当前位置: > > > 杨静lillian微信文章阅读

【后图灵时代】一个从1到N的时代

本文章来自微信号:杨静lillian,版权归原作者所有。
以思想变革未来,探索美好新世界.分享高智慧含量的最前沿科技与人文洞察,建设中国最具影响力的智能科技专家智库平台.

【静点评】香港科技大学计算机系主任杨强教授,是2015年国际人工智能大会主席。他主要研究人工智能和大数据,还曾领衔华为诺亚方舟实验室主任。因此他在《新智能时代论坛》的演讲,从科学和工程两个维度都独具洞察力。首先,他点明了人工智能发展史的几个阶段,为其断代。例如60年代,智能来自推理;80年代,智能来自专家;90年代,智能来自直觉和本能。杨强教授认为:进入21世纪,大家有了一个新的共,即“智能”不仅来自高性能计算,而且要基于“大数据。”

杨强教授在演讲中强调,人工智能不仅应区分科学和工程两条路径,更应该在智能来自大数据的时代,采用后图灵测试标准。即改图灵测试的笼统标准,为分项测试:如基于图像、语音、文本的智能测试、基于创新的测试、终生学习测试。他判断人工智能还处于从1到N的初级阶段。

但万变不离其宗,人工智能的目标还是要实现图灵的理想。杨强老师也期待科学和工程的人工智能探索殊途同归,最终将一个个垂直的烟囱连成一片,达到“从0到1”的质变,从而给图灵一个完美的答案。



【杨强】今天非常高来到一个《新智能时代论坛》。要感谢《静.沙龙》的群主静,让我们的思想快乐地生活在这个“群”的世界里。我们不但有一个共同的群,我还有一个共同的思想的祖先,那个祖先就是灵。今天,我就要讲图灵和他所问题。 这个问题大家可能都知道,非常容易描述,就“机器可以思维吗?”最近,大家可能看了影《模仿游》,这个影的主也是围绕这个思想展开的,尤其是电影到了最后的关头,这个思想把观众的感情到极至。

灵提出了这个测试,其目的是测试机器能不能思。在这样一个测试里,有一个裁判和一个被测试者,目的是判别被测试者是人还是机器。


这里是灵自己的一个例子:

裁判:我们现在来读你的诗:第一行里我把你比作夏日,或我把你比作春天里的一天,这两句到底哪一个比喻更好?

回答:这个很难讲。

裁判:把第一句改成 冬季的一天,是不是更好?

回答:但没有人要比把自己比喻成冬季的一天。

裁判:Pickwick先生是不是让你想到了圣诞节?(Pickwick先生是狄更斯小说里的人物)

回答:有点儿。

裁判:不过圣诞节是冬季的一天,我认为Pickwick先生不会介意这样的比较的。

回答:你不会不知道吧?冬季的一天常常意味着一个特指的某个冬天的一天,而不是泛指的圣诞节。

在这个例子里一个裁判和被测试者在一问一答,答的内容是,这个被测试者写了一段,而裁判在问关于这段诗歌的问题。 在这个过程中,被测试者表达了“它”对古典文学内容的深刻了解,于文学上“比拟”种手法的运用,还有如何准确的判断问题的意图,机智地采用回答的口吻,等等。而这些能力是我们常常赋予人类的。

们可以看到,通过图测试是非常的一件事。 算机不仅需要具有运用知的能力,就像IBM WATSON那那样机智地回答,而且还要擅长“想”和“推理”,知道怎捷并稍具幽默的言回答一个个问题算机作为一个被测试者确是非常不简单的,是能够思维的。

了实现个理想,一批批的研究人员做出了不懈的努力。这里我大家做一个人工智能的“年代秀,”这个年代秀的一个主线是大家都在尝试回答这样的问题:“智能来自哪里?”

首先,在50-60年代,大家的共识是“智能来自推理。”在1956年的奠基性的会上,人工智能的创始人之一的西蒙(H. Simon)和纽尔(A. Newell)演示了一个可以自动明数学定理的计算机,把大家熟知的数学定理大部分都给证明出来。同时,他们又提出了一个重要观点,即人的思是可以通普适型的问题求解引擎在答案空间的搜索而实现。他们提出的“物理符号系”认为人的的知表达和推理是可以通过抽象符号逻辑运算来实现的。这些理论为后来发展的家系提供了基础。


虽然在六、七十年代,人工智能有了一定的突破,但这只是在一些“点”上的突破,但是人工智能还没有在工应用上得以大面积的。到了七八十年代,大家开始思考问题了:即如何让社会因人工智能而受益。

八十年代,大家的看法有了发展,认为“智能来自专家。” 谁是专家呢?医生,老师傅,律师等。如果可以让领域专家们,把自己里面的知识全部放到一种叫做“专家系统”的软件里,是不是计算机也可以成为专家呢?如果真的这样,就可以实现计算机在某个领域里的“思维”了。但是,做法碰到了一个严重的瓶颈:如何准确和全面的描述里的知个瓶使得许多的专家系统并不能实现社会对人工智能的期。这样的失望也因此引来了人工智能的一个寒冬:很多人工智能的研究被停掉了,市场应用也大打折扣。

