知名的技術和投資公司軟銀集團的CEO Masayoshi Son(孫正義)預測超級智能機器將出現在2047年。另一位未來學家、美國通用人工智能協會主席Ben Goertzel(本?古澤爾)則給出比較寬泛的時間窗,認為奇點位於2020到2100年之間。

:什麽叫“奇點”?

奇點(singularity)本來是一個數學名詞,但是在這裡,指的是一個時刻,過了這個時刻,人工智能就成為超級人工智能,其智力呈指數級地加速發展,自我完善也越來越快,最終就像擁有上帝的能力一樣,達到無窮的智能。簡單地說,奇點之後,電腦將比人更聰明。

:這些人看起來都是有頭有面的人物,想必有他們的道理吧。不過,我還是想知道,他們預測的依據是什麽。

:不迷信權威,好!我們來看看一些預測依據吧。

:好的。

:Kurzweil認為達到奇點的主要瓶頸之一是計算能力。我們知道,電腦界有一個著名的摩爾定律,大致說起來,就是集成電路的晶體管密度(同一面積下的晶體管數量)每兩年翻一番。因此也可以大致認為,電腦的計算能力也是在指數級地增長。

:我知道,指數級的增長,是挺嚇人的。

:是的。雖然對於摩爾定律能否繼續延續下去,還有很多爭議 ,但是Kurzweil認為還會有新的技術冒出來,以維持計算能力的指數級增長。他綜合別人的幾種估計值,判斷人的大腦的計算能力是每秒10^16(即10的16次方),及擁有10^13(即10的13次方)的存儲太空,然後估計出:2020年花1000美元,就能買到相當於一個人腦的計算能力,而到了2045年,同樣多的錢能夠買到當今所有大腦加起來的計算能力的100萬倍。因此他認為奇點將發生在2045年。

(圖中顯示隨著時間推移,1千美元能買到的計算能力,即每秒計算次數)

:好像做了不少的假設,才得到這個結論。還有別的依據嗎?

:Kurzweil還認為,要製造智能機器,首先要理解人類智能。其中的第一步,是大腦的成像。如今的正電子放射層掃描術(PET)、機能性磁共振成像(fMRI)的分辨率正在指數級增長,到了2020年代,納米機器人從大腦內部掃描,還可以得到更多的細節。一旦知道了大腦的物理結構和連接資訊,研究人員就可以做出包含整個大腦細節的一個功能性模型。除了以上對大腦的逆向工程(根據其結構反推如何實現其功能),他更是大膽判斷,把一顆大腦裡面的智力過程完整地拷貝到別處的技術,將在2040年前出現。

:是夠大膽的。

:但是批評的聲浪也不小。最常見的矛頭指向所謂的指數級增長。有人指出,1969年人類首次登上月球,如果按照技術的指數級發展速度來估計,到現在早就應該有超大型的月球基地、飛向遙遠星球的載人飛行了,但事實上還沒有。

:有很多實際情況,在預測時沒有考慮到吧。

:是的。即使對於所謂的大腦逆向工程,也有人指出,對大腦數據采集能力雖然隨時間而指數級增長,但對大腦的生物學、遺傳學的理解的速度,則要慢得多。

:預測可能太樂觀了。我甚至懷疑,人類能否預測奇點何時來臨。

:跟你一樣,很多人對奇點能否預測,也提出了質疑。曾經有一家研究機構搜集了1950-2012年內科技文獻中的257例關於人工智能的預測,其中95例給出了時間點預測,數據分析發現,其預測精度勉強比隨機瞎蒙好一點點。且專家預測結果與非專家預測結果之間,沒有明顯的差別。還發現,大部分關於AI的預言,都落入一個模式:聲稱某個進展將在預測時刻之後的10-25年間出現。

:這可真是令人喪氣。對這類的預測結果,我們也許不能太當真了。

:雖然很多預測不太靠譜,但是很多人還是相信,技術的加速度發展(指數級,或者非指數級),將會帶來巨大的變化,最終奇點還是會出現的。早在1950年代,數學家、電腦理論科學家、量子力學的數學理論奠基人John von Neumann(馮·諾依曼)就指出:“不斷加速的技術進步……給出的圖景是會到達人類歷史上的某個本質性的奇異點,之後人類的事務將不能繼續。”

:我也不否認這個大趨勢。但是涉及到具體的時間點預測,這些未來學家的預測依據,可能還是過於局限在巨集觀層面了。我們可否從更微觀層面進行考察?

