人工智能的應(yīng)用越來越廣，隨著可用場景的不斷增多，人們對它的期望也越來越大。目前只能解決某些特定領(lǐng)域問題的“弱人工智能”已經(jīng)開始無法滿足人們的需要，“強人工智能”似乎已經(jīng)成為眾多研究者開始鉆研的下一個方向。
和強人工智能相比，弱人工智能被認為是不可能真正具備推理和解決問題能力的智能機器，雖然能夠解決特定某些問題，但是他們無法說是真正擁有智力和自主意識。
但是另一方面，關(guān)于“強人工智能“的觀點，卻也并非所有人都認同。
如果要追溯“強人工智能“這一概念的產(chǎn)生，它最早是由 John Rogers Searle 針對計算機和其他信息處理機器創(chuàng)造的，他將其定義為：“強人工智能觀點認為計算機不僅是用來研究人的思維的一種工具；相反，只要運行適當(dāng)?shù)某绦?，計算機本身就是有思維的?！?/p>
關(guān)于強人工智能是否就意味著機器具備思維的問題，目前依然還存在著很多爭論，而參與這場討論的人中就包括許多 AI 研究學(xué)者、哲學(xué)家等。
丹尼爾·丹尼特在其著作《意識的解釋》（Consciousness Explained）里認為，人也不過是一臺有靈魂的機器而已 ，“人可以有智能，而普通機器為什么就不能呢？”他認為即便是基于數(shù)據(jù)轉(zhuǎn)換來思考的機器，同樣有潛力能夠具有思維和意識。
因此在這里我們暫時認為這種不具有“靈魂”的思考機器是可以做到“無限接近”人類智力水平的。問題是，要如何才能達到這種“無限接近”的水平？
人類智力是綜合作用的產(chǎn)物，包括觀察力、注意力、記憶力、思維力、想象力等等，而每一種構(gòu)成因素又會受其他更多因素的影響。
因此我們可以看到目前很多使用仿生的方法來研究人工智能的技術(shù)都在參照各種和“人”有關(guān)的學(xué)科理論對這項技術(shù)進行研究和發(fā)展，所以說，人工智能也就因此變成了一門更像是跨學(xué)科的研究。
人工智能的智力源頭之謎
人工智能的智力來源于數(shù)據(jù)的收集。在人工智能學(xué)習(xí)和訓(xùn)練的過程中，深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)通過對所收集的大量數(shù)據(jù)進行分析歸類，從而完成對人工智能系統(tǒng)的塑造。
目前，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)通常由如下部分組成：
神經(jīng)的輸入層（獲得目標(biāo)的描述）
隱藏層（主要部分，在這些層中學(xué)習(xí)）
輸出層（對于每個種類都一個神經(jīng)節(jié)點，分數(shù)最高的一個節(jié)點就是預(yù)測的種類）
在學(xué)習(xí)過程結(jié)束之后，新的物體就能夠送入這個網(wǎng)絡(luò)，并且能夠在輸出層看到每個種類的分數(shù)。
之所以說目前大多數(shù)人工智能多屬于“弱人工智能”的范疇，就是因為這些人工智能一般只會針對目標(biāo)的用途進行某一特定數(shù)據(jù)的深度垂直學(xué)習(xí)，又或者是像 Siri 這樣的語音助手一樣，能做的事情非常有限，更像是一個“幫助傳遞信息，提供搜索服務(wù)”的助手。
我們似乎從來沒有想過人類的智力僅僅依靠“數(shù)據(jù)”就能夠獲得，但是就目前的相關(guān)研究來看，已經(jīng)查明能夠?qū)χ橇Ξa(chǎn)生影響的因素包括飲食、遺傳與環(huán)境、早期經(jīng)驗、學(xué)校教育、社會實踐和主觀努力等等。
