作者：劉偉，北京航空航天大學工學博士，北京郵電大學崗位教授，劍橋大學訪問學者，科技委人機融合智能組首席科學家。
上週在 一文中為大家梳理了人工智能的起源及其在未來可能的發展方向，人工智能從醞釀伊始幾經起落，如今再次進入到一個蓬勃發展的階段，對此很多人都有著這樣的疑問：所謂的強人工智能是否能夠達到？因為在較為通用的智能方面，其生產出的人工智能產品往往缺乏“溫度”，還遠遠談不上人們想要達到的程度，那麼人工智能具體的發展瓶頸在哪裡呢？
本文從動機性、常識和決策這三個角度出發，分析現階段機器智能與人智能之間的差異，並指出機器存在“展示動機的形成機制難以實現”、“形成常識的方法成本過高”、“智能決策模式尚未成熟”等諸多問題，強調人們需在人工智能發展高潮的時期保持警惕，主動解決行業發展的瓶頸，從而實現領域的平穩高效發展。
毫無疑問，目前人工智能正處於蓬勃發展階段，但是也要冷靜地看到，人工智能的發展仍然存在一些問題，研究精力過多地集中在某些領域將會在一定程度上忽視其他領域。
在一些領域，人工智能的水平已經接近甚至超過了人類，而在其他的很多方面，人工智能與人類智能相比依舊相距甚遠。同時，人工智能的應用已經給從社會到家庭，從工作到生活，從軍事到醫療等不同範疇、多個領域都帶來了明顯的乃至革命性的變化。一方面，人工智能的發展是一個技術性問題，當前仍然存在很多缺陷，需要從技術上加以解決；另一方面，如同其他革命性的技術一樣，人工智能的發展絕不僅僅是一個技術問題，它是一把雙刃劍，既可以帶來機遇，也能帶來挑戰，它在給人類帶來不同改變的同時，也影響著人們對它的看法，影響著其未來。
縱觀整個人工智能發展史可以發現，總是在人工智能的發展趨向取得大的突破時，冬天突然來臨，而且每次來臨的原因大同小異，均為現有的技術水平達不到人們的心理預期以及商業需要，所以不得不擱置，這也為正處於繁榮發展階段的我們敲響了警鐘，不能僅僅管中窺豹，從業者要有前瞻的目光，主動解決目前行業存在的瓶頸，這樣才能使人工智能領域儘可能地平穩高效地發展。
相信很多人都有著這樣的疑問：究竟我們能不能達到所謂的強人工智能？因為單從目前的智能程度來說，在較為通用的智能方面，人工智能還遠遠談不上人們想要達到的程度。“阿爾法狗”的誕生，曾經令很多人眼前一亮，但現在仔細看來，“阿爾法狗”只能在圍棋領域有所建樹，不能跨越到其他情景之中。搜狗公司首席執行官王小川也曾說過，現在的人工智能還存在很多弱點，即使在 3 個月後，“阿爾法狗”也贏不下當初輸掉的那場比賽。
那麼，具體的瓶頸究竟在什麼地方呢？
動機性
首先是動機性。在心理學上，動機一般被認為涉及行為的發端、方向、強度和持續性。動機也是有層次的，不同層級可以互相轉換。馬斯洛（ Abraham Maslow）於 1943 年在《人類激勵理論》一文中將社會需求層次與生理需求、安全需求、尊重需求和自我實現需求並列為人類五大需求，人處於不同的需求層次就會有不同的動機層次。有了動機後，人們的行為就有了指向性，這對於人的日常行為是非常重要的。
那機器究竟能否形成與人類似的動機呢？讓機器產生動機的一大難點在於動機是很難被表徵的。目前還沒有研究清楚的展示動機的形成機制，表徵的必要不充分條件是具有可以被清晰表達的框架，而且動機的轉換邊界並不清楚。因此，動機的權重值便無從下手，導致計算陷入僵局。另外，動機還有意識動機與無意識動機之分。目前，人工智能界對於意識層面的內容還知之甚少，更不要提進行表徵了。
常識
其次是常識。常識被定義為在一定的文化背景下，人們擁有的相同的經驗知識，比較常見的有空間、時間、文化、物理常識。常識對於我們的日常生活十分重要，尤其是在我們做出決定與判斷的時候尤為如此。很多常識是潛移默化形成的，是文化與背景學習的產物。那機器如何形成常識呢？早在 1959 年，約翰· 麥卡錫（JohnMcCarthy）就已經想過讓機器擁有常識以變得更加聰明。目前的人工智能界有兩種方法來解決這個問題。
第一種方法為讓機器形成學習與觀察周圍環境的機制，就像一個孩子一樣去學習，不過這樣時間成本比較大，用戶能否承擔起這些成本還是未知數。明斯基曾說：常識是長期實踐中總結出來的龐大知識體系，包含大量生活中學到的規則和異常現象、特性及趨勢、平衡與制約等。
第二種方法就是建立大型的常識庫，並將其存儲到電腦中。其中最為著名的為 CYC 項目，這個項目由道格拉斯· 萊納特（ Douglas Lenat）於 1984 年提出。首先通過採訪與觀察人的數據，然後由知識工程師對這些數據進行處理，以CYCL 的形式整理成數據庫。當然，這個常識庫的成本過於高昂。目前常識庫中比較可行的思路為讓互聯網上的每個用戶共同建立這個常識庫，並在特定的網頁使用不同的語言來進行編寫，這樣就能節省很多時間與金錢，最為成熟的為 OMCS（ Open Mind CommonSense）。
決策
最後是決策。無論是人類的日常生活還是人工智能，最為關鍵的一步就是決策。如何讓機器更加智能地進行決策，這是一個關乎未來人工智能走向的問題。人類的決策機制主要分為三大部分：理性決策、描述性決策與自然決策。
理性決策即認為人在決策時遵循著理性價值最大化的原則，比較具有代表性的有馮· 諾伊曼提出的最大期望效用理論，倫納德· 薩維奇（ Leonard Savage）提出的主觀期望效用理論等。
描述性決策認為人在進行決策時不完全遵循理性準則，其中丹尼爾· 卡尼曼（ Daniel Kahneman）與阿莫斯· 特沃斯基（ AmosTversky）提出的前景理論是其中的代表。該理論認為，決策者依據價值函數、權重函數賦予選項不同的效用值，最終選取最大期望效用值做出決策。人也存在著啟發式偏差，這會對決策產生影響。
自然決策專門研究人們如何在自然環境或仿真環境下實際進行決策，其中最著名的要屬加里·克萊因（ Gary Klein）提出的再認—啟動模型（ RP D），該模型認為人在決策時會依據以前的模式進行匹配。對於機器而言，進行智能決策可以借鑑人的決策習慣，可以將幾種思維方式進行結合，並確認出一套判斷機制，以便在特定情景下對決策行為進行抉擇。例如，機器可以區分出時間與情景的壓力，並建立起相對應的匹配機制，如當情景壓力小時選擇理性決策模式，而當時間壓力大時選擇自然決策模式等。
所以，目前人工智能界對常識、動機與決策問題中的難點解決辦法看起來還不是很多，但這確是目前機器智能與人智能之間差異最為顯著的地方，也是目前整個行業的瓶頸所在。 如何讓下一代人工智能產品更有“溫度”，需要先在這幾個問題上有所突破。
本文編輯、改寫自劉偉《追問人工智能：從劍橋到北京》一書的部分章節，學術討論請以原書為準。配圖源於網絡，如有侵權還請聯繫刪除。
閱讀更多 雙體實驗室 的文章
