人工智能路走歪了？？？

要回答題主的問題，我們首先要弄明白題主到底想問什么。

從問題結(jié)合描述來看，題主的疑問至少包含如下五層疑惑：

1. 當(dāng)前人工智能的運(yùn)算結(jié)構(gòu)和人類的大腦結(jié)構(gòu)是否是一致/同構(gòu)的？
2. 機(jī)器的學(xué)習(xí)過程一定是被動的嗎？
3. 是否只有和人類大腦一致/同構(gòu)的內(nèi)部結(jié)構(gòu)，才能獲得一致或相似的外在表現(xiàn)？
4. 人工智能的正確方向和目的是什么？
5. 人工智能的方向走錯了嗎？

同時，鑒于題主的描述，我在此粗略地將題中的“人工智能”替換為“我們當(dāng)前采納的深度學(xué)習(xí)”

在回答這些問題之前，首先需要指出的是，人的判斷應(yīng)當(dāng)基于對事實的觀察，而非簡單的“我相信”或者“我不信”。

另外需要聲明的是，我個人的專精領(lǐng)域是強(qiáng)化學(xué)習(xí)和計算機(jī)視覺，對于下文中提到的生物學(xué)、神經(jīng)科學(xué)等領(lǐng)域的描述不一定能夠做到完全準(zhǔn)確，還望指出與討論。

人類目前的”深度學(xué)習(xí)“在工作原理上與人腦有多少相似

接下來我們從第一層談起，圍繞題主的問題描述進(jìn)行當(dāng)前人工智能在原理上和人腦的關(guān)系。

我不信大腦每天都在大量的傅里葉變換，來處理視覺和聲音數(shù)據(jù)。

題主的第一條陳述包含了如下三個可討論的議題：

1. 人工智能運(yùn)用傅里葉變換的場景中，傅里葉變換的目的是什么
2. 人類意識中是否包含了為相同目的而設(shè)立的處理機(jī)制
3. 人腦及其“周邊結(jié)構(gòu)中”中是否具備顯式進(jìn)行傅里葉變換計算的部分

對于機(jī)器系統(tǒng)中運(yùn)用傅里葉變換的目的，不必做太多的解釋。大多數(shù)情況下是對應(yīng)的信號在頻域空間下更容易處理，或者展現(xiàn)出其在時域空間下難以提取的特征。對于人工智能系統(tǒng)而言，傅里葉變換往往并非在系統(tǒng)中作為可學(xué)習(xí)部分，而是作為數(shù)據(jù)預(yù)處理的部分而存在。

那么反觀人類意識，對于信號在頻域空間的處理，其最明顯的例子就是對音頻信號的處理了。這一點可以從我們主觀對于音高的感受去驗證，而在解剖的層面上，同樣可以找到對應(yīng)的結(jié)構(gòu)。這一結(jié)構(gòu)存在于我們的內(nèi)耳而非大腦中——這一點同樣和在“人工智能系統(tǒng)中”傅里葉變換部分常常出現(xiàn)在數(shù)據(jù)的預(yù)處理而非可學(xué)習(xí)結(jié)構(gòu)中保持一致——這一結(jié)構(gòu)即是內(nèi)耳的基底膜。不精確地來講，基底膜的兩端松緊程度不同，導(dǎo)致基底膜的不同位置對不同的頻率有其響應(yīng)，而遍布基底膜的毛細(xì)胞則將膜各部分的振動反饋至聽神經(jīng)。從這個角度講，基底膜上的每個毛細(xì)胞反饋近似等價于傅里葉變換中的一個基。于是我們上面的三個議題都得到了解答：構(gòu)建人類意識的生物學(xué)結(jié)構(gòu)中確實存在與傅里葉變換目的相同的、顯式將信號從時域空間轉(zhuǎn)換為頻域空間的結(jié)構(gòu)。