這些因素中的大部分都能在機器和人工智能中找到類似的對比。食物作為生命和大腦的物質(zhì)基礎(chǔ)，決定了生命和大腦的健康——這可以和機器的構(gòu)造類比；遺傳和環(huán)境、早期經(jīng)驗、學(xué)校教育、社會實踐就是人類用來學(xué)習(xí)的“數(shù)據(jù)”，只不過這些“數(shù)據(jù)”的影響更加潛移默化，目標(biāo)性不如機器學(xué)習(xí)中的明確；至于主觀努力就是一直以來很多人用來區(qū)分機器與人類差異的重要依據(jù)所在了。
這種對于主體目標(biāo)的一種似乎與生俱來的熱枕，似乎是機器還難以達到的部分。這部分和人類所稱的“靈魂”其實可以歸屬到同一類別，都是一種難以模仿的、非常主觀性的心理活動。
但是除去最后一點，目前的機器似乎已經(jīng)可以模仿人類絕大多數(shù)的心理活動和環(huán)境影響。
因此用仿生的研究方法來開發(fā)更加智能的機器似乎是最有效率的途徑，畢竟人類的智力也是經(jīng)過數(shù)千萬年的進化發(fā)展到今天的水平的。對于關(guān)于人類的一些描述性的研究成果，似乎也可以逆向應(yīng)用在人工智能的研究和開發(fā)之中。
從人類發(fā)展 AI 的歷史來看，我們不難發(fā)現(xiàn)，仿生的方法似乎也是唯一一種能夠讓我們將研究進行得最為深入和持久的方法。
在人類最開始研究 AI 時，首先是從直接做出一臺會思維的機器開始的，但是很快這種方法就遇到了瓶頸，于是人類開始嘗試仿生的方法，從其他在地球上已經(jīng)生活了數(shù)百萬年的生物那里獲取靈感，人工神經(jīng)網(wǎng)絡(luò)便由此誕生。
為了讓人類能夠打造出更好的 AI 機器，近日麻省理工大學(xué)甚至提議我們需要“比以前更了解生物大腦及智力產(chǎn)生的過程。現(xiàn)在這一階段，我們已經(jīng)可以開始理解將神經(jīng)科學(xué)、認知科學(xué)和計算機科學(xué)應(yīng)用到智能機器設(shè)計的理念?！?/p>
人工神經(jīng)網(wǎng)絡(luò)的第一個里程碑就是“感知”（Perceptron），一個感知機器實際上就是對神經(jīng)元基本概念的模擬，這是一種能夠進行自動決策的機器。比單層感知機更復(fù)雜的多層感知機就是我們我們常說的深度網(wǎng)絡(luò)，它是進行數(shù)據(jù)處理和模式識別的關(guān)鍵。
深度神經(jīng)網(wǎng)絡(luò)能夠?qū)@些數(shù)據(jù)進行處理的原因在于數(shù)據(jù)本身具有的復(fù)雜的機構(gòu)很適合被 NN（Neural Network，神經(jīng)網(wǎng)絡(luò)）識別，因此機器能夠進行自主的學(xué)習(xí)，而不需要人類預(yù)先設(shè)計識別這些結(jié)構(gòu)的函數(shù)。
在深度卷積網(wǎng)絡(luò)（DCNN）中，信號在多級網(wǎng)絡(luò)里一級級傳遞，從而使得微觀到宏觀的特征都得到分辨和識別，各層神經(jīng)元之間沒有相互聯(lián)系，所以它們能夠同時看到一個圖像從細節(jié)到抽象的結(jié)構(gòu)，所以甚至能夠抓住一些人類都難以注意的細節(jié)和模式。
哪些學(xué)科理論將有可能對人工智能研究帶來影響？
神經(jīng)科學(xué)和人工智能（AI）領(lǐng)域互相聯(lián)系結(jié)合，由此產(chǎn)生了計算神經(jīng)科學(xué)和統(tǒng)計機器學(xué)習(xí)領(lǐng)域。在計算機科學(xué)和 AI 中，統(tǒng)計機器學(xué)習(xí)是指系統(tǒng)從數(shù)據(jù)“學(xué)習(xí)”模式的算法，這在神經(jīng)科學(xué)中被稱為是“理論神經(jīng)科學(xué)”（或“計算神經(jīng)科學(xué)”或“系統(tǒng)神經(jīng)科學(xué)”），它們采用了完全相同的模型和數(shù)學(xué)框架，只不過它們研究的方向換成了人類大腦罷了。
