AlphaGo 其实并无任何智慧!人类究竟何时才真正掌握通用人工智能?

AI11个月前发布 aixure
26 0 0
导读:作者:AI小白(笔名) 中国科学院大学模式识别与智能系统博士 关于人工智能,人们曾在无数文学作品和影视作品中畅想过它的未来。在《机器人管家》中,机器人安德鲁拥有非凡的学习和创造能力,它渴望自由,希望成为一个真正的人类;《我,机器人》中的高级机…

作者:AI小白(笔名) 中国科学院大学模式识别与智能系统博士

关于人工智能,人们曾在无数文学作品和影视作品中畅想过它的未来。在《机器人管家》中,机器人安德鲁拥有非凡的学习和创造能力,它渴望自由,希望成为一个真正的人类;《我,机器人》中的高级机器人拥有自我意识后,成为了能与人类抗衡的超级智能体,并企图控制人类;《西部世界》中人类创造了机器人乐园,以满足人类的放纵需求,然而乐园里的机器人逐渐开始产生自我意识,觉醒并反抗了人类……

如今,随着科技的发展,人工智能已经成为了家喻户晓的名词,许多智能技术已经不在流于屏幕上的幻想,而是真切地走入了我们的生活。几十年来,人工智能到底经历了怎样的发展?我们离实现终极的通用人工智能还有多远?本文将带你走进人工智能技术的过去、现在和未来。

1956 年,麦卡锡、明斯基、香农等科学家在美国达特茅斯学院召开了一个关于“如何使用机器模拟人的智能”的研讨会。会上,人工智能(Artificial Intelligence, 简称 AI)的概念被首次正式提出,从此人工智能作为一门新兴的学科被广泛研究和探索。彼时的科学家们信心满满,希望能创造出一种智能的机器,使其拥有像人一样的听、说、读、写、看,以及思考的能力。然而,几十年来,探索人工智能的道路充满了曲折与坎坷,几经大起大落,还经历了两次漫长的“寒冬期”。人们似乎低估了要完成这一目标的困难与挑战。

直到最近的十几年,随着计算机硬件性能的不断突破,以及大规模数据的获取和处理能力的不断提升,深度学习开始在人工智能领域大展拳脚。2012 年,卷积神经网络(CNN)在 ImageNet 图像识别竞赛中获得冠军,性能大幅超越其他算法,引起了学界的极大关注,深度学习的研究热潮从此开启。

深度学习是一种受人类大脑层次化的神经连接结构启发而提出的一种信息处理模型,它以数据为驱动,通过大量的数据进行学习和训练,建立起一个从输入到输出的近似函数关系。直至目前,通过深度学习技术,人们已经在图像识别、语音识别、机器翻译等领域有了极大的发展,各类智能应用层出不穷。人脸支付、智能相册、美颜特效、自动驾驶、语音助手,人工智能已经慢慢融入并改变了我们的日常生活。这是否意味着我们距离真正的通用人工智能时代已经不远了呢?很可惜,答案很可能是否定的。

目前的大多数 AI 只是弱人工智能,仅能执行特定的一项或几项任务,例如打败围棋世界冠军李世石的 AlphaGo 只会下围棋,无法进行人脸识别或语音翻译等其他无关的任务。但对于人而言,一个人既可以学习下棋,又可以学习画画,能够从事多种不同种类的工作,并且拥有独立的意识。目前的AI机器只是看上去是智能的,其并没有拥有真正的意识,也不会独立思考和行动。

通用人工智能(Artificial General Intelligence,简称 AGI)的终极目标就是制造出能像人一样思考、能从事多种用途的机器。随着研究的深入,AI科学家们愈发清晰地认识到实现通用人工智能是一项巨大的科学挑战,而我们当下的成果与这一终极目标仍然差之甚远。要实现AGI,不仅仅需要计算机学科的发展,更需要生物学、神经科学、物理学等多学科的交叉融合,共同进步。神经网络的提出便得益于神经科学对人脑神经通路的研究和解析;在计算机视觉领域大放异彩的卷积神经网络则是受到生物视觉神经系统中视觉皮层(visual cortex)的结构和功能机理之启发而构建的。可见,要想真正造出拥有人类智能的机器,需要人类首先对自己的大脑有更进一步的认知,而这需要更多学科的参与和努力。

除此之外,如何从大数据、有监督的学习转向小样本、无监督的学习,也是攻克 AGI 路上的一大挑战。“成也萧何,败也萧何”,大数据让我们看到了深度学习的可行性和有效性,帮助我们得到了跨越式的发展,但基于大规模、强监督数据的深度学习算法也为AI的发展带来了重重阻碍:获取和标注数据代价巨大、存储和处理数据需要消耗极大的算力、数据依赖和偏见带来不稳定和不安全、黑盒式的学习让我们无法知晓其内部机理。

如今,越来越多的科学家们开始思考如何构建更加有效、透明、安全的智能系统。近年来一系列的新技术被提出,推动着人们在实现 AGI 的道路上慢慢前进。

小样本学习(few shot learning)研究试图让机器从少量的数据中学习,期望赋予机器一定的“举一反三”、“触类旁通”的能力;生成对抗网络(GAN)的提出使得机器可以像人一样从零开始创作,“无中生有”;

强化学习(reinforcement learning)让机器可以在与环境的交互中,像人一样思考、决策和行动;

对比学习(contrastive learning)使得自监督学习得以空前发展,为摆脱大规模标注数据的桎梏带来了曙光;

Transformer 在视觉中的成功应用,使得跨领域、跨模态的通用人工智能系统成为可能;

GPT-3的出现让人们看到超大规模预训练模型在多种任务上强大的潜力……

“路漫漫其修远兮”,探索通用人工智能的道路注定会是漫长而曲折的,科学家们仍在迷雾中探寻。但只要不断坚持,真理总会越辩越明,未来总会越来越近。“守得云开见月明”,人类今日的文明也是一步步发展而来,而人工智能的未来也总会在某一个时刻来到。

赞助本站

© 版权声明

相关文章

暂无评论

暂无评论...