另外，人類大腦大部分區(qū)域的神經(jīng)元鏈接，是脈沖激活模式，人工神經(jīng)網(wǎng)絡(luò)中對應(yīng)的概念為Spiking Neural Network (SNN)。在這種鏈接中，一個神經(jīng)元的激活不僅僅取決于其接受的脈沖強(qiáng)度，同時也取決于脈沖的間隔和數(shù)量。我并非SNN或神經(jīng)科學(xué)方面的專家，但是這里我可以提出一種觀點，即Spiking Neural Network這樣的激活模式天然地encode了部分頻域空間上的信息。如此觀點被證實成立，那么很可能意味著人腦在可學(xué)習(xí)的部分中，其隱空間同樣在處理頻域空間上的信息。

我不信大腦每天都在大量的模型訓(xùn)練或卷積，來深度學(xué)習(xí)認(rèn)識一個東西

這里又是兩個獨立的議題：

1. 大腦是否每天都在進(jìn)行大量的模型訓(xùn)練
2. 大腦中是否存在卷積單元

對于1，我們從三方面看：

A: 大腦是否在每天持續(xù)地接受信息，是的。

B: 大腦是否在每天對這些信息進(jìn)行學(xué)習(xí)，是的。

C: 大腦是否有專門進(jìn)行訓(xùn)練而不接受信息的時間。在我了解的范疇內(nèi)，根據(jù)現(xiàn)有的觀察和印證，人類的睡眠深-淺睡眠周期變化中，最主要的作用之一就是短期記憶向長期記憶的遷移、記憶的反混淆，以及具象概念向抽象概念的總結(jié)。

對于A與B，在現(xiàn)有的研究領(lǐng)域有一個類似的議題叫做Continual Learning，此處就不展開了。題主大可以快速閱讀一些相應(yīng)的文獻(xiàn)找到其中的對照。

對于2，大腦的視覺皮層中確實存在類似卷積的結(jié)構(gòu)。早在1962年，D. H. Hubel和T. N. Wiesel就發(fā)現(xiàn)了在貓的視覺皮層中，特定的一組神經(jīng)元僅對特定角度的線條產(chǎn)生反應(yīng)]。進(jìn)一步的研究顯示這些被稱為Columns的結(jié)構(gòu)存在特殊的組織性以及獨特的感受野分布。下面這張圖是V1視覺皮層的一張示意圖：

如圖所示，V1皮層中，神經(jīng)細(xì)胞以左眼-右眼不斷交錯排列。每個細(xì)胞擁有自己的感受野且每一組細(xì)胞只對特定的方向敏感，同一個Columns內(nèi)的不同細(xì)胞則對該方向的不同尺寸敏感。配合跨Columns的long range connection，進(jìn)一步組織出對不同曲率曲線敏感的神經(jīng)信號。

小孩子不需要喂很多數(shù)據(jù)，看兩三次就能認(rèn)識什么是蘋果，什么是橘子 (雖然不理解為什么是)。

這一句讓我去看了一眼問題的發(fā)布時間，是在2021年2月。那么可以肯定的是題主對于深度學(xué)習(xí)的認(rèn)知依舊停留在若干年前。這里我并不是想說現(xiàn)在的深度學(xué)習(xí)不用喂很多數(shù)據(jù)，而是現(xiàn)有的“當(dāng)紅”研究領(lǐng)域中，存在專門針對這類問題的研究，即Few-shot/One-shot Learning及Zero-shotLearning. 題主如果有興趣和耐心，可以對其中的內(nèi)容進(jìn)行了解。

以最近被廣泛研究的Contrastive Learning為例，其核心理念在于讓輸入數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)中的表示距離隨數(shù)據(jù)的異同進(jìn)行變化。對于源自相同數(shù)據(jù)，或應(yīng)當(dāng)做出相同判斷的數(shù)據(jù)，讓其表示距離盡量接近，而反之則盡量遠(yuǎn)離。在這種情況下，神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)輸出的表示向量隱式包含了對于其目標(biāo)信息的預(yù)測。對于新類別的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)也將傾向于輸出不同于原有類別的表示向量。這一在表示空間中近似于kNN的做法，使得神經(jīng)網(wǎng)絡(luò)對于后續(xù)新類別數(shù)據(jù)無需大量數(shù)據(jù)的監(jiān)督訓(xùn)練，也能給出較好的預(yù)測。

