全文共6545字，預(yù)計學(xué)習(xí)時長13分鐘
圖片來源：Marcus Bengtsson (Unsplash)
本文將探索奠定人工智能（AI）的文獻資料及其與智能的關(guān)系，還會概述人工智能與其奠基構(gòu)想“自然”智能之間的差異和淵源，并盡可能用簡潔、有代表性的語言解釋技術(shù)術(shù)語。
自然智能的構(gòu)想
在探索人工智能領(lǐng)域前，我們需要定義什么是“智能”?！杜＝蛲ㄓ迷~典》（1955）十分強調(diào)該詞的拉丁語詞根，即intelligere（意為理解），將智能定義為：[1]理解的能力，知性；[2]有程度之分的理解能力；特指卓越的理解能力，敏銳的心智領(lǐng)會能力或遠見卓識。對“理解”的關(guān)注的確加強了“對意義的感知力”這一層面，但這樣定義還是過于寬泛；需要進一步考察，獲取更清晰的認識。
智能在學(xué)術(shù)界里沒有統(tǒng)一的定義。廣義上講，主要有四種定義智能的視角貫穿人工智能研究——每種或有人支持或有人批判。最早的三種定義都關(guān)乎人類，并具備一個共同特征：即智能依托認知，但又不同于認知。認知指大腦的潛在活動，而智能指活動過程能夠?qū)崿F(xiàn)的結(jié)果。智能利用認知能力，達到設(shè)想的效果。最后一種定義則從不同的視角出發(fā)，認為智能的觀測范圍比生物學(xué)意義的人類和動物更廣泛。下面將做詳細論述。
一般智能說：這類學(xué)派認為，智能是一項整體的心智能力；換言之，這是一種應(yīng)對認知復(fù)雜性的能力。Linda Gottfredson在Why G Matters: The Complexity of Everyday（1997）一書中給出了相當(dāng)簡練的定義，她與其余52位學(xué)者一同表示：
“智能是一種非常普遍的心智能力，除此之外，它還包含推理、規(guī)劃、解決問題、抽象思維、理解復(fù)雜概念、快速學(xué)習(xí)和從經(jīng)驗中學(xué)習(xí)的能力。智能不僅意味著能理解書本知識，還反映出理解周邊環(huán)境的一種更為廣泛和深層的能力——‘明白’和‘貫通’事物的意義，或者去‘領(lǐng)會’需要做什么?！?/p>
這些學(xué)者相信，一般智能，又稱g因數(shù)，能用經(jīng)驗檢測推理、記憶、知識、處理速度和空間能力的方式測量。最終測試的輸出結(jié)果不是智能自身的數(shù)值，而是得出近似數(shù)值——類似測試身體健康程度時會測量一個人的身體的多方面表現(xiàn)，憑此得出整體身體素質(zhì)一樣。十九世紀初，F(xiàn)rancis Glaton爵士，James McKeen Cattell和Alfred Binet等心理學(xué)家實現(xiàn)大規(guī)模智能測試系統(tǒng)化——這些測試的有效性至今存疑。
多元智能說：第二組學(xué)者認為，存在不同種類的智能?；谕ㄓ弥悄懿]能完全解釋認知能力這一前提，學(xué)者們指出，不同的人具備不同模態(tài)的智能。一些極端案例，比如德語的fachidiot和法語的idiot savant，都指只在有限領(lǐng)域展現(xiàn)出才智的人。
不同學(xué)者提出了不同的智能劃分理論。Howard Gardner在專著 Frames of Mind: The Theory of Multiple Intelligences（1983）中提出七種智能分類：視覺空間智能、言語語言智能、數(shù)學(xué)邏輯智能、音樂節(jié)奏智能、人際智能、內(nèi)省智能和身體運動智能。他后期又補充了三個類別：存在智能、雷射智能（laser）和心智探照智能(mental searchlight)。Robert J. Sternberg在Beyond IQ: A Triarchic Theory of Human Intelligence (1985)中參考了一般智能的幾個方面，提出了不同的見解。他將通用智能劃分為三個子類別：成分（分析）智能、經(jīng)驗智能和情境（實用）智能。