從心理、認知和問題解決的角度講，認知科學(xué)就像神經(jīng)科學(xué)和人工智能之間的另一座橋梁。數(shù)字計算機的原始設(shè)計的靈感就來自于反思和內(nèi)省的心理運作，而這一領(lǐng)域在后來就慢慢發(fā)展成了認知科學(xué)。
物理學(xué)家把神經(jīng)網(wǎng)絡(luò)看成無數(shù)神經(jīng)細胞相互作用組成的一個整體，就如同理想氣體是無數(shù)分子的組合或金屬晶體是原子的組合類似。雖然單個神經(jīng)細胞只有一個簡單的作用，就是把接收到的信號轉(zhuǎn)化為一定的輸出，但是這樣一個簡單的東西通過大量加和的網(wǎng)絡(luò)效應(yīng)卻可以產(chǎn)生智能這種十分復(fù)雜的現(xiàn)象，這就是物理學(xué)中所說的涌現(xiàn)性。
所謂簡單的東西堆在一起足夠多，突然之間產(chǎn)生了一個更加復(fù)雜和高級的現(xiàn)象。這種由于尺度跨越造成的飛躍性變化，物理學(xué)認為是自然界各種復(fù)雜的東西形成的秘密所在。
從物理學(xué)相變的角度看神經(jīng)網(wǎng)絡(luò)也可以幫助我們理解很多常常百思不得其解的問題，例如，我們是如何睡覺的。從清醒到進入睡眠，人腦會發(fā)生一個劇烈的變化，這個變化其實跟物理學(xué)里面水結(jié)冰的現(xiàn)象很像，是物體從自由的狀態(tài)轉(zhuǎn)化為極為有序狀態(tài)的一個過程。
如果你觀察人類從清醒到睡著的腦電波變化，就會發(fā)現(xiàn)波形在某一個點上突然發(fā)生了改變。除了睡眠，冥想、愛上一個人等等，或許都可以看做是這種大量神經(jīng)單元在某種條件和刺激下從一個整體狀態(tài)住轉(zhuǎn)變?yōu)榱硪粋€整體狀態(tài)的相變過程。
除了上面說過的涌現(xiàn)性和相變，物理學(xué)對人工智能的貢獻還有非線性動力學(xué)，非線性動力學(xué)的方程式甚至能夠精準(zhǔn)地對神經(jīng)細胞放電這個極為復(fù)雜的理化過程進行預(yù)測，這就是著名的 Hodykin-Hulex 模型。
對于神經(jīng)網(wǎng)絡(luò)的動力學(xué)解釋主要基于物理的混沌理論，因為神經(jīng)網(wǎng)絡(luò)作為一個高維系統(tǒng)，它的行為正好符合混沌的框架。當(dāng)任何一個神經(jīng)元受到擾亂時，所產(chǎn)生的后果不可預(yù)料。我們都知道生物的神經(jīng)網(wǎng)絡(luò)可以極為精準(zhǔn)而穩(wěn)定地決定動物的各種行為，因此看似混沌的網(wǎng)絡(luò)實際上是能夠被精準(zhǔn)預(yù)測的。
這里的思維就和物理學(xué)中的降維的思想不謀而合，高維度的網(wǎng)絡(luò)系統(tǒng)在執(zhí)行某個任務(wù)的時候，可以被化解到更低的維度里用動力學(xué)來解釋。
生物學(xué)中有關(guān)神經(jīng)網(wǎng)絡(luò)的研究或許是最復(fù)雜的，因為生物學(xué)研究者了解細節(jié)和功能的方式就是通過解剖、實驗以及各種成像技術(shù)來理解的。這種對于細節(jié)的嚴(yán)謹態(tài)度在神經(jīng)網(wǎng)絡(luò)中也有同樣的體現(xiàn)，關(guān)于神經(jīng)元之間相互連接的精密地圖為神經(jīng)網(wǎng)絡(luò)的構(gòu)建提供了參考和借鑒。