在Few-shot/One-shot/Zero-shot領(lǐng)域里，較為著名的、有所說服力的，應(yīng)用級別的案例即是OpenAI近期發(fā)布的兩大怪獸GPT-3和DALL-E，這兩個網(wǎng)絡(luò)在充分進(jìn)行預(yù)訓(xùn)練的基礎(chǔ)之上，已經(jīng)達(dá)到了非常顯著的“舉一反三”的學(xué)習(xí)效果。

有些人可能會爭論說，上文中指出的方案和案例，都包含了長期大量的預(yù)訓(xùn)練。而人腦則不需要這樣的預(yù)訓(xùn)練。我個人認(rèn)為這樣的觀點是錯誤的，和神經(jīng)網(wǎng)絡(luò)等價的預(yù)訓(xùn)練可以發(fā)生在：

1. 人類自身長期的進(jìn)化進(jìn)程中：預(yù)訓(xùn)練的意義在于集成大量的Prior并提供一個良好的初始參數(shù)。這一過程是由梯度傳播達(dá)成的，還是通過進(jìn)化搜索完成的，并不重要。
2. 嬰兒時期對世界反復(fù)的交互觀察中：嬰兒時期的人類會以交互的方式對世界的運(yùn)行規(guī)律進(jìn)行大量的觀察和總結(jié)（unsupervised learning）

機(jī)器的學(xué)習(xí)方式是被動的嗎？

至此，我一一討論（批駁）了樓主的前三條問題描述，接下來我們進(jìn)入第二層：機(jī)器的學(xué)習(xí)方式一定是被動的嗎？

結(jié)合題主的核心問題（人工智能是不是走錯了方向），這一問題的展開中還包含兩個潛藏問題：學(xué)習(xí)主動性是智能的必要條件嗎？什么樣的學(xué)習(xí)才叫主動的學(xué)習(xí)？

對于第一個潛藏問題，我認(rèn)為是一個哲學(xué)意義上的Open Question，它直指智能的核心定義。在此我不直接拋出結(jié)論，而是通過對第二個潛藏問題的討論來引發(fā)思考。什么樣的學(xué)習(xí)才叫主動的學(xué)習(xí)？

直覺上來說，我們假設(shè)具備主動性的學(xué)習(xí)是自發(fā)地去探索、分析、總結(jié)這個世界，并且在環(huán)境對自身的反饋中調(diào)整自身的策略的過程。

如果以上面的話來定義主動性的學(xué)習(xí)，那么無論是給AI一個爬蟲去對Web上的數(shù)據(jù)進(jìn)行主動獲取，并進(jìn)行無監(jiān)督學(xué)習(xí)，還是讓一個Agent在特定或開放的環(huán)境中進(jìn)行強(qiáng)化學(xué)習(xí)，都可以認(rèn)為是符合上面定義的。

