文 | AI国际站 唐恩
编 | 艾娃
本文由AI国际站 原创出品，未经许可，任何渠道、平台请勿转载，违者必究。
1956年，由年轻的数学助理教授约翰·麦卡锡（John McCarthy）领导的一组科学家聚集在新罕布什尔州的达特茅斯学院，进行了一个雄心勃勃的为期六周的项目：创建可以“使用语言，形式抽象和概念，解决人类现存的各种问题，并改善自己。”
该项目启动了被称为人工智能（AI）的领域。当时，科学家们认为，“一个2个月，10人的人工智能研究”将解决AI方程的最大部分。“第一批AI提案读到：“如果经过精心挑选的一组科学家一起研究一个夏天，我们可以在一个或多个问题上取得重大进展。”
六十年后，创建人工智能的梦想仍然遥遥无期。我们仍然没有能够像人类孩子那样思考和解决问题的思维机器，更不用说成年人了。但是，我们已经取得了很大的进步，因此，人工智能领域已经分为通用人工智能（AGI）和强人工智能（ANI）。
普通AI和窄AI之间有什么区别？
正如麦卡锡及其同事所设想的那样，人工智能是一种人工智能系统，它可以学习任务并解决问题，而无需明确指示每个细节。它应该能够进行推理和抽象，并且可以轻松地将知识从一个领域转移到另一个领域。
研究人员已经学习了数十年，因此创建满足所有这些要求的AI系统非常困难。模仿人类思维过程的计算机AI的原始愿景已被称为人工智能。
根据Wikipedia的说法，AGI是“具有理解或学习人类所能完成的任何智力任务的能力的机器。”科学家，研究人员和思想领袖认为，AGI至少有数十年的路程。
但是，在实现创造思维机器的梦想的不断努力中，科学家们设法发明了各种有用的技术。狭窄的AI是涵盖所有这些技术的总称。狭窄(弱）的AI系统擅长执行单个任务或有限范围的任务。在许多情况下，它们甚至在特定领域的表现都优于人类。但是，一旦他们面临的问题超出了他们的问题空间，他们就会失败。他们也无法将自己的知识从一个领域转移到另一个领域。
例如，由Google拥有的AI研究实验室DeepMind开发的机器人可以在冠军级别玩流行的实时策略游戏《星际争霸2》。但是相同的AI将无法玩其他RTS游戏，例如Warcraft或Command＆Conquer。
虽然狭窄的AI在需要人类智能的任务上失败了，但它已经证明了其有用性，并已将其应用于许多应用程序中。您的Google搜索查询可以通过狭窄的AI算法来回答。狭窄的AI系统会在YouTube和Netflix中推荐您的视频，并在Spotify中整理您的Weekly Discovery播放列表。Alexa和Siri已成为许多人生活的主要内容，它们由狭窄的AI驱动。
实际上，在大多数情况下，您听说过一家公司“使用AI解决X问题”或在新闻中读到有关AI的信息，这是关于人工智能的。
不同类型的狭窄AI技术
我们今天拥有的狭义AI技术基本上可以分为两类：象征性AI和机器学习。
象征性人工智能（又称老式AI）是AI大部分历史研究的主要领域。符号AI要求程序员精心定义规则，以指定智能系统的行为。Symbolic AI适用于环境可预测且规则明确的应用程序。尽管在过去的几年中象征性AI有所失宠，但我们今天使用的大多数应用程序都是基于规则的系统。
机器学习是狭义人工智能的另一个分支，它通过示例来开发智能系统。机器学习系统的开发人员创建模型，然后通过提供许多示例来对其进行“训练”。机器学习算法处理这些示例并创建可以执行预测和分类任务的数据的数学表示。
例如，对成千上万的银行交易及其结果（合法或欺诈）进行训练的机器学习算法将能够预测新的银行交易是否为欺诈。
机器学习有许多不同的风格。深度学习是机器学习的一种特殊类型，在过去几年中特别流行。深度学习尤其擅长执行数据混乱的任务，例如计算机视觉和自然语言处理。
强化学习是机器学习的另一个子集，它是许多游戏机器人所使用的狭窄AI的类型，它是必须通过反复试验解决的问题，例如机器人技术。
为什么要缩小AI？
象征性AI和机器学习都捕获了人类智能的一部分。但是他们没有将必要的部分组合在一起以创建一个涵盖所有人类的AI。这就是阻止他们超越人工情报的原因。
符号操纵是人类思维过程的重要组成部分。但是，思想不仅仅是符号操作。我们在童年时期学到的许多技能（步行，跑步，绑鞋带，搬运物品，刷牙等）都是我们通过死记硬背学到的东西。我们可以在不进行任何形式的符号操纵的情况下潜意识地学习它们。