生物學(xué)對于神經(jīng)網(wǎng)絡(luò)提供的更有趣的還在于對學(xué)習(xí)現(xiàn)象的解釋。神經(jīng)細胞之間額連接——神經(jīng)突觸是會隨著時間的變化而不停改變的，這種微妙變化是神經(jīng)活動導(dǎo)致的，如果一個細胞經(jīng)常向另一個細胞放電，那么它們之間的聯(lián)系就會加強，它們所代表的信息就會聯(lián)系起來，這就是學(xué)習(xí)的生理基礎(chǔ)。
生物學(xué)和人工智能之間更奇妙的聯(lián)系還在于，人工智能反過來啟迪了生物神經(jīng)網(wǎng)絡(luò)的發(fā)展，正如費曼所說“你要想真正理解一個東西，就自己造出一個來”。
從信息學(xué)的角度看，神經(jīng)網(wǎng)絡(luò)就像是一個具備整合各種信息的工具。對于人類來說，之所以進化出神經(jīng)網(wǎng)絡(luò)，就是因為我們面對的現(xiàn)實世界充滿了各種錯綜復(fù)雜的信息，因此我們需要把多種不同的信息整合在一起并對其做出相應(yīng)的判斷就至關(guān)重要。
從信息學(xué)的視角來看，貝葉斯分析時其中應(yīng)用最廣的角度。所謂貝葉斯分析，就是把新增加的證據(jù)和之前形成的信念不停進行綜合來對當(dāng)下的判斷做出選擇。
要實現(xiàn)這種新舊知識的綜合，就需要在不斷收集新信息的同時還要對舊知識進行儲存和調(diào)用，另外和需要根據(jù)前兩者的綜合對未來的趨勢做出判斷，改變當(dāng)前大腦中的連接網(wǎng)絡(luò)狀態(tài)。上
面的幾個步驟，就分別對應(yīng)人類的感知、記憶、行為和學(xué)習(xí)幾種行為。
不少分屬理工科類的學(xué)科在 AI 發(fā)展的最早期都發(fā)揮了很大作用，但是隨著人類都 AI 的發(fā)展和了解不但深入，以及仿生方法的更深層次的應(yīng)用，除了以上提到的幾種目前已經(jīng)對 AI 發(fā)展產(chǎn)生了明顯作用的學(xué)科分支外，其他的人類學(xué)科，包括社會學(xué)、犯罪學(xué)、語言學(xué)甚至是作為終極學(xué)科的哲學(xué)都已經(jīng)開始展現(xiàn)了它們對 AI 發(fā)展的重要理論和思維模式借鑒。
能力和智力不同的 AI，可以分成哪幾種？
大多數(shù)“入門基本型”的 AI 系統(tǒng)都屬于純粹的響應(yīng)式機器，它們既不具備形成記憶的能力也不具備借鑒過去經(jīng)驗的能力，因此也無法從過去的經(jīng)驗中獲得當(dāng)前決策的有效借鑒。
IBM 的超級電腦“深藍”曾經(jīng)于 20 世紀(jì) 90 年代末期擊敗人類國際象棋大師加里·卡斯帕羅夫（Garry Kasparov），它就是響應(yīng)式機器的完美代表。
“深藍”可以識別棋盤上的棋子，并知道如何移動棋子。它甚至還能預(yù)測自己和對手的下一步棋路，并在諸多可能性中選擇最優(yōu)方案。但是“深藍”沒有“過去”的概念，也沒有此前的記憶。除了偶爾利用國際象棋的具體規(guī)則，比如反對重復(fù)同樣的步驟 3 次外，“深藍”幾乎會忽略此前發(fā)生的一切。它的重點就是關(guān)注當(dāng)前棋盤上的棋子，并為下一步移動做出選擇。
這類 AI 可以短暫回顧過去的經(jīng)驗，比如無人駕駛汽車系統(tǒng)中的 AI。舉例來說，它們會觀察其他汽車的速度和行進方向。但是它們現(xiàn)在還無法立刻完成這個動作，而是需要識別特定目標(biāo)，并監(jiān)督它們一段時間。