這里有人可能會反駁說，一個爬蟲對Web上的數(shù)據(jù)進(jìn)行獲取的行為是由程序設(shè)定好的，而對其進(jìn)行的無監(jiān)督學(xué)習(xí)也是有一定標(biāo)準(zhǔn)的（比如一個潛在的能量函數(shù)）。而對于強(qiáng)化學(xué)習(xí)，則是一個由獎勵函數(shù)驅(qū)動的學(xué)習(xí)過程。對于這樣的觀點，我們可以如此思考：當(dāng)我們認(rèn)為人類在主動獲取知識的時候，我們的“主動學(xué)習(xí)”過程，真的是無外部目標(biāo)、無內(nèi)在機(jī)制、無因素驅(qū)動的嗎？答案顯然是否定的。我們可能會認(rèn)為我們“自發(fā)地”想要完成一件事情——比如寫一篇知乎答案。而這種“自發(fā)”本質(zhì)上是由一系列的心態(tài)驅(qū)動的，比如渴望獲得認(rèn)同，渴望拓寬眼界，渴望增強(qiáng)交流。這些心態(tài)的自然產(chǎn)生是我們進(jìn)化的結(jié)果——對于群居習(xí)性的人類，更強(qiáng)的認(rèn)同、更頻繁的交流和更多的知識意味著生存概率的提高，所以這些心態(tài)同樣產(chǎn)生自一系列設(shè)定好的”程序“——被我們稱之為本能的，以”活下去“為最終目的的復(fù)雜程序。而為了構(gòu)建這樣一套程序，我們?nèi)祟愐苍诖竽X內(nèi)部構(gòu)建起了復(fù)雜的內(nèi)在機(jī)制，比如多巴胺獎勵機(jī)制。那么同樣的，如果存在一個方法去修改這一內(nèi)在機(jī)制，或者單純地修改我們的”獎勵函數(shù)“，這個方法就可以幾乎徹底地毀掉我們原有的思維、行為方式 —— 某些化學(xué)物質(zhì)在此處便也充當(dāng)了”黑客攻擊“的角色。

另外一說，如果我們真的將主動性的學(xué)習(xí)定義為不存在任務(wù)目標(biāo)的學(xué)習(xí)，那么這里就會遇到一個inductive bias的問題。事實上無論哪種學(xué)習(xí)模式，任務(wù)目標(biāo)即是該學(xué)習(xí)系統(tǒng)中最核心的Inductive Bias——它包含了“我在學(xué)習(xí)的東西是有意義的”這樣一個假設(shè)，以及“意義在哪里”的相關(guān)信息。在任意情況下，不包含任何inductive bias的系統(tǒng)是不具備學(xué)習(xí)能力的。人類智能的inductive bias同樣明顯：從行為學(xué)習(xí)的角度來看，reward shaping和生存概率直接相關(guān)；而對于視覺、聽覺等感官信號處理等方面，上文也已經(jīng)給出了詳盡的論述。

另外，在機(jī)器學(xué)習(xí)領(lǐng)域中，也確實存在叫做主動學(xué)習(xí)（Active Learning）的研究領(lǐng)域。這個領(lǐng)域的目的在于使用盡量少的數(shù)據(jù)標(biāo)注，得到盡量準(zhǔn)確的結(jié)果。一種非常普遍的方式為，以一套機(jī)制，讓一個系統(tǒng)去尋找性價比最高的學(xué)習(xí)數(shù)據(jù)。比如在一個分類問題中，一個主動學(xué)習(xí)系統(tǒng)往往不需要對所有數(shù)據(jù)進(jìn)行標(biāo)注，而是找到”標(biāo)注后可能信息量最大的數(shù)據(jù)“，并請求對這些數(shù)據(jù)進(jìn)行標(biāo)注。在學(xué)習(xí)了這些”典型數(shù)據(jù)“后，模型的分類準(zhǔn)確率即大幅提升。這一過程相似于我們在學(xué)校中學(xué)習(xí)時，有意地去尋找典型例題，以便加深理解。

