在創(chuàng)造任何真正的新技術(shù)的過(guò)程中，有兩個(gè)連續(xù)的任務(wù):創(chuàng)造一個(gè)理論概念和在實(shí)踐中實(shí)現(xiàn)這個(gè)想法。在這篇文章中，我將說(shuō)出為什么盡管有一個(gè)成熟的理論概念，但在實(shí)踐中，我們離創(chuàng)造強(qiáng)大的人工智能仍然非常遙遠(yuǎn)的主要原因。

不惜一切代價(jià)避免錯(cuò)誤

人工智能原型實(shí)際實(shí)現(xiàn)的第一個(gè)例子是在控制系統(tǒng)中，這是一種基于雷達(dá)數(shù)據(jù)自動(dòng)引導(dǎo)高射炮的設(shè)備，由英國(guó)數(shù)學(xué)家在第二次世界大戰(zhàn)期間創(chuàng)建。在這種系統(tǒng)中避免錯(cuò)誤的愿望是完全合理的，但正如經(jīng)常發(fā)生的那樣，開(kāi)始時(shí)的第一步對(duì)整個(gè)未來(lái)的道路具有決定性意義。

精確度的演變

實(shí)現(xiàn)人工智能概念的下一個(gè)重要步驟是弗蘭克·羅森布拉特發(fā)明了一個(gè)簡(jiǎn)單而有效的人工智能建模工具:感知器。同時(shí)，盡管許多人認(rèn)為感知器是人工智能的變體神經(jīng)網(wǎng)絡(luò)Rosenblatt自己認(rèn)為他的發(fā)明只是一個(gè)研究工具，而不是一個(gè)能夠思考的機(jī)器。

總的來(lái)說(shuō)，基于連接主義的系統(tǒng)(感知器是這個(gè)方向上最成功的模型)在創(chuàng)造強(qiáng)大的人工智能方面非常接近正確的軌道。但對(duì)準(zhǔn)確性的渴望和對(duì)錯(cuò)誤答案的恐懼戰(zhàn)勝了直覺(jué)，并最終導(dǎo)致了錯(cuò)誤反向傳播系統(tǒng)的產(chǎn)生——這最終將感知器變成了計(jì)算器。

自20世紀(jì)90年代初以來(lái)，出現(xiàn)了一種基于智能(理性)代理的基于代理的方法。根據(jù)這一概念，智能是使用條件符號(hào)(一種規(guī)劃)的復(fù)雜數(shù)學(xué)計(jì)算，旨在實(shí)現(xiàn)為智能機(jī)器設(shè)定的目標(biāo)。符號(hào)計(jì)算本質(zhì)上是計(jì)算機(jī)代數(shù)或作為一系列常規(guī)符號(hào)的數(shù)學(xué)公式。

為了創(chuàng)造人工智能，我們?cè)絹?lái)越深入地研究計(jì)算和算法。

超級(jí)計(jì)算器的時(shí)代

(近幾十年來(lái))計(jì)算能力的顯著提高已經(jīng)結(jié)束了所謂的“人工智能發(fā)展的冬天“句號(hào)。現(xiàn)代神經(jīng)網(wǎng)絡(luò)依靠高性能的技術(shù)綜合體，在信息的全面列舉(處理)的幫助下工作。由于這一點(diǎn)，現(xiàn)代人工智能系統(tǒng)可以根據(jù)非常小的特征對(duì)數(shù)據(jù)進(jìn)行分組，然后依次將這些組與分析所需的參數(shù)進(jìn)行比較。

這種方法造成了學(xué)習(xí)的錯(cuò)覺(jué)。例如，在阿爾法歸零一個(gè)國(guó)際象棋程序，甚至不知道游戲規(guī)則，在21天的獨(dú)立工作中，通過(guò)一個(gè)以前玩過(guò)的游戲的數(shù)據(jù)庫(kù)，成功超越了人類(lèi)中國(guó)際象棋技能的領(lǐng)導(dǎo)者。