這些觀察會被添加到無人駕駛汽車預(yù)先編程的模擬世界中，包括車道標(biāo)記、交通燈以及其他重要元素。但是這些有關(guān)過去的簡單信息只是短暫的，不會被儲存在汽車已經(jīng)了解到的經(jīng)驗庫中，因此他們也無法充分建立起記住經(jīng)驗和積累駕駛經(jīng)歷的能力。
這很可能是目前已經(jīng)建造的 AI 機器與將來要建造的 AI 機器之間的差異最大的地方。未來的 AI 機器將更加先進，它們不僅會自己建立模擬世界，還會模擬世界上其他對象和實體。在現(xiàn)實世界，這被稱為“心智理論”，即理解世界上的人類和其他生物都有思想和情緒，而這些思想和情緒可影響他們的行為。
這對人類形成社會時至關(guān)重要，因為它們允許我們進行社會交流。如果不相互了解動機和意圖，不考慮其他人對自己或環(huán)境的了解，最好的情況下是協(xié)作非常困難，最壞的情況是根本不可能有協(xié)作。
如果 AI 系統(tǒng)要想走在人類中間，它們必須能夠理解我們每個人都有不同的想法和感受，并期望自己被如何對待。為此，它們必須對自己的行為進行相應(yīng)調(diào)整。
AI 發(fā)展的最后階段就是建立能夠形成代表它們自己的模擬世界的系統(tǒng)。最終，AI 專家不僅需要自己理解意識，還要建造擁有自我意識的機器。
從這種意義上說，第四類 AI 是第三類 AI 所代表的“心智理論”機器的延伸，同時也是意識被稱為“自我意識”的原因。
有意識的存在可以意識到他們自己，了解它們的內(nèi)部狀態(tài)，能夠預(yù)測其他人的感受。我們假設(shè)有人在后面狂按喇叭代表憤怒和不耐煩，因為我們那樣做時也代表著同樣感受。沒有心智理論，我們就無法做出這些推論。
現(xiàn)在距離創(chuàng)造具有自我意識的機器可能還很遙遠，因此目前的重心更應(yīng)該放在理解記憶、學(xué)習(xí)以及基于過去經(jīng)驗作出決定的 AI 能力上。這些不僅是理解人類智慧的重要過程，而且在我們設(shè)計和開發(fā)次時代的 AI 機器中，這一點也尤為重要。
快幫云是北京快幫科技有限公司打造的一站式企業(yè)成長服務(wù)平臺，致力于通過提供互聯(lián)網(wǎng)管理工具，為我國企業(yè)帶來成長與變革?？鞄驮埔詾槠髽I(yè)提供品質(zhì)服務(wù)為使命，服務(wù)體系涵蓋知識產(chǎn)權(quán)、網(wǎng)站建設(shè)、營銷推廣、企業(yè)應(yīng)用四大業(yè)態(tài)數(shù)十項服務(wù)內(nèi)容。
快幫云通過自營模式為企業(yè)提供相應(yīng)服務(wù)，通過幫助企業(yè)升級經(jīng)營管理理念、快速上云、用好云時代的互聯(lián)網(wǎng)工具等方式，幫助企業(yè)降低成本、提高經(jīng)營效率，完成升級與轉(zhuǎn)型。
快幫云特有顧問式服務(wù)機制，所有顧問經(jīng)嚴(yán)格的快幫商學(xué)院系統(tǒng)培訓(xùn)，擁有專業(yè)的企業(yè)管理知識理念，以此結(jié)合云時代企業(yè)互聯(lián)網(wǎng)管理工具，探觸企業(yè)內(nèi)在訴求痛點并進行融合鏈接，幫助企業(yè)創(chuàng)新管理方式與商業(yè)模式，為企業(yè)提供實用、有效、低投入的企業(yè)級服務(wù)。
快幫云在北京、上海、深圳、天津、西安、廈門等二十多個地區(qū)設(shè)有分子公司及服務(wù)機構(gòu)，并與阿里、騰訊、百度、北森、仁科互動、Udesk等企業(yè)建立長期戰(zhàn)略合作伙伴關(guān)系。