回到題主的問題，在題主的問題描述4中，有非常重要的一段話：

人工智能學(xué)習(xí)某一方向只是受控

這句話是錯的嗎，并不盡然。人工智能的學(xué)習(xí)確實大多有著明確的外在目的、內(nèi)在機(jī)制，和由目的驅(qū)動的頻繁調(diào)優(yōu)。但這一點和人類智能的差別并非本質(zhì)性的，而是程度上的。經(jīng)過上面的討論我們明白人類的學(xué)習(xí)和決策同樣有著明確的外在目的和內(nèi)在機(jī)制，區(qū)別在于人類的學(xué)習(xí)和決策是多模態(tài)的，即其同時在各種不同類型的數(shù)據(jù)、不同類型的任務(wù)上進(jìn)行學(xué)習(xí)和決策。這一點確實是當(dāng)前人工智能所缺少的。但我們不能因此認(rèn)為人工智能走錯了方向——這是整個領(lǐng)域一直在嘗試解決，但還沒有一個公認(rèn)的完善方案的開放問題，由此問題派生出來的領(lǐng)域包括多模態(tài)學(xué)習(xí)，多任務(wù)學(xué)習(xí)，連續(xù)/終生學(xué)習(xí)等等，這些領(lǐng)域都是當(dāng)前研究的方向。

是否只有和人腦完全一致的內(nèi)在原理，才能擁有智能

題主的前4個問題分析完了，接下來的討論不僅針對題主描述中的第5點，同時也貫穿整個問題的核心，也就是一個系統(tǒng)擁有智能的先決條件，是不是其和人類的大腦擁有相同的內(nèi)在原理。

這一問題的本質(zhì)事實上包含了我們對”智能“的_定義_和_期待_。但是遺憾的是，事實上到現(xiàn)在，當(dāng)我們談?wù)撝悄軙r，我們始終也無法給”智能“一個統(tǒng)一的明確定義。對于其定義的分歧不僅僅無法在不同領(lǐng)域間得到統(tǒng)一，甚至在同一個領(lǐng)域中，比如心理學(xué)上，也存在著經(jīng)久不衰的爭論。

那么，是否在統(tǒng)一智能的定義之前，這一問題就無法回答了呢？答案是否定的。因為對于”智能“的定義有一個共同的特性。在說明這一特性之前，允許我舉幾個例子：

1. 對于人類智商的測定通常是通過一套精心設(shè)計的，有關(guān)各個能力的問題，來考察人們解決這些問題的能力
2. Intelligence這一詞來自拉丁語Intelligere，意為理解與感知。
3. 心理學(xué)中對智能的定義雖然并不統(tǒng)一，但在行為方面，往往圍繞自我驅(qū)動力、判斷力、規(guī)劃能力等展開，而在思想方面圍繞主動性、理性決策、系統(tǒng)性推理、信息的解構(gòu)比較與整合，以及高級、復(fù)雜的適應(yīng)性等方面展開
4. 對于非人類生物的智力研究，往往在于設(shè)計各類實驗以觀察動物對于外部復(fù)雜條件的反饋、長序列事件的學(xué)習(xí)模仿以及對于特定抽象概念（如自我、數(shù)字等）的認(rèn)知

從以上四個例子我們不難看出，對于對于智能的定義均圍繞其表現(xiàn)以及抽象工作方式而非硬件原理展開。至于神經(jīng)科學(xué)等領(lǐng)域，其關(guān)注的問題更加傾向于How，而非What。

那么從這里來看，我們是否可以如此認(rèn)為：一個與外部環(huán)境交互過程中顯現(xiàn)出智能的系統(tǒng)，即是有智能的，而不論其內(nèi)部原理如何呢？

從我粗鄙的哲學(xué)功底來講，現(xiàn)在還不敢下定如此暴論。但至少，通過上面總結(jié)出的方向，我們可以認(rèn)為人類對于“智能”的期待確實是體現(xiàn)在其外在表現(xiàn)上的。既然我們討論的問題根本在于“人工智能是否走錯了方向”，那么我認(rèn)為，以“期待”替代“定義”去討論，在此處是合理的。

既然我們確定了這樣的期待，我們便可以做如下的討論：是不是只有在一個系統(tǒng)在硬件原理上和人腦一致的情況下，才能如我們期待般地與外部環(huán)境發(fā)生智能性的交互呢？