此外，存在情感智能這種說法很流行，在科學(xué)性上卻備受爭議。有關(guān)情感智能的論述最早見于20世紀60年代Michael Beldoch和B. Leaner的論文中，而后又通過Daniel Goleman的著作Emotional Intelligence: Why It Can Matter More Than IQ (1995)普及開來。學(xué)者指出，情感智能是識別和管理自己和他人的情感的能力。情感智能的支持者將它與職業(yè)結(jié)果相關(guān)聯(lián)，但批判該學(xué)說的一方指出，情感智能對整體智能和個性特征的控制力較弱。
圖片來源：unsplash.com/@franckinjapan
行為說：第三組學(xué)者否定智能和認知天賦的關(guān)聯(lián)。相反的，這組學(xué)者將智能定義為解決問題的能力。由于智能是對認知的運用，它關(guān)注外在可觀測的結(jié)果和成就。S.S Corvin在劍橋大學(xué)的智能手冊（Handbook of Intelligence）(2000)中說過，“只要一個人在學(xué)習(xí)，或能夠通過學(xué)習(xí)適應(yīng)環(huán)境，他/她就具備智能?！?我們后續(xù)將看到，盡管這種觀點在囊括智能的各方面時顯得有些狹隘，出于某些原因，行為智能說較受人工智能學(xué)者青睞。
生物進化說：最后，第四組學(xué)者認為所有生物都多少表現(xiàn)出智能行為。Cianciolo和Sternberg在Intelligence: A Brief History (2004)一書中指出，智能源于生物體適應(yīng)環(huán)境、從經(jīng)驗中學(xué)習(xí)的能力。盡管生物學(xué)家也有意與智能設(shè)計保持距離，但他們常常采用這種定義。生物受到不斷進化和文化發(fā)展的影響，可以生成能自主適應(yīng)環(huán)境、生存并繁殖的有機體。人類學(xué)家Jeremy Narby在Intelligence in Nature: An Inquiry into Knowledge (2005)前后在解釋智能時借助了日語說法chi-sei，可以大概譯作“知曉”或是“知道的能力”。自然中存在數(shù)不勝數(shù)的智能行為事例，比如植物的莖會在白天彎曲，細菌利用獨有的浮游能力尋找食物，猿猴會針對不同掠食者發(fā)出特定的警戒叫聲。對于進化論學(xué)者，智能是靜默而無意識的，并且具有情境性，智能不僅是解決問題更與生存問題相關(guān)，且基于偶然性。
這四種視角屬于智能的靜態(tài)定義。但智能會在人類身上隨時間變化：讓·皮亞杰（Jean Piaget）指出了智能如何從嬰兒期，孩童期，再到青少年期和成年期發(fā)展過渡。智能也隨文化而變：James Flynn在發(fā)現(xiàn)智能隨時間增長后，還發(fā)現(xiàn)對于某一環(huán)境的認知復(fù)雜性會隨著思維的復(fù)雜性而增長。也就是說，基因和環(huán)境相互作用共同影響智能。此外，從集體視角而言，智能產(chǎn)生的影響也會相應(yīng)變化：在Hive Mind: How Your Nation’s IQ Matters So Much More Than Your Own (2015)中，Garrett Jones探尋了智能在集體角度下如何轉(zhuǎn)化為現(xiàn)實世界的結(jié)果。
人工智能的起源和定義
Herbert Simon提出，自然人工二元論在人工智能歷史上發(fā)揮著重要的作用。Simon在《科學(xué)的人工》（The Sciences of the Artificial） (1969)寫道，自然的事物從自然中產(chǎn)生，而人工的事物由技藝生成。盡管技藝帶有特權(quán)內(nèi)涵，人工的進程往往關(guān)乎改變現(xiàn)有條件，使其更適宜需求。通過設(shè)計過程，人類生產(chǎn)出客觀存在的人造物，并用其開發(fā)自然世界，以滿足特定目的。人造物可能讓人想到空調(diào)、磚塊、面包、摩天大樓、智能手機等一系列物品。