目前AI離人類智能差多遠

:那我們先看看當前的AI技術發展現狀吧,看看能不能體會到一些趨勢性的東西。先問你一下,你對AI了解多少?

:這個……我看到有人買了智能音箱教小孩子,一問一答的,好像挺有意思,不過玩多了,也顯得有點笨;還聽說電腦下圍棋,已經打敗世界冠軍了;工廠裡面或許可以用機器人代替工人;將來可以用無人機送貨;汽車可以無人駕駛;軍事上也可以用AI。這些都算是AI嗎?

:算的。他們都用到AI技術。其實歸納起來,目前的AI技術較多地針對三個方面:人類的語音處理(識別人類說的是什麽,或者像人一樣說出話來),自然語言處理(如文本的分類、摘要、生成,文章閱讀理解等),影像影片處理(如圖片中的人臉識別,影片中持續跟蹤某個目標)等。

:這三個方面,好像都是與人的感官有關係,聽、說、讀、寫、看嘛。

:是的,首先要保證人與機器能夠溝通,然後讓機器盡量像人一樣處理資訊,才能談得上智能。

:更深層次的,還有什麽?

:北京大學的高文院士指出,人工智能還應該研究:推理、知識、規劃、學習、交流、感知、移動、操作等。按照哈佛大學一位心理學家給出的定義,智能至少涉及9個方面:邏輯方面的能力、語言文字方面的能力、太空改革的能力、音樂能力、肢體運作能力、內省的能力、人際關係能力、自然探索能力、圖形影像理解的能力。你看看下面這張圖。

(高文教授認為藍色已經做得比較好,紅色馬馬虎虎,橙色還完全不行。)

:看起來,任重而道遠啊。

:是的。但即便如此,電腦科學家們在AI的基礎 —— 機器學習領域,還在努力發展新理論、新技術,向這些更高的目標艱難地推進。

:你能舉幾個例子嗎?讓我增加一點信心。

AI向AGI的擴展及困難

:首先,關於推理。在現有的機器學習系統中,大多數沒有能力去理解概念之間的關係。例如,視覺系統可以識別圖片中的狗或貓,但它不會知道圖片中的狗在追逐貓。2017年DeepMind研發了關係推理系統,人們可以詢問系統某個物體是否在另一個物體之前,或哪一個物體最接近另一個物體,系統的表現比以往任何同類系統都要好,在某些情況下甚至超過了人類的表現。

:聽起來很酷。

:但是,研究人類智慧的哈佛大學心理學教授Sam Gershman也警告說:不要誇大DeepMind工作的意義。他說:“任何特定機器學習任務的超人表現都不意味著超人類的智慧。” 他又說:“對於人類智慧來說,關係推理是必要條件但不是充分條件。”

:每時每刻,都有潑冷水的人啊。但這畢竟是機器推理能力的一個進步吧。

:第二,關於數據不多時的學習能力。早在2016年南京大學周志華教授就指出,機器學習的主要局限之一,就是需要太多的數據。去年清華大學鄧志東教授也表示,小數據學習才是AI崛起的關鍵。

:什麽是小數據學習?能舉個具體的例子嗎?

:以影像識別為例,一旦把影像本身放到具體環境中,由於發生了變形、遮擋或者反光等,現在的算法就難於將它準確識別出來。舉個例子,在使用 Google 搜索時,很多人可能遇到過一種人機身份驗證方式:在下列圖片中選出含有交通標誌的那些,如下圖所示:

:嗯,這種人機身份驗證方式,我也碰到過。當然,我是靠我自己的眼觀察,然後用滑鼠去點擊。不清楚用算法去做會怎麽樣。

:以往的算法需要790 萬張圖片的訓練,才能達到一定的識別精度。而借鑒哺乳動物視覺皮層處理影像的原理,建立類似的 AI 模型,其訓練量僅僅只要 1406 張圖片,就可以達到同樣的識別精度。這就是小數據學習了。

:的確是一大進步。

:還有人分析了為什麽人能夠只需要很少樣本數據,就能學會,例如我們看到一個人,就能記住他的樣貌,並在下一次認出對方。看 iPhone X 一眼,然後之後就可以認出它。

:的確,人有這個能力。

:分析的結論是:我們人的視覺系統天生的能夠對任意物體提取特徵,並進行比較。因為我們能夠比較不同物體,所以我們根本無所謂看到的東西是不是以前就見過。這就是我們人具備少樣本學習能力的關鍵原因。受此啟發建立的AI模型,對 5 個新類別的物體進行識別,但是每一類物體我們隻給出一個樣本,也能夠得到很高的識別精度。

