人工智能的迷思

当前,各大IT企业斥巨资,吸引顶尖人才推动人工智能学科和产业化发展,人类社会步入以人工智能驱动的信息时代。随着围棋对弈中机器智能完败顶尖棋手、全球首个机器人获得公民身份、自动智能的文稿写作和艺术创作等种种事件影响,2016年以来,人工智能概念以及衍生应用对普罗大众到专业从业者,产生深刻影响和持续吸引。

人人都可对“人工智能”这个专业概念发表看法。社会各界涌流着“预见未来”、“变革时代”的热切期盼,民众都怀抱着对ICT技术引发巨大变革影响的憧憬。

以库兹韦尔为代表的乐观主义未来学家预测,随着信息技术爆炸式进步,摩尔定律带来硬件成本的指数型降低,不久的将来人类将迎来一个强人工智能超越人类智能的奇点(singular)。包括物理学家霍金、微软大佬比尔盖茨等,表达了对强人工智能快速发展,机器制造机器、机器智能超越人类智能带来社会问题,可能引发反制人类的担忧。

在人工智能大放异彩的时代,也有部分学者和科学家对此提出了另一个角度的质疑。历史学家皮埃罗斯加鲁菲就是其中一员。

 

 

 

 

 

 

 

 

 

作者: [美] 皮埃罗·斯加鲁菲
出版社: 人民邮电出版社
出版年: 2017-1-1
页数: 230
定价: CNY 55.00
装帧: 平装
ISBN: 9787115443786

 

 

 

回望历史,包括人工智能开山鼻祖在内的西蒙、明斯基等科学家,以及科幻作家阿西莫夫等,在不同时期给出的机器智能全面渗透影响人类的时间,却被现实证明都是错的。而且,很多未来应用场景,至今也未能实现。社会上所谓的有效预言,如数字浪潮、无人驾驶,是从曾经的、大量的(98%以上)被证伪预言淘汰后留存下来的,具有幸存者偏差效应。

总体而言,受制于计算机设计原理,机器智能中短期内,尚不能全面多元自主进化学习,难以超越人类智能。而当前对信息技术和机器智能的看法普遍过于乐观。

1. 信息技术存在自身局限。

  • 一是受计算机底层原理制约。

现代计算机的工作原理来自图灵机,工程实现来自冯诺依曼体系。一方面,科学家已经将哥德尔不完备定理延伸至计算机领域,证明一阶逻辑不可计算,通用图灵机对“不停机”问题无解。这也意味着,基于图灵机原理的计算机,原则上不是可解决任务的机器。

另一方面,现代科学理论认识和判别的意识是否存在,这也是“智能”的关键指标,是考察各组成部分形成密集的信息交互,进而形成整体智能意识。而冯洛伊曼体系,将计算机的存储、计算等部分分离设计,从这个角度看,计算机并无智能意识可言。

  • 二是暴力计算和硬件升级的制约。

当前机器智能的获取与提升,不是简单的走遵循基于规则的推理,也不是基于人类主观经验和机器客观算法的专家系统推理,而是采用基于数据的概率统计以及多层次神经网络模拟。后者的准确度和精度,需要喂养海量标记数据,依赖于计算能力、存储能力的指数级提升。大算力+大数据构成机器智能的两大核心。假如算力和数据量受限或缺乏,则机器智能水平就无法提升。

  • 三是机器智能增长机制不明制约。

作为目前机器智能最创新、前沿和有前景的分支,基于多层神经网络的深度学习,需要人们持续对海量数据的持续训练和参数调优,而参数调整并无规律可寻,人类对背后的理论机制与原理不理解。微软甚至开发了一种机器人用于算法参数调优。这种黑箱式智能,只能通过持续试错获得,其发展走向、效果水平具有不确定性,智能增长的方式难以持续。

2. 技术在改变,但不一定都能称之为“进步”。

  • 一是人们感知的技术快速变革可能只是乐观错觉。

技术爆发式发展,过去各个时代也都有。而20世纪电力、汽车、飞机、留声机、电视机等从0到1的开创性发明革新,相比于数字技术,也许从历史长河看,更具变革性意义。而且,任何革新技术都存在一个指数级普及和爆发阶段,无论是指引时间的时钟,还是知识传播的印刷机,直至行业成熟稳定。回顾历史不难发现,每个时代人们都会高估技术的影响,却对过去时代知之甚少。

  • 二是技术影响了部分人类能力的退化和适应性。

在数据技术影响下,虚拟世界的二次元文化、现实生活的手机依赖瘾、个体的无处遁寻和行为的即时反馈,对经济发展、社会结构、人际交往产生重大影响。人们目前对周遭环境的感知能力,群体共情能力、方位路线辨别能力均不及过去,专注力日益缩短,精神集中度涣散,深度阅读和写作能力下降等等。这是信息技术释放红利的同时带来的副作用。

此外,现代人沟通依赖邮件、IM等工具方式,这与之前的鸿雁传书、邻里互访、当面沟通,哪种方式更能带来快乐呢?目前技术飞速进步效率极大提升,但我们比之前的人们更悠闲自在,享受自由,还是更为焦虑、被现代节奏裹挟不得不快速发展呢?我们在现代社会接受的资讯、购买的物品其丰富程度远超过过去,但能确保不是某些权力组织或公司刻意设置喂养给我们的么?将我们置于一个原始森林或蛮荒之地,缺乏机械工具的我们能更敏锐的感知环境、更可靠长久的生存下来么?

  • 三是机器智能尚且不能普遍联系,交叉学习和迭代进化。

当前,大量所谓的机器智能,需要在人造的结构化环境中,面向特定领域和特定任务,才能生成机器智能和决策反馈。图像识别、语音识别以及自然语言处理等,虽然近几年在实验室、公开竞赛场不断取得优异成绩突破历史记录,现实电子消费类产品和工业场景下也开始应用,但他们都仅限于特定领域任务,还需人类作为适配者加以设计和干预,实现人与机器紧密配合,协同工作。

而机器智能展现出的模式识别、智能决策与反馈,依然处于初级起步阶段。例如清晰准确辨识“一只猫”,甚至需要上万台CPU和GPU,耗费数天机器学习,耗能几千瓦。如果衡量其“智商”,绝不超过普通四五岁儿童。换一个角度,只要想想,你是否愿意将法院对你的审判交给机器人而非陪审团,将自己的父母和孩童看护完全托付给机器人,就知道当前的智能技术还只是很粗线的应用水平。

这类的机器智能,既不能根据不同场景和任务,随机应变,也不能综合学习多类型的数据实现自主应用,更无法自如识别、操控不曾海量数据学习过的物体。在此看来,机器智能的发展依然任重道远。



Related Posts:

此条目发表在书评, 思考, 相关技术分类目录,贴了, 标签。将固定链接加入收藏夹。

发表评论

电子邮件地址不会被公开。 必填项已用*标注