关于AI的一些观点

在1950年出版的《计算机器与智能》（Computing Mchinery and Intelligence）一书中，阿兰﹒图灵给出了判断智能的依据：如果一台机器可以使询问者不能分辨出该机器和人的回答，则可以说这台机器是智能的。图灵还认为，大脑是计算机的另一种形式。其支持者也认为人类的各种智能行为都是对抽象符号的复杂的处理，而计算机也能做到。杰夫﹒霍金斯，桑德拉﹒布拉克斯利（著），何俊杰，李若子，杨倩（译），人工智能的未来[M]. 图灵测试引起了广泛的争论，对此，本文倾向于塞尔的“中文屋”的观点：即使通过了图灵测试，也不能说被测的机器就是智能的。

本文沿着各种智能行为以及思考都是符号处理的思路，并认同功能主义的观点：具有智能或思维只是生物体的特征而已，与身体的组织结构没有必然联系。思维存在于任何系统之中，只要这个系统的组成部分之间有正确的因果关系，而这些部分可以是神经元，硅芯片，或者其他任何东西。本文也赞成杰夫﹒霍金斯（Jeff Hawkins）的观点，智能机器不必是具有人形的，也不必是会行动的，而智能行为亦不是衡量智能的标准，用霍金斯的例子：假如一个人在黑暗中一动不动地思考，虽然我们看不出他有任何智能行为，他就不是智能的了吗？本文亦不完全赞成Brooks的做法，他否定符号人工智能而专注于机器人移动和求生等基本的工程问题，因为一个具有看似智能行为的机器，未必会是会思考 、会记忆的，难道我们可以说一个电动玩具汽车是智能的吗？固然，将控制论理论和机器学习用于机器人，能够解决很多与行为有关的问题，比如让机器人学会路径规划，避障等等，但类似的计算智能（还包括各种模拟自然的群优化算法）只能是一种辅助手段，无法达到智能的终极目标。本文也采用了增强学习来训练机器人学习抓取目标物体等动作，但学习动作只是为了获取更多的知识，以及探索外部环境。而要实现机器人能够记忆、思考、预测，本文还是采用了符号推理。

值得肯定的是，Minsky认为智能是多层结构的推理和思考，其中，内在的反应处于低层，而自意识处于高层。Brooks认为，不管智能是什么，应该由低级到高级地开发，低级的应该是像昆虫一样的智能行为。

除了以符号处理为思想、以编程为手段的方法外，还有一种值得讨论的以人工神经网络为代表的联结主义，人工神经网络模拟大脑神经网络的层级结构和对信息（可能是数据、模式、符号）分散存储的原理。因为人类对智能的理解主要从人类自身尤其是大脑得来，虽然缺乏对大脑工作原理严格、系统、深入的理论依据，人工神经网络在经历几次起落之后，如今再次因为深度学习（Deep learning, DP）神经网络的研究而成为全世界人工智能的热门课题，并已经在识别图像和声音上取得突破。这得益于对大脑皮层的神经网络和人眼视觉机制的研究，因为大脑皮层是多层结构的，而各层对信息的处理是有侧重的，且在某些层之间是有信息反馈的。在认识到这个原理之前，人工神经网络停留在浅层结构上，且除了误差反向传播（Back propagation, BP）网络仅在训练时有反馈之外，没有信息反馈，信息是由输入层单向流到输出层的。根据对新大脑皮层的研究，信息可能是以模式流的方式分散存储在各皮层的神经元中的，而且底层学习和存储基本的局部的数据、高层存储更抽象的概念，而且信息的反馈也不像DP 神经网络仅仅是在最顶的两层间才存在。是否需要在DP的多层之间进行更加复杂的反馈，值得深入研究。不论如何，DP 神经网络给了我们新的启示，要想在人工智能的实质的突破，必须深入研究大脑（新大脑皮层和神经网络）。

但是，相信所有的研究者都高兴看到这些思路迥异的研究方法，不管是行为主义、联接主义，符号主义，尽管实现途径不同，但目标基本是一致的，都是为了实现真正的智能——本文称之为“人级别的智能”（Human-level intelligence）。

本文并不赞成只求目的、不问手段的“思维轮子”的观点。深入地研究大脑，才是实现智能的根本途径。而不管是霍金斯说的模式流，还是符号处理中的符号，实则是不同表达形式的知识。如同霍金斯一样，本文承认记忆和预测是智能的根本标志，在没有真正搞清楚大脑皮层的工作原理和建立类脑皮层的模型之前，本文仍然沿着符号处理的思路进行研究，把具有知识作为智能的根本途径，而视觉和对行为的学习，是为了从环境中学习知识，然后利用知识进行推理（包括记忆和预测）。

试想，一个三岁的孩子可以掌握语言进行对话、容易地识别一只猫或狗，而DP神经网络却需要大量的计算机和上亿个人工神经元才能识别一只猫的图像，孩子具有的知识（可能先是模式流，然后形成“恒定表征”）起到了关键作用。DP的强大离不开计算机强大的计算能力，而再强大的计算机如果没有合理的模型是无法实现智能的。我们尚不清楚孩子是如何表征关于猫的概念，也尚没弄清大脑是否以及怎样利用符号推理的，但是如斯坦福大学人工智能研究中心尼尔逊（Nelson）教授对人工智能下了这样一个定义：“人工智能是关于知识的学科――怎样表示知识以及怎样获得知识并使用知识的科学。”

综上，我们的观点是：

1，知识是智能的核心。不断地获取知识，并且学会关于怎样去获取知识的知识，然后利用知识去记忆、推理、预测，才是真正的智能。

2，获取知识的手段，包括视觉、行为、推理（应该还有联想、顿悟，但是本文没有研究那些）。

3，推理是以知识的符号表达为前提的，推理是内在的；而行为需要控制理论和机器学习，是外在表现的。

4，具有看似智能的行为的机器，未必是智能的；但是，为了服务生产生活，这些行为是值得拥有的。

5，应该综合利用各种方法，以构建既能学习，又能思考，还具有智能行为的机器。

6，鉴于DP网络取得的突破性的成功，应该对大脑皮层的工作原理更深入研究，那可能是通往智能的另一条道路！