象征性AI系统非常脆弱。需要对他们必须完成的每项任务进行精确的指导，并且只能在其定义的规则范围内运行。另一方面，机器学习算法擅长复制在符号推理中无法捕获的行为，例如识别人脸和声音，以及我们通过示例学习的技能。这是深度神经网络（深度学习算法中使用的结构）最擅长的领域。他们可以摄取大量的数据，并开发数学模型来表示表征它们的模式。
但是同样，头脑的学习过程不能简化为纯粹的模式匹配。例如，我们识别猫的图像是因为我们可以将它们与我们在生活中看到的许多猫图像相关联。但是，识别猫的这一简单任务还涉及很多符号操作（它具有四只腿，一条尾巴，毛茸茸的身体，尖锐的耳朵，三角形的鼻子等）。
缺少符号操作限制了深度学习和其他机器学习算法的功能。深度学习算法需要大量数据来执行人类可以通过很少的示例学习的任务。用于计算机视觉的卷积神经网络（CNN）需要在必须识别的每种对象的数千张图像上进行训练。即使这样，当它们在新的光照条件下或以不同的角度遇到相同的物体时，它们也常常会失效。
诸如AlphaGo，AlphaStar和OpenAI Five这样的AI游戏系统必须经过数百万场比赛或数千小时的游戏时间训练，才能掌握各自的游戏。这比任何人（或者说十个人）一生都可以玩的游戏多。
机器学习系统还严格受限于其训练示例的上下文，这就是为什么它们被称为狭窄AI。例如，自动驾驶汽车中使用的计算机视觉算法在遇到异常情况时，例如奇怪的停放的消防车或翻倒的汽车，容易做出错误的决定。
狭AI的AI之后会怎样
科学家们一致认为，我们今天拥有的任何AI技术都没有人工智能通用的必要成分。但是他们不一定同意下一步要超越狭AI的AI。以下是一些扩展人工智能狭窄智能功能的计划：
- 认知科学家Gary Marcus建议创建结合基于规则的系统和神经网络的混合AI系统。已经有一些工作示例表明神经符号AI系统可以克服狭窄AI的数据约束。“为构建体系结构，有很多第一步，将符号化方法的优势与机器学习的见解相结合，以开发出更好的技术来从大型且经常嘈杂的数据集中提取和概括抽象知识。
- 理查德·萨顿（Richard Sutton）是计算机科学家，也是一本关于强化学习的开创性著作的合著者，他认为，超越狭窄的AI的解决方案是继续扩展学习算法。萨顿认为，人工智能行业的进步归功于“每单位计算成本的持续呈指数下降”，而不是我们将人类的知识和推理编码到计算机软件中的进步。
- 深度学习先驱Yoshua Bengio在去年的NeurIPS会议上谈到了系统2深度学习。根据Bengio的说法，系统2深度学习算法将能够执行某种形式的变量操作，而无需集成符号AI组件。Bengio说：“我们希望拥有能够理解世界的机器，能够建立良好的世界模型，能够理解因果关系，并且可以在世界上采取行动来获取知识。”
- 另一位深度学习先驱Yann LeCun在今年的AAAI大会上谈到了自我监督学习。自我监督的学习AI应该能够通过观察世界来学习，而不需要大量的标记数据。“我认为自我监督学习是未来。这将使我们的AI系统，深度学习系统进入一个新的水平，也许通过观察来了解有关世界的足够背景知识，从而可能会出现某种常识。” AAAI会议。
我们如何知道是否已经超越了狭窄的AI？
人工智能的问题之一是它是一个移动的目标。只要问题仍未解决，就认为它是AI完整的。这意味着解决该问题的计算机被认为具有真正的人工智能。但是，一旦解决，它就不再被认为需要情报。
一个很好的例子是象棋，它曾经被认为是人工智能的果蝇，是对20世纪初期果蝇的突破性遗传研究的参考。但是1996年击败国际象棋世界冠军加里·卡斯帕罗夫（Garry Kasparov）的计算机“深蓝”在人类的国际象棋手意义上没有被认为是智能的。它使用纯粹的计算能力来检查所有可能的动作，并选择最有可能获胜的动作。其他在特定任务上表现出色的狭窄AI系统也是如此，例如拨打电话和在餐厅预订桌子。
狭窄的AI从许多方面证明了我们用人类智能解决的许多问题可以分解为数学方程式和愚蠢的算法。
最近，人们更加关注在一般问题解决方面衡量AI系统的能力。在这方面值得注意的著作是“关于智能的度量”，这是Keras深度学习库的创建者FrançoisChollet的有影响力的论文。
Chollet在他的论文中讨论了衡量AI系统解决未经明确训练或指示的问题的能力的方法。在同一篇论文中，Chollet提出了抽象推理语料库（ARC），这是可以对该假设进行检验的一系列问题。Google拥有的数据科学和机器学习竞赛平台Kaggle于今年早些时候发起了一项挑战，以解决ARC数据集。
虽然几乎没有任何人能够解决挑战并获得奖金的机会，但这将很好地衡量我们从狭窄的AI到创造可以像人类一样思考的机器的距离。
閱讀更多 AI國際站 的文章