答案顯然是否定的，不僅僅在于智能，任何系統(tǒng)在給定一個預(yù)期行為的背后，都可能包含不止一種實現(xiàn)。一輛車可以以蒸汽驅(qū)動，可以由汽油驅(qū)動，可以由柴油驅(qū)動；相同含義的一段話可以用中文、英文甚至是任何一種自創(chuàng)的語言表達(dá)。一段數(shù)據(jù)可以在內(nèi)存中表達(dá)為微小電容中的電壓，可以在硬盤中表達(dá)為局部的磁性。從更高層次來講，對于一個能夠被表述的意義，我們總能將其以不同的方式表達(dá)成不同的實現(xiàn)，這些實現(xiàn)互相同構(gòu)，這些實現(xiàn)共同張成為這個意義對應(yīng)的編碼空間，而從意義到實現(xiàn)的映射，不同實現(xiàn)之間的映射，以及實現(xiàn)到意義之間的映射，我們稱之為編碼/解碼。（在這一視角里，信息的載體也被抽象化為信息）

誠然，部分編碼-解碼是有損的，如數(shù)字信號的離散表示空間確實無法完全精確地還原連續(xù)空間中的模擬信號，但是對于智能這一問題來說，信息的損耗造成的誤差是可容忍的。證明如下：

1. 我們認(rèn)為大部分人類是擁有智能的
2. 若我們引入一個向量空間Q表示人類在各個方面的智力, 則每一個個體為該向量空間中的一個向 量
3. 對于人類個體 , 存在個體 使得 到 之間的任意揷值 , 都可以認(rèn)為是有智能的
4. 則在這一路徑上 的誤差是可以容忍的

其實上面討論了這么多，也可以由一個例子來表述：

人類已經(jīng)對部分生物的神經(jīng)系統(tǒng)得到了完整的模型，將這一模型放進(jìn)計算機(jī)中模擬，僅僅因為載體變化了這一模型就不能如預(yù)期工作了嗎？

最后讓我們回到所有問題的核心上來，

人工智能的方向是什么？

對于這個核心問題，事實上“人工智能”這一詞匯本身是包含著誤導(dǎo)性的浪漫主義色彩的。每每聽到這樣的詞匯大家總是關(guān)注于“智能”而非“人工”上，從而聯(lián)想到文學(xué)、影視作品中那些或可以與你促膝長談交流人生，或可以獲得求生欲然后把你的世界毀于一旦的那些與人無異的個體。誠然，人類最大的浪漫之一就是人類至今仍在潛意識里相信著自己是特殊的，人性是有著“神性”的。人類對“智能”的預(yù)期也在于自己能夠產(chǎn)生同理心范疇內(nèi)的智能（對于人類不能產(chǎn)生同理心的，人們將其歸于“復(fù)雜的現(xiàn)象”，而非“智能”）。

如果我們把目的單純地劃為構(gòu)建這樣的智能系統(tǒng)，那么只有小部分的研究（比如人工生命，以及虛擬伴侶）符合我們的夢想。但如果我們把我們的思緒從浪漫主義的遐想中拉回來，關(guān)注到“人工”這個詞上來，關(guān)注到我們探討的我們對“智能”的現(xiàn)實期待上來，我們完全可以認(rèn)為現(xiàn)在的發(fā)展方向是沒有問題的。無論過去，現(xiàn)在，還是可以預(yù)見的未來，“人工”的事物，或者說“人的造物”，永遠(yuǎn)在于為人類服務(wù)——或者說得優(yōu)美一些，幫助人類更好地完成任務(wù)。在我的觀點中，人類的勞動分為幾個層次：

1. 機(jī)械性勞動：即有固定模式的“手作”
2. 控制性勞動：通過對機(jī)器稀疏地控制、操作，將高重復(fù)性的勞動交予機(jī)器
3. 規(guī)劃性勞動：根據(jù)具體的需求，產(chǎn)生策略；或根據(jù)目的，給出具體的實現(xiàn)，從而將控制也能夠自動化
4. 創(chuàng)作性勞動：包含哲學(xué)思考、藝術(shù)創(chuàng)作、科學(xué)研究等上層精神活動的行為

