点评：“2020北京人工智能压轴讲：图灵奖得主对AI十年进展不买账？”

Posted 2021-04-26 真正的人工智能

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了点评：“2020北京人工智能压轴讲：图灵奖得主对AI十年进展不买账？”相关的知识，希望对你有一定的参考价值。

　　摘要：“您对过去60年，尤其是过去10年的AI进展怎么看？”

　　当2003年图灵奖得主 Alan Kay 被问到这个问题时，他笑着回答道：“哦，这个问题很简单…… AI 这个词已经被偷走了。当年我们称之为人工智能的研究，现在被改作 ‘通用’人工智能（General AI）。有些人想要取得成功，于是他们决定忽略人工智能研究中较难的问题，也就是关于认知的那部分…… 我承认机器学习领域取得了醒目的成就，但我绝不会将其和真正的 AI 混淆，绝无可能。”

　　一个足够复杂的机器学习系统，就像是一只“超级鸽子”。这只超级鸽子可以做许多有用的事情。但机器学习领域的研究人员，不能用这个子领域的进展来标榜整个人工智能领域的成功。Alan 指出，如果我们想要发明能够和人类自然交互的 AI 系统，就必须让 AI 学会理解人类的语境和常识。过去四十年中，这个领域几乎没有得到经费支持。

　　即便我们拥有巨量神经元构成的神经网络和专用的芯片，我们做的一切不过是 Judea Pearl 所说的 “曲线拟合”（curve fitting），无论是通过多项式这样的最简单的模型来完成，还是通过最复杂的深度神经网络模型来达成，曲线拟合都仅仅是在输入数据和输出数据之间找到某种固定的模式，而非 “理解” 数据。Judea Pearl 是贝叶斯网络的发明者，也是2012年图灵奖的获得者。他现在致力于让机器能够理解因果关系，而不仅仅是数据之间的相关性。

　　“我们不能用 AI 中小小子集的成功，来假装我们在整个领域里获得了激动人心的进展。我们需要来真的（get real）…… 如果我有什么话要告诉年轻人，那就是，别去管那些发论文，拿学位的废话…… 真正获得突破的人，不会在意这些。”

　　另一个著名的“非主流” 研究者和 AI 大潮中的 “异见人士”，印第安纳大学的认知科学教授侯世达（Douglas Hofstadter）。

　　他严厉地批评 AI 领域的机器学习路径。例如，Google 翻译团队宣称他们的翻译水平已经达到了人类水平，但仍然会犯低级错误，如下图所示，在明显的上下文里，将 “shingle” 翻译为 “带状疱疹” 而非 “瓦片”。

　　“1950年代那会儿，说 ‘我们正在研究 AI’ 是没问题的，我们是在研究它，是在尝试理解智能，但现在人们不那么说了，人们说‘这是智能的’，‘那是智能的’。我不喜欢这样。这是过度简化扭曲，误导原意。”侯世达在采访中直言。

　　许多老一辈研究者关心的是从科学上理解智能，而机器学习并非人类智能的运作方式，因为人类显然不需要从巨量的数据中学习如何分辨猫狗。在他们看来，想靠机器学习实现真正的人工智能，就像那个古老的寓言，“有人想顺着一棵树往上爬，一直爬到月球”。

　　而如今，拥有六十年前研究者不敢想象的数据量和计算能力的 AI 研究者，会更加倾向于相信，飞机为了飞行，并不需要像鸟一样挥动翅膀。诚然我们能造出厉害的机器，在围棋领域战胜人类世界冠军。但是，我们还是不理解人类的智能是如何运作的。“我们应该严肃低对待人工智能中的‘智能’二字（We should take the word 'Intelligence' seriously）。”Alan Kay 强调道。

　　Alan Kay 认为，为了取得开创性的研究进展，就必须要有 “疯钱”（mad money），不在乎后果和回报，投资可以没有任何明确的目标收益。换言之，这些投资是 “非理性” 的。但为了创造，非理性是必要的。

　　原文：“2020北京人工智能压轴讲：图灵奖得主对AI十年进展不买账？”

https://tech.ifeng.com/c/7yMZ58VQdRi

　　点评：很显然，现在的人工智能界分成了不可调和的两派，一派以年轻人为代表，他们认为大数据，或者说数据的相关性，可以解决一切问题，他们手中最有力的武器就是“深度学习”；另一派以老年人为代表，他们认为数据的相关性是肤浅的，因果性才是事物的本质，必须对事物有像人类那样的认知，懂得因果性，才称得上真正的人工智能。

　　然而，这真的是不可调和的矛盾吗？首先，我们必须承认，对事物没有真正的认知，不懂得因果性，是不可能产生如人类一般的高水平智能；但另一方面，我们也应该接受权宜之计，在短时间找不到达致高水平人工智能的方法时，不妨采用一些“曲线救国”的方法，使机器的智能水平得到一个相对的提高，并解决一定的实际问题。

　　正如解决任何问题，标本兼治才是科学的态度。就如治病，对于发高烧的病人，首先应该对其进行物理降温，如用冰块敷头，同时找出病因，对症下药，将病彻底治好。因为找出病因可能需要较长时间，如不采取措施物理降温，可能会对病人带来严重损伤，甚至危及生命；但同时我们也绝不能因为病人烧退了，就不去找病因从根本上将病治好，否则病情会反复，最终危及病人健康和生命。

　　因此，我们不应该否定深度学习这样的探索和进步，尤其不应该用一些特例去否定深度学习对现实问题的解决，如侯世达对谷歌翻译的批评未免有些极端。是的，谷歌翻译确实会出现如其所举例那样的错误，但我们也应看到，谷歌或百度翻译等大部分情况下翻译还是比较正确的（谷歌翻译那个错误，百度翻译已能很好解决），这给人们带来了实实在在的好处，让更多人能够阅读外文资料，让更多在异国旅游的人可以与当地人交流，解决如问路等这样的实际问题，甚至出现国外旅游者突发疾病，通过谷歌翻译找到医院而挽回生命。所以，我们不应小看谷歌翻译，以及深度学习给社会带来的贡献。

　　当然，也如老一辈学者们所指出的，深度学习虽然能解决一定的问题，但或许不是根本出路，众多事例已证明了这一点，年轻学者们不应停下探索的脚步，拘泥于深度学习而固步自封。作为后浪应该勇于走出舒适区，去探索无人区，为人工智能以及整个人类的未来开辟出新的道路。

　　更重要的是，大数据或深度学习并不一定是权宜之计，而是前进路上的必要台阶。相关性与因果性非但不是一对矛盾，反而本身就有着因果关系，因为因果性很可能就来源于相关性。我们人类之所以懂得因果性，但很可能就是从大量数据的相关性中总结出来的，因为我们人类也是从低等动物进化而来，低等动物是不懂因果性的，只会根据相关性行事。但在进化的过程中，人类逐步掌握了因果性，说明从相关性中是可以产生出因果性的。人工智能也完全可以借鉴这一方式，让机器通过相关性的学习去获得因果性，而不是试图通过某种算法来直接达到此目的，因为这似乎不符合自然规律。

　　所以，将老一辈与年轻一代两方面的思维结合起来，也许就会给我们带来意想不到的突破。

　　不过非常赞成Alan Kay这个观点：为了取得开创性的研究进展，就必须要有 “疯钱”。如果成天想着赚钱，今天投下去一块钱就想着明天能赚两块钱回来，这是不太可能有开创性、革命性创新的。希望有更多有远见和抱负的企业家能够进行疯钱的投资。

　　参考阅读：

为爱车换LED大灯，请点击下面“阅读原文”，或在淘宝搜“电光创科“