1956年夏天，人工智能這一領(lǐng)域在達特茅斯學(xué)院誕生。由John McCarthy牽頭的一項為期兩個月的研究匯聚了該學(xué)科領(lǐng)銜的數(shù)學(xué)家和科學(xué)家，他們假設(shè)“學(xué)習(xí)的各個層面或任何智能的其他特征能夠被準確描述，而讓機器能夠模擬這些特征和方面，試圖探究如何讓機器使用語言、構(gòu)建抽象思維、解決僅有人類能夠解決的問題以及實現(xiàn)自我提升?！边@項雄心壯志的研究反映了早期研究人員的樂觀心態(tài)，以及他們建立的里程碑式成就：Herbert Simon預(yù)測，“機器將在二十年內(nèi)具備勝任人類任何工作的能力，”Marvin Minsky也寫道“一代人的時間里……構(gòu)建‘人工智能’的問題將大體解決?！敝卑椎卣f，這些預(yù)言都沒能實現(xiàn)。
但真實發(fā)生的是，人工智能領(lǐng)域圍繞任務(wù)的實現(xiàn)，審慎地轉(zhuǎn)向更保守的人工智能定義——這種定義與行為主義學(xué)說對智能的定義不盡相同。專家們提出了更廣泛的定義，比如“解決難題的能力”（Marvin Minsky），“利用包括時間在內(nèi)的有限的資源，實現(xiàn)最佳效益，完成目標”（Ray Kurzweil），“在復(fù)雜的環(huán)境下達成復(fù)合目標”（Ben Goertzel），“任何能在多種環(huán)境中產(chǎn)生適應(yīng)性行為的系統(tǒng)”（David Fogel），和“融合科學(xué)和工程學(xué)，以構(gòu)建有智能行為的機器”（Joanna Bryson和Jeremy Wyatt）。
圖片來源：unsplash.com/@alecfavale
通過這幾種定義，可以看出人工智能是一種不可知論；它并沒有界定具體用什么方法解決問題。再者，還可以看出人工智能歷史上曾經(jīng)解決過一些現(xiàn)在人類早就不認為是人工智能的問題，比如應(yīng)對“三子連”（tic-tac-toe）的策略，提出數(shù)學(xué)證明，識別手寫文字，或是優(yōu)化航班機票的價格。我們現(xiàn)在眼中的人工智能，僅注重解決那些計算機目前解決不了的問題。正如Douglas Hofstadter戲謔道，“[人工智能]就是指所有尚未完成的事情?！鳖愃频兀赟ociety of Mind(1967)一書中，Minsky表明，“智能的概念就像舞臺魔術(shù)的技巧。這就像‘非洲地區(qū)未發(fā)掘的地域’這個概念，我們一旦發(fā)現(xiàn)智能，它就隨之消失?！?/p>
總而言之，人工智能里的“智能”，如果有內(nèi)涵的話，就是指在智能生產(chǎn)者在機器上體現(xiàn)出的智慧。
人工智能的不同學(xué)派
每種人工智能的核心都是一種算法——也就是一組傳達給計算機，接收輸入并生成輸出的指示。人工智能算法無處不在：城市里的紅綠燈根據(jù)車流模式相互配合；智能手機根據(jù)應(yīng)用程序使用情況節(jié)省電量；飛機根據(jù)大量飛行數(shù)據(jù)自動駕駛；臉書根據(jù)黑箱用戶數(shù)據(jù)生成個性化新聞推送。是什么將這些離散的算法融為一體，它們又是如何分類的呢？
給人工智能內(nèi)部的思維分類有很多種方法。例如，任務(wù)可以分為標識給定觀測值組（或類）的分類問題，以生成定量預(yù)測的回歸問題。抑或如果根據(jù)能力給人工智能分類，可以分為關(guān)注單個領(lǐng)域的狹義人工智能（ANI），和能將智能應(yīng)用于任何問題的通用人工智能（AGI），以及理論上能超越人類智能的超級人工智能（ASI）。本文主要關(guān)注通用人工智能的子類別，因為大部分專家預(yù)測未來的幾十年或?qū)崿F(xiàn)通用人工智能，而有關(guān)狹義人工智能的研究是中間環(huán)節(jié)。本文將引證Pedro Domingos的著作《主算法》（The Master Algorithm） (2015)中對于人工智能領(lǐng)域的簡要評述，大概回顧幾個關(guān)于創(chuàng)建人工智能的主要觀點。