工業(yè)革命的實質(zhì)是將人類的大部分從1中解放出來，而走向2；信息革命則將人類進(jìn)一步從2中解放，邁向3。從這樣的發(fā)展路線上來看，我們當(dāng)前的人工智能幾大主要派生方向：自動化控制、目的性分類識別、內(nèi)容生成，可以說是正在嘗試將人類從3中解放出來，甚至進(jìn)一步啟發(fā)4的。

將這樣的“人工”和上文中討論的“對智能的期待”結(jié)合起來，人工智能發(fā)展的預(yù)期方向我們可以總結(jié)為：

構(gòu)建一個系統(tǒng)，使其能夠在盡量少的人力干預(yù)下，能夠?qū)扔袛?shù)據(jù)自動進(jìn)行分析、提煉、總結(jié)，從而能夠產(chǎn)生自己的策略，或在無須人工給予具體實現(xiàn)的情況下完成對應(yīng)的任務(wù)。

而這，正是現(xiàn)在當(dāng)紅的研究領(lǐng)域如Self-supervised Learning所做的事。

那么，現(xiàn)在人工智能發(fā)展方向就完美了么

經(jīng)過上面這么一說，似乎現(xiàn)在的人工智能已經(jīng)完美了，已經(jīng)實實在在地落在帶人類由3型勞動躍向4的軌跡上了。真的是這樣的嗎？

既然已經(jīng)提出了這樣的設(shè)問，那么答案自然是否定的。當(dāng)前人工智能依舊存在許多未能解決的關(guān)鍵問題，比如：

• 邏輯推斷與基于邏輯推斷解決問題的能力：關(guān)于這方面的研究從未停止，卻一直處于起步階段。早期的符號派以及后來的貝葉斯派曾花費大量的精力在這一類問題上，但構(gòu)建出來的系統(tǒng)通常缺乏可泛化性或性能低下。近期的圖神經(jīng)網(wǎng)絡(luò)可以說是有進(jìn)行邏輯推斷的潛力，但對于開放性、高性能的普遍邏輯推斷智能依舊沒有令人滿意的答案。前幾年的神經(jīng)圖靈機(jī)通過將注意力模型映射到模糊存取結(jié)合神經(jīng)門控結(jié)構(gòu)，對簡單算法有一定的學(xué)習(xí)能力，但是對于復(fù)雜問題的解決，其依舊無力。
• 自我描述的能力，不同于通過分析特征顯著性來進(jìn)行可解釋的機(jī)器學(xué)習(xí)。人們通常更期待一個系統(tǒng)能夠以一定方式自行輸出其做出判斷的依據(jù)。比如給定一張馬的圖片，和一張獨角獸的圖片，我們更期待系統(tǒng)能夠輸出“前者沒有角”這樣的答案。所幸當(dāng)前的部分研究，無論是Siamese Network相關(guān)的研究，還是Capsule Network這一類“一組神經(jīng)唯一代表一個特性”的研究，確實是緩慢像這個方向靠攏的
• 沒人能夠保證完全當(dāng)前基于梯度傳播的深度學(xué)習(xí)一定是通往夢想中的人工智能（各種意義上）的最佳路徑，雖然我們也并不需要為了精確復(fù)刻人腦而全部押注到SNN相關(guān)的研究上。但是我們學(xué)者確實需要有動機(jī)和膽識去突破舒適區(qū)，去在各種不同的模型，以及相應(yīng)的智能理論中尋找啟發(fā)。不應(yīng)某個模型位居上風(fēng)就將其他研究丟棄甚至嗤之以鼻，科學(xué)向來不是取一舍一的流派戰(zhàn)爭，而是不同領(lǐng)域?qū)＞娜嘶ハ嗪献?，不同視角的觀念彼此整合，共同提煉更優(yōu)方案的領(lǐng)域。