:好像有人提到過,傳統的神經科學為人工智能的發展提供了靈感。看來所言不虛。

:第三,關於機器學習的自動化。現在AI人才炙手可熱,人才嚴重缺乏,不能滿足需求,於是有人琢磨,能不能讓機器來代替AI算法工程師,自動地建立模型、構建算法。

:哈,AI人要自己革自己的命了。

:這樣做,不僅僅是為了節省人才,也是為了更全面地探索各種可能性,自動地找出人類還無法想象出來的新模型及算法。

:這也應該是未來超級人工智能所必需的吧。

:對。學習的自動化,就是關於算法的算法,即用另一個算法來指導算法更好地學習,從而得到更好的算法。

:結果怎麽樣?

:初步結果令人振奮。Google按照這個思路,自動進化出一個神經網絡,用於圖片分類,精度非常高。華為將這個思路用於個性化推薦系統,實驗中得到很低的預測誤差。此外,阿里雲有專門團隊在做這個,騰訊也於2018年9月宣布已經建成自動化機器學習系統。

:我提一個問題:那個打敗圍棋世界冠軍的機器,AlphaGo,以及後來完全不參考人類棋譜、自學成才的版本,既然那麽厲害,能不能用它來建立超級人工智能呢?

:它們已經是成品,說用它來建立超級人工智能,就好比說,拿一輛汽車來建造一輛火車了。

:那它的底層技術,能否用來建立超級人工智能?

:的確有人想過,但是很遺憾,這條路是不靠譜的。

:為什麽?

:我們不需要去了解它們的技術細節,只需要想到它們的底層技術所針對的,仍然是一組有固定規則的遊戲,且這些遊戲具有有限個可能的構型(圍棋的盤面種類最多有3^361(即3的361次方)個,即大約10^171(即10的171次方)個),而其它領域的問題則可能沒有這些條件,就能明白,它們的底層技術不是那麽容易地推廣到更廣泛的場景去了。

:喔,此路不通了。

:所以,上面舉的那些AI進展的例子(推理、小數據學習、機器學習自動化),以及下棋的電腦,雖然是AI領域的重要突破,但是它們都是從下而上地、從特例到一般的擴展,與我們想要的人類級別的人工智能,還有很大的差距。

:那麽,還有什麽別的途徑,能夠幫助我們走向通用人工智能嗎?

對通用人工智能(AGI)的直接研究

:與AI研究並行開展的,是另有一撥人在直接研究AGI的模型。他們從一開始就沒打算從現有AI中吸取什麽,也沒打算把現有AI技術推廣到AGI。

:哦?他們怎麽做?做得怎麽樣?

:其中一條路線是這樣:我們在前面討論中提到,超級人工智能的一個特點,是它們能夠自我完善。設想一個電腦程式,如果它能夠自己修改自己,豈不是就能自我完善了?

(在一個“遞歸自參考普適問題求解器”的指引下,機器人騎著機器人走向落日余暉。)

:這怎麽理解?

:打個比方:我們每個人就是一段電腦程式,如果我看不順眼我自己,覺得我的手臂不夠長,那我就可以自如地把它變長一點;如果我想到水底長時間潛泳,那我就讓自己長出一個魚鰓。這就是自我完善了。

:這當然很理想了。問題是能做到嗎?

:理論上是有可能的,但在現實中,還沒有建造出來。

:為什麽?

:簡單說來,對於如何實現完全的自我反省(self-reflection)機制,以及如何提高求解算法的效率,都還有很多研究工作需要做。而且,所需要的計算資源也是空前巨大的。總之,還處在艱難、緩慢的探索中。

:沿著這個思路,能否到達人類水準的AGI呢?

:普遍的看法是:目前仍不能確定。但這是一個大膽的策略,它不需要關心人類大腦的某些特性,而是集中精力考慮了通用智能的數學本質。

:看來,要做出來超級人工智能,真的很難啊。

:所以,當前現實是,機器學習領域內的研究人員大多不主張研究通用人工智能,他們追求的往往是在特定的研究問題上取得進步。

:還是有點不甘心,科學家們總還是得做點什麽吧。

:科學家們從來沒有停止努力的步伐。的確,要構建通用人工智能系統似乎還很遙遠,但反過來想想在五年前,二十年前,它不是更加遙遠嗎?

:我們拭目以待吧。

*文中圖片來源於網絡

獲得更多的PTT最新消息
按讚加入粉絲團