2016-01-13 00:00:00
来 源
网易科技报道
机器人
要超越人类智能,机器人仍有很长路的路要走。这因为人类非常擅长展望未来与制定计划。同时质量非常重要(它使我们有别于其他动物),我们在机器人中真的无法对它们进行模拟。  据美国加州大学伯克利分校的计算机科学家StuartRussell所说:人类非常善于在不

要超越人类智能,机器人仍有很长路的路要走。这因为人类非常擅长展望未来与制定计划。同时质量非常重要(它使我们有别于其他动物),我们在机器人中真的无法对它们进行模拟。

据美国加州大学伯克利分校的计算机科学家Stuart Russell所说:“人类非常善于在不同的抽象层次上做决策,这是一种被称为‘分层决策’的特性。”

计算机不能模拟分层决策也不能完成许多人类可完成的任务。人类可以展望未来、做计划以及基于抽象观点来做决策。想象一下去另一个城市开会。当你到达一个新城市,你不用思考你从机场到街上所走的每一步,而只需要根据指示牌走到机场出口。你不需要计划你要打车的动作,当你脑海中闪现“我要打车”这一想法时,身体就自然而然地做出相应动作。

“人类通过存储非常丰富的抽象、高级动作的方式来对此进行管理,”Russell在Quanta的访谈中说到,“这就是我们最基本的生活方式,未来是分散的,有许多细节非常接近我们现在的时间点,但是我们做出的大量决策都是非常抽象的,比如获得博士学位、生孩子等。”换句话说,我们对未来的假设是基于我们过去对世界的理解。幸运的是,我们拥有一些快捷键。

人类如何看待未来

首先,情感是非常重要的因素,它们帮助我们对事情和情况作出快速的决策。例如,当一个人在野外碰到一只熊的时候,会感到恐惧然后直接逃跑。但是人工智能没有这些天生的情感来帮其做决策。一个机器人(除非被特别编程将熊识别为威胁)不会自动辨别大型动物会对其造成伤害。

第二,人类大脑运用智慧和对世界的现存经验,能够看出一个从来没见过的事物是如何工作的。据NICTA(澳大利亚国家信息与通信技术研究院)计算机科学家Toby Walsh所说,这叫做“常识推理”。

例如,每一把椅子看起来都不一样,它们有不同的椅背、不同的细节、可能是木头、纤维或者塑料的,也会有不同的颜色。但是当我们这样由四条腿支撑、有靠背的东西时,我们就知道它是椅子,可以坐。

你知道这是椅子,但是你怎么知道这是椅子的?

想象一下打车的情景,你从来没见过出租车,更不用说打车了。你看到一个人挥舞手臂时有辆车会停下,那么根据常识,你推断出这是一辆出租车。人类能够注意到事情间的因果关系,并将其应用于决策。但是这种常识是基于先前的知识,而且我们很难将其编码到人工智能系统中。

对于使用因果推理的计算机来说,它们需要知道场景中每一件事的确切规范,纽约大学从事常识推理工作的计算机科学家 Ernest Daviss说。机器人也需要多次看到同一场景以便完全了解发生了什么。人类则不需要,我们能够采用想象未来的能力来思考不同场景以及推理它们是如何发生的。

人类目前领先机器人的另一点是同时处理很多不同任务的能力,我们现在拥有的大部分人工智能项目都对非常具体的任务很擅长,比如玩视频游戏或者下象棋。但是人类能同时进行多项任务,比如理财、运动、抚养孩子或者打开包裹。“人工智能系统不能同时拥有所有能力,特别是同时结合视觉、语言和身体操纵。”人工智能发展协会(the Association for the Advancement of Artificial Intelligence)主席Thomas Dietterich说。

如何改进人工智能

因此,我们如何创造能像人一样进行推理和决策的人工智能?Dietterich指出:“如何在人工智能中表示知识和信息”会是良好的开端。

Peter Norvig则认为阻止机器人和人类一样智能的最大原因是征服感知。对于Norvig来说,人工智能系统只有在它们能更好地看到和感觉到这个世界的时候才能更好进行推理。“我们很擅长收集数据,并用这些数据来发展算法,但是仅仅基于数据的推理会让我们远离真实情况,”Norvig说,“我认为只有我们不断地让系统感知世界并与其交互,而不是让其被动学习别人选择好的信息,才能更好地改善其推理能力。”

孩子与人工智能有很多共同点

通过试验和错误,机器人会像孩子一样学习如何看、听以及触摸。当你长大的时候,你会以很多种不同的方式了解世界。会有老师或者父母指着一个物体告诉你它叫什么,这非常像机器学习算法中我们用来训练人工智系统的方法。但是许多童年学习是隐式的,基于我们的能力进行推断,填补空白以及建立预先的知识。这种学习方式正是我们今天的智能程序中所缺失的。

今天的机器学习系统每次学习一个新任务都是从头开始。但是这非常耗时间,未来的智能机器需要摆脱这种方法来进行学习。“我们需要在持续学习(每次有新数据或算法需要测试时无需从头开始训练)上下功夫,”谷歌人工智能研究者Samy Bengio说,“这是非常困难的任务,需要花费很长时间来改进。”

声明: 此文观点不代表本站立场;转载须要保留原文链接;版权疑问请联系我们。