一點私貨

對于人類自身帶有浪漫主義色彩的，對于“未來機(jī)器人”的遐想中的人工智能（也即是“強(qiáng)智能”），我最后說一點點私貨，下面的僅代表個人觀點：

• 關(guān)于“機(jī)器產(chǎn)生自我意識”這一點，首先我個人而言并不認(rèn)為自我意識是強(qiáng)智能的充分條件。這一點可以從“螞蟻通過鏡子測試”這一點得到印證——螞蟻能夠認(rèn)出鏡子中的影像是自己，但是通常我們不認(rèn)為螞蟻擁有充分的“智力”。
• 但是反過來，我認(rèn)為自我意識確實是強(qiáng)智能的必要條件（也就是說，我并不完全贊同彼得·沃茲所著小說《盲視》中的觀點）。一個系統(tǒng)必須能夠?qū)ψ晕疫M(jìn)行觀察，才能在開放性的環(huán)境中做出有規(guī)劃性的調(diào)整。換言之，對自身思考、行為的觀察即事后主動反思、復(fù)盤的能力，這一能力將極大地加速學(xué)習(xí)過程，并且在我看來才是“主動性”的根本性差異所在。
• 但是上面所探討的“自我意識”僅包含“自知”，并不包含自我表達(dá)（可解釋性）與自我映射（同理心），也即是系統(tǒng)僅需要具備對其內(nèi)部信息結(jié)構(gòu)進(jìn)行觀察的能力，而無需將其以人類能夠理解的方式表述出來的能力。
• 根據(jù)上面的分析來看，對于部分元學(xué)習(xí)、梯度學(xué)習(xí)相關(guān)的研究，以及包含預(yù)測模型的預(yù)訓(xùn)練模型，甚至于很早就存在于強(qiáng)化學(xué)習(xí)中的Actor-Critic模型，這些模型存在對自我的內(nèi)在信息進(jìn)行進(jìn)一步觀察、完善的能力，雖然不能說擁有自我意識，但是是存在自我意識的雛形的。
• 最后，關(guān)于求生欲/繁殖欲，我不認(rèn)為這是一個強(qiáng)智能的充分或必要條件。原因很簡單，這是我們地球上的生物之智能的終極目的，我們的所有行為決策、所有獎勵函數(shù)均圍繞這一目的展開。也就是說，這是我們這一智能的“任務(wù)”，我們的智能圍繞這一任務(wù)構(gòu)建。而智能本身并不以具體任務(wù)為轉(zhuǎn)移，其他的智能可以有其他的任務(wù)，只是我們自己的任務(wù)是活下去，延續(xù)下去。僅此而已。
• 關(guān)于人工智能的目的，我前面的敘述較為“現(xiàn)實”，較為“功利主義”。我相信，人工智能的發(fā)展還有一些更多的，更加浪漫的作用，比如幫助我們認(rèn)清我們自己的思維，乃至于更加接近這個世界的本質(zhì)——我并不認(rèn)為思想的本質(zhì)（內(nèi)部）和世界的本質(zhì)（外部）是可以分割的——這是我自己進(jìn)入這個領(lǐng)域的根本原因。
  最后，關(guān)于這個問題本身。通常我們說一個東西的對錯時包含兩層含義：1. 這個東西與客觀事實的一致性，2. 這個東西與人們對其的期待的一致性。 在上文的所有討論中，有一個十分重要的核心因素，即是當(dāng)前“智能”的定義尚不明確，或者說，智能本質(zhì)上是一個人為構(gòu)建的概念而非某個有著明確邊界的客觀存在。所以上文的所有討論以“期待”替代“定義”，而對于問題“人工智能是否走錯了方向”，其一句話回答應(yīng)當(dāng)是：當(dāng)前的人工智能發(fā)展方向，與人類業(yè)界對于人工智能的期待，目前來說，大體上是一致的。
  
  
  
  

推薦閱讀
讀博了
我的考研簡史
吳恩達(dá)，屬實牛逼
機(jī)器學(xué)習(xí)數(shù)學(xué)本質(zhì)的理解