首先我們需要知道，在最高層次上，有兩種相對立的人工智能創(chuàng)建方法：機器學(xué)習(xí)（ML）和知識工程（KE）。機器學(xué)習(xí)指教授計算機學(xué)習(xí)的過程。機器學(xué)習(xí)運用學(xué)習(xí)算法，即一種產(chǎn)生其他算法的算法。學(xué)習(xí)過程以一組輸入以及其相應(yīng)的輸出開始，接著給計算機傳送一種學(xué)習(xí)算法后，它就能寫入程序，從新的一組輸入中產(chǎn)出正確的輸出。對于知識工程師來說，深度學(xué)習(xí)不過是模式識別，并未產(chǎn)出真正的知識。知識工程采取不同的方法，其中，專家用計算機能理解的語言寫入不同領(lǐng)域的知識。遇到問題時，專家系統(tǒng)（Expert System）會參考專家寫入的邏輯和規(guī)則解決問題。機器學(xué)習(xí)支持者對此表示異議，認為構(gòu)造智能代理概念的數(shù)量必須是有限的。寫入知識就像收集郵票，假如機器不能學(xué)習(xí)，那么它在遇到新的問題時會脆弱得不堪一擊。機器學(xué)習(xí)和知識工程之間的沖突持續(xù)了數(shù)十年。隨著時間推移，機器學(xué)習(xí)在獲得多個重大成就后，成為了主導(dǎo)的思維學(xué)派。盡管如此，有些知識工程師堅信，機器學(xué)習(xí)的局限性終將體現(xiàn)自己的研究意義，為知識工程的復(fù)興掃清障礙。
另一種人工智能創(chuàng)建方法在邊緣徘徊——該方法由Ray Kurzweil提出，后由Robin Hanson在《The Age of Em》 (2016)中展開深入研究——意在模仿且超越人腦。與其制造能完成人類執(zhí)行的任務(wù)的軟件，不如模仿大腦將大腦里的“軟件”轉(zhuǎn)移到機器中。盡管這種方法的本質(zhì)存疑，但支持者斷言，一個世紀之內(nèi)，我們就能掃描大腦的空間和化學(xué)構(gòu)成，復(fù)制單個腦細胞的信號處理功能，以人工硬件形式構(gòu)建大腦的逐單元可執(zhí)行模型。這種模仿能表現(xiàn)近似于人類行為的輸入和輸出。
盡管機器學(xué)習(xí)只是人工智能的子學(xué)科，它已經(jīng)吸引了不少公眾注意。Domingos將機器學(xué)習(xí)社群分為五個類別：符號主義，聯(lián)結(jié)主義，進化主義，貝葉斯派和類推派。每一類別設(shè)計學(xué)習(xí)算法的方法都可以追溯到自然智能、自然科學(xué)和數(shù)學(xué)。
符號主義者相信所有智能都能被約簡為操作符號——所有符號都是概念、物體或關(guān)系的抽象表征。和數(shù)學(xué)運用諸如牛頓定律之類等式解釋宇宙一樣，符號主義將現(xiàn)實約簡為由符號構(gòu)成的等式。知識工程師人為寫入知識構(gòu)建人工智能，而符號主義的機器學(xué)習(xí)會用經(jīng)驗構(gòu)建的知識學(xué)習(xí)算法，避免這種“知識瓶頸”。這種學(xué)習(xí)過程通過一系列反向推理得以實現(xiàn)：向計算機傳輸數(shù)據(jù)，帶來知識的缺口以得出普遍的結(jié)論。對于符號的操控，可以看作是Gottfredson的智能定義的重新解讀。
聯(lián)結(jié)主義者對大腦實施了反向工程。聯(lián)結(jié)主義者從人腦的生物神經(jīng)網(wǎng)絡(luò)工作原理獲取靈感，使通過加強神經(jīng)元之間聯(lián)系的學(xué)習(xí)成為可能。而聯(lián)結(jié)主義者通過人工模擬神經(jīng)網(wǎng)絡(luò)，制造人工神經(jīng)元層，影響反向傳播算法，成功改變層與層之間的連接，使程序輸出符合預(yù)期。大腦此時是終極的學(xué)習(xí)機器；也許它的確包含一種可供人們學(xué)習(xí)的通用算法。有趣的是，大腦給神經(jīng)網(wǎng)絡(luò)帶來的靈感反過來影響了人們對于大腦的認識。有人認為，認知和意識是編程的一種形式。