与专家系统几乎平行发展的一个方向是机器人的研究。在很多方面,机器人研究已有了足的展。其中的一个来自MIT的“多层次包容理论”认为,识不一定需要用逻辑来表达,知识是可以隐含在“肌肉”中的,通过”直觉“来展现。这个理念可以表达为:“智能来自直觉。”动物作的候并不是任何一件事都的,比如被计出的机器人虫子。运用这样的“多层次包容理论”,当一个部件坏掉的候,也不至于影响全部。这样的理念也包括在我们现在看到的许多成果当中。


八十年代,IBM也提出了一个新的理念,即“智能来自计算能力。”IBM和CMU的研究者通过“深蓝”计算机击败了当时的国际象棋世界冠军。


智能来自高性能计算

进入二十一世纪,大家有了一个新的共,即“智能”不仅来自高性能计算,而且要基于“大数据。”大数据的念开始得到了认可,“群体智能”的出现也使大数据获得有价值的语义,而答机器人系统也得越来越智能。这个理念可以表达为“智能来自大数据。”

人工智能的展非常的曲折。关于“智能”的不同的理念,人目不暇接,而社会对人工智能的态度,也让我搞不清楚在到底是在春天是冬天,而往下接着而来的到底是什么“天”? 我与其预测下一个季度是什么,不如回过头来看看我们距离人工智能的初衷到底有多远?再看看灵的想:机器可以思维吗

灵的个初始想是在问,人的大脑所展现的那些“智能”的特性是不是可以用计算机的程来现?这个问题的答案和其所依靠的理,应该当做一个科学问题来探索。而与此不同的是,迄今为止的很多的人工智能的研究,包括很多对于机器学习系统的研究,应该说是在探索智能的“工具。”这些研究人员并没有直接去探索“机器可以思维吗?”这个问题, 而是在制造一个更强悍,更好用的“工具”。而发明制造工具的这个过程更像是“工程”。因此, 这些研究人员并不是真实意义上的科学家,他们其实是工程师。工程师的工作造某种工具来更好地为人类服务,比方说制造常用的眼镜和望远镜等。

一下我刚才讲的人工智能的年代秀,这其中比较成功的应用,像机器学习算法,专家系和机器人等等,都是某种工具。这些工具所表达的行,有些在我看来是具有智能的。作为工具,当然很有可能它们就强过人类。比如,汽车比人类跑的快,望远镜比人类看的远,机械臂比人类力气大等。所以,如果在单一的能力方面它们超过人类的能力,也不应该值得我们恐惧。


就促使了有些人回来想,既然智能问题可以分为科学和工程两个分支,就不妨分把“智能测试”的问题分别在两个领域来解决,问题就会比清楚。我过去对于什么是智能的这种疑惑,它的一个重要来源,也许是因智能一个有两个不同的意:即科学的智能和工程的智能。

所以大家就说,可不可以坐下来讨论一下,到底“智能”和“智能测试”的意义是什么。里我要介的一个是在2015年初,在美国德州的人工智能大会上,有这么一个关于图灵测试的研会。这个会议邀了很多对于智能测试的点。这里,我摘出几个比较鲜明的观点来讨论



后图灵测试时代

美国的Rice大学瓦迪教授,是《ACM算机通讯》志的主编。问题是:算机是不是具备智能为的特性呢?什么特调“特性”?因为瓦迪教授认为,思是人的特性,到机器的候,我们应该对机器的行为进行测试。因此,“智能测试”的问题应该这:假如机器有某个特性。 我们可以问:这个特性是不是可以被认为具有“智能”呢?比方说,“机是可以的,”这是飞机这种机器的特性。所以,我要看飞机到底是得好不好,并以此来量飞机的特性。如果识别的软件是让计算机用来识别语音的,那么,我们就应该特别为“语识别”制造一个测试检验它的智能程度。他认为,对机器的智能行为所进行测试很可能和测试是不一的。

还有,至少有三人提出来一个基于“图像的智能测试。”有一个例子是:假设给计算机看了一幅。然后,我们可以计算机一个问题,让计算机指出在图中有哪些西是可以切西的?我们人类就知道答案是图像中放的刀子。这是因为刀子可以用来切水果的。而计算机需要有刀子是用来切西的”这个常识,以此来结合图像识别来回答问题。这就是说, 不仅计算机要做图像识别,还要有能力从它的识库出知,来做常鉴别。如果计算机可以像人一图说话,看图讲故事,那就算可以通过“基于图像的智能行为测试


有一位教授提出“基于新的测试。”他的观点是:们至今所的智能只限制在“能听,能,能看”上,但人的一个特点是能造。所以,提出了一个Lovelace2.0的测试,这个Lovelace的另一个名字是Ada,是一个算机言的名字。而这位Ada Lovelace是史上最早的“码农,”是在灵文章里面特提到的一个人。Lovelace2.0测试在问:能不能让计算机造一个含有“虚故事”的小不是简单的写一些新,把一些文字摘要出来,而是能造虚拟的人物和故事,创作歌油画音乐等。比如,计算机能不能有一天写出一部类似《楼梦》这样的书?