與此同時(shí)，一些科學(xué)家(諾姆·喬姆斯基非常清楚地描述了這一立場(chǎng))明白，正是因?yàn)橥耆蕾?lài)統(tǒng)計(jì)方法，我們?cè)趧?chuàng)造人工智能方面的發(fā)展矢量正朝著錯(cuò)誤的方向前進(jìn)。

用寓言的語(yǔ)言來(lái)說(shuō)——不管我們喜不喜歡，但試圖創(chuàng)造AI，我們還是在“指揮高射炮”。

問(wèn)題的根源或者為什么記住形式不等于內(nèi)容很重要

大腦由看起來(lái)像網(wǎng)絡(luò)的神經(jīng)元組成這一事實(shí)并不意味著我們的新皮層像一個(gè)技術(shù)神經(jīng)網(wǎng)絡(luò)一樣工作。我還要說(shuō)更多——我們的大腦一點(diǎn)也不害怕犯錯(cuò)，也不尋求表現(xiàn)出準(zhǔn)確性。

為什么?

因?yàn)槭聦?shí)上我們的大腦不像計(jì)算器一樣工作，根本不做任何計(jì)算。當(dāng)我們比較睡眠時(shí)和復(fù)雜腦力任務(wù)時(shí)大腦的能量平衡時(shí)(能量消耗幾乎不變，因此不可能通過(guò)腦力勞動(dòng)減肥)，這一點(diǎn)尤其明顯。

我們的學(xué)習(xí)過(guò)程是關(guān)于記憶確切的答案，而不是與分析和參數(shù)一起工作。我們的智力與預(yù)先知道的正確答案周旋，這種預(yù)定數(shù)據(jù)的巨大數(shù)量和普遍性產(chǎn)生了涌現(xiàn)效應(yīng)——從表面上看起來(lái)像是深度分析思維。這就是為什么多年來(lái)我們每個(gè)人都是天真和無(wú)能的孩子。為了學(xué)習(xí)如何做新的事情，我們必須長(zhǎng)時(shí)間艱苦地重復(fù)。

我們智力的工作可以比作一個(gè)飛輪，它在我們童年時(shí)慢慢旋轉(zhuǎn)，直到死亡也一刻不停。正是因?yàn)檫@個(gè)原因，我們即使在睡夢(mèng)中也會(huì)思考。

我們的大腦做出決策不是基于數(shù)據(jù)處理，而是基于之前決策的經(jīng)驗(yàn)。讓我們與機(jī)器如此不同的情緒和體驗(yàn)，很難用算法的語(yǔ)言來(lái)描述，但基于一個(gè)簡(jiǎn)單的“喜歡或不喜歡”的選擇，很容易形成。

還記得我們?cè)谖恼麻_(kāi)頭的論點(diǎn)——“理論模型和實(shí)際實(shí)現(xiàn)。”我們無(wú)法建立人工智能，因?yàn)槲覀兘⒘隋e(cuò)誤的理論模型。在旅程的最開(kāi)始，我們不幸拐錯(cuò)了路，忘記了形式不等于內(nèi)容。

創(chuàng)造強(qiáng)大人工智能的正確方式或方法

不是計(jì)算，而是數(shù)百萬(wàn)次決策的經(jīng)驗(yàn)創(chuàng)造了智慧。而且不要讓經(jīng)驗(yàn)這個(gè)詞誤導(dǎo)你，經(jīng)驗(yàn)并不是算法工作的結(jié)果——它只是知道答案(不一定是正確的)。

一個(gè)小孩子不會(huì)分析父母行為的參數(shù)——他只是重復(fù)并記住做什么和怎么做。因此，只有在一個(gè)過(guò)程的幫助下，AI才能在智力上變得像我們一樣——與活生生的人腦直接接觸的連續(xù)流學(xué)習(xí)(事實(shí)上是復(fù)制)。

因此，在腦機(jī)接口沒(méi)有它就不可能創(chuàng)造出強(qiáng)大的人工智能。但是新的個(gè)人人工智能的軟件塊將會(huì)很不尋常。

如果幾種加速旁路技術(shù)可以應(yīng)用，很可能第一個(gè)工作原型的個(gè)體人工智能很快就會(huì)出現(xiàn)。無(wú)論如何，這正是我目前努力的方向。