進化主義者認為智能的本源是自然選擇。自然的學(xué)習(xí)算法是適者生存的函數(shù)，通過揀選和重組基因生成復(fù)雜有機體，基因也會隨著時間推移發(fā)生突變。進化論者運用基因算法模仿此過程，其中程序的目的變成了“適者生存”，其中程序逐代伴隨著偶發(fā)的突變或繁殖。經(jīng)過不斷迭代，這種學(xué)習(xí)算法產(chǎn)出越來越好的程序，模仿著智能的進化論學(xué)派界定的智能行為。
貝葉斯派認為所有學(xué)習(xí)得來的知識都是不確定的，學(xué)習(xí)就是處理不確定性的能力。所有程序都從先驗概率開始，經(jīng)過一個周期性的過程：在證據(jù)出現(xiàn)前做出推定，將其轉(zhuǎn)變?yōu)榘伦C據(jù)的后定概率。貝葉斯派運用概率推定作為學(xué)習(xí)算法，把新證據(jù)包含到原有推定中，很大程度上依賴貝葉斯原理。該方法基于數(shù)學(xué)和統(tǒng)計學(xué)知識，為研究者提供直覺型的獲取和完善知識的方法。
類推派相信學(xué)習(xí)是識別不同情境之間的共同點，從而推導(dǎo)其他共同點的過程。類推派是以近似相似性的判斷支持學(xué)習(xí)算法而聞名的松散學(xué)派。該學(xué)派具有代表性的算法是支持向量機，以幫助判斷事物之間的共性。Douglas Hofstadter等認知科學(xué)家認為類比是認知的核心。
值得注意的是，每種機器學(xué)習(xí)都需要程序員具備一定的監(jiān)管能力，因為需要給程序訓(xùn)練數(shù)據(jù)，微調(diào)參數(shù)以改進模型。這種監(jiān)管能力可以表現(xiàn)為監(jiān)督學(xué)習(xí)，即程序員為每個輸入指定輸出；還可以表現(xiàn)為強化學(xué)習(xí)，即程序員給定學(xué)習(xí)算法執(zhí)行步驟的回報；也可以表現(xiàn)為無監(jiān)督學(xué)習(xí)，即學(xué)習(xí)算法運行不受已知輸出或回報的指導(dǎo)。生成的程序一旦滿足程序員要求，就能得到更大范圍的推廣。
Domingos預(yù)測，以上五種深度學(xué)習(xí)學(xué)派將合并為一種能夠?qū)W習(xí)一切內(nèi)容的“主算法”——他希望以這種方式步入通用人工智能。未來有充足的數(shù)據(jù)和知識作為輸入，讓實現(xiàn)主算法成為可能。此時，現(xiàn)有的學(xué)派將推進各自的學(xué)習(xí)算法、合并各自的算法、或見證用新范式指導(dǎo)學(xué)習(xí)算法的學(xué)派誕生。無論如何，機器學(xué)習(xí)會繼續(xù)取得舉世矚目的進步，推出解決問題的新方法，讓人們重新界定機器的能力。
隨著人工智能的發(fā)展，我們不可避免地在多種自然智能和人工智能之間徘徊，不斷探尋新的可能。人工智能的問題常被擬人化，也將持續(xù)如此，因為我們幾乎自覺地借助已知的智能類別（也就是以人類的智能）認識人工智能。盡管人工智能受自然智能啟發(fā)，采用了一系列相似的問題解決手段，它的運轉(zhuǎn)原理不像生理意義上的大腦，大腦需要意識、感覺和意志等因素參與。直到有一天智能具備了這些高階特質(zhì)，這能否實現(xiàn)至今存疑。但人工智能最有成效、最為深刻、最生動真實的表現(xiàn)形式是將其視為人工產(chǎn)物家族的一員; 人工智能是人類為達到積極或消極目的使用的一套工具。
留言 點贊 關(guān)注
我們一起分享AI學(xué)習(xí)與發(fā)展的干貨
編譯組：夏伊凡、李林虹
相關(guān)鏈接：
https://towardsdatascience.com/the-natural-roots-of-artificial-intelligence-b76468e512e2
如需轉(zhuǎn)載，請后臺留言，遵守轉(zhuǎn)載規(guī)范