香港科大的人工智能研究小提出了一个“生学习测试。”这是我和一些研究人员之前一直在倡的迁移学习的延伸,意思是当你在完成不同的任候,比方说在读不同的小说,文献,教科书,等等,在程中,你学到的知水平是不是逐上升的?你学习所需要的本数是不是逐下降的?


用过很多机器学习的应用,有一个深刻的体会,就是使用这些应用的时候,我们一定要聚集几千,几万,甚至是上千万的本才能学好一个概念。但是我观察家里的小孩,我们就会知道人学习的时候并不需要那么多的例子,有的候小孩用一两个例子就能学会一个概念。他是怎么学会的?种不断学习的能力,在我们看来就是一种智能的特性。知识是靠的,学习任务之间的“迁移学习”得来的。


这个基于学习的智能测试和认知学的理是分不开的,在知学上有一种理叫做“皮杰”理认为人的知识是四个段的成长而来的。第一个段只是靠简单的感作,之后就会逐步的行思考,但是一开始可能并不是很逻辑。到了最后人就可以行抽象的逻辑。在任何的一个阶段,我们都不能人在不智能,因为我们认为他们的智能在不断增长。这就赋予人一个达到最终智能的可能性,而这个可能性是通一个智能生的“数”,而不是智能当前的值来衡量的。所以学能力比学到的知更重要。


这里有一个终生学习的例子。一个小朋友在小的候通下棋学到的和人的博弈的知识。长大后,这个知识可以应用在商业的人与人的关系上。这就是迁移学。迁移学在心理学上也得到。美国的哈博士在50年代的候拿猴子做过试验。他猴子来识别一些形状,然后给猴子们一些反馈,例如一个香蕉等等。当猴子在识别不同形状的候,它们是可以借前面学到的知识来识别的新的形状。这样,它们知取会变得越来越快,越来越准。


迁移学习的心理学实验

种迁移学习的能力也是终生学习的基础。就可以把它用在各个领域。例如,可以让计算机一些,然后再让计算机来识别一些图像,看看它识别图像的能力有没有提高。我们发现,利用了我们的学习算法,在算机读了一定量的书以后,识别图像的能力确实有所提高。这个提高的程度可以用来帮助我们回到这样的问题:一幅到底等于多少文字?我们可以估算一下,差不多相当于一千个文字。


我最后总结两点,首先,“机器可以思维吗?”问题,和“机器具有智能行吗?”这个问题,是垂直方向的两个问题。我去不幸地把他合而一,一起来考了。这样的结果就是对智能的理解含糊不清,因而引起了许多争辩。但这些争辩的主因是问题的提法没搞清楚。


“机器可以思维吗?”这个问题是一个适于科学研究的问题,而“机器的某个行为智能吗?”个问题应该是一个工程研究的问题。今天,如果我们沿着科学研究的路径走,回答“机器可以思维吗?”这样的问题,我们就会像物理学家一样探索人的思维的奥妙,发现人类大脑的功能,并证明通过编程的方法是否能复制出和大脑一样功能的机器。如果我沿着工程研究的方向走下去,发展人工智能的工具,应该会得到越来越好的工具,而我们人类也不应该惧怕这些人工智能的工具。

看到,通深度学算机可以很好地识别图像音,言。当我算机来的工作,比如文学作或者生学,我现计算机智能。所以在今天,机器的不同行,其智能程度是差异的。


这里我借用《从0到1》的一个比喻。在人工智能的研究方向上,我们现在是于什么代呢? 有两个选择,一个是从0到1 的时代,一个是从1到N的时代。 从0到1 是指技术发生了突变,就像把马车换成汽车;而从1 到N是指技术的应用发生扩展,比如汽车的应用扩展到全世界。

认为人工智能现在是处于“从1到N”的代,而不是“从0到1 ”的时代。 我们在不断的进步,其本质也像“羊群”一样,在寻找一个接一个有草有水的草原,也就是一个接一个具有大数据的域,并在这一领域取得智能化的成功。但是,我们还没有能够成功地把一个个垂直的烟囱变成成一片,并发现和利用它们之间的联系,让智能从一个领域迁移到另一个领域。

我所预期的是,人工智能的成功,是要经历一个相当长的“从1到N”的阶段,然后才能达到“从0 到1”的蜕变。即使在从1到N”的阶段,我们现在还处于非常初级的时期,也就是这个“N”可能就等于2 (图像,语音)。我觉得只有当N变得很大的时候,我们才有资格来回答“机器可以思维吗?”这样的问题。

谢谢大家!




相关阅读
本站内容来自网友分享,如果侵犯了您的权益,请告诉我们!QQ:2250785074

推荐阅读

/article/2016-02-27/4161900.html

看脸婊

02-27