AI人工智慧离自主意识还有多远？从背后的原理看人工智能的未来

然而，很多人工智能专家说，不能简单地用人类理解的标准来然而，计算机只能执行包含灵何异的机器语言。所以，计算机的运算说到底就是要把运算规则转换为止包含灵何异的程序。但是，就像夏季一样，计算机的下一步究竟应该如何走，有很多选项，还要做的就是在可能的选项中搜索最佳的方案。运算就是在考虑所有可能的选项情况下找到最优解。而这个选项的集合是非常庞大的。随着求解的问题越来越复杂，搜索所需要的计算能力也是以指数的方式在增长。这样以来，对计算机运算的能力要求越来越高。比如，曾经计算机在中国象棋上相对容易表现出智能，但围棋却非常困难。这是因为围棋求解的组合要比象棋复杂得多。这就是符号主义难以解决的问题。

今天的人工智能引起如此大的轰动和关注，可以说是约约奥法勾在围棋上取得了突破。然而，奥法勾恰恰不属于符号主义，它是基于神经网络的机器学习。就连后来的 Open AI公司的 ChatGPT 和 Sola 都是神经网络人工智能。它跟符号主义相比到底怎样呢？人工智能研究理念呢？神经网络人工智能原则于西方哲学中的理性主义传统，但这哲学思想在十八世纪遭到了一位思想巨像的深刻批评，它就是英国哲学家大卫·休谟。休谟认为，远于人类意识的很多判断，比如对英国关系的判断，尽管表面上看起来是依据理性和推理，实际上仅仅是源于我们的习惯。这种习惯往往是在重复经验中实现的。比如，教一个小孩子要远离火并不需要什么计算或推理，只需要让他手靠近火苗，他就会有烧感，然后反射性的缩回手。那么下次他在见到火苗的时候就知道要小心躲避了。休谟的这种观点后来在神经科学中得到了证实。科学家发现，神经细胞之间通过突触连接，当两个神经细胞同时得到频繁的刺激，两者之间的突触就越老骨，连结的强度也就增高。这其实就是人类的学习过程。

要求机器。计算机的理解有另外一套标准。计算机科学支付和人工智能开拓著图灵有一个很著名的论断，也被称为图灵测试。他认为，只要机器做出的回答与人类的回答不可分辨，机器实际上就已经在理解了。很多人就说，按照图灵的这种观点，中文屋作为一个系统的确是理解中文的。尽管中文屋的人并不懂中文，但只要这整个系统所提供的答案与人类的回答没什么区别，这就已经具备智能。这就说明系统已经具有理解能力。至少说在计算和推理层面上，计算机确实已经实现了人类的智能的相似结果。

我们读书的时候都有类似的经验，当我们被送英语单词的时候，我们会去想象这个单词代表的事物画面。只需要可以多重复几遍，这个单词的意思就会牢牢记住。这就是在强化不同神经源之间的连结。既然人类的智能在大脑中实际上就是这样来实现的，那么为什么人工智能不能以相同的模型来实现呢？这种区别与理性主义传统而主要受休谟和神经科学思想启发的人工智能研究理念就是连结主义，也叫学习派。学习派的代表人物是马文明斯基，就是我们之前提及的1956年达特茅斯人工智能研究计划的发起人。他在1969年出版了一本书叫《感知器初级》，提出要向人工智能解决更复杂的问题，必须要把更多感知器连结起来，组成人工神经网络。与符号主义不同，连结主义认为人工智能的使用任务是建立类似大脑的模型。他不是预先给定解决问题的算法，而是构建一个在计算机上模拟的神经源网络，让机器自主的建立不同神经源之间的连结。通过最终结果的反馈，不断调整连结的模式，最终逼近最优解。在整个过程中，计算机就像人类那样，在大量的经验数据中学习。由于机器处理数据的能力远超人类，所以学习效果也会大大超越人类。

设想一下，你家的冰箱不工作了，你需要找出原因出在哪儿。显然，首先需要考虑有哪些因素能造成影响，比如是冰箱坏了，还是电路老化短路了，还是插座不通电了等等。然后，就需要根据家是挨个检验，通过反馈的结果不断排除虚假的因素，最终找到真正的原因。人工智能的神经网络学习也是这样的试作法。当然，他可能面临的任务极为复杂，比如围棋，他所考虑的因素也积极丰富，超过人类大脑所能同时处理的能力。而且，计算机上实现的神经网络还是分层的，不同层次上的神经源连结被分配到不同的权重。通过最终输出的结果与最优结果之间做比较，反馈回来，在调整连结的方式与权重。Alpha Go 正是在这种成百万上千万次的反复试错调整中学会了如何在围棋游戏的每一步都找到最优解，从而能够击败人类的围棋冠军。

显而易见，连结主义特别强调从经验学习中获得智能，所以就避开了符号主义过度强调逻辑推理的弊端，从而让人工智能获得了突破性的进展。但这也带来了新的问题，他实在太过执著于经验了。而且，他并不会区别的对待经验。人类固然是从经验中学习，但人类的智能就体现在我们从不毫无差别的对待一切经验，而总是选择性的重视某些经验，忽略一些无关紧要的经验。连结主义的人工智能则要在海量数据的试作学习之后才能获得某些在人类看来十分简单的结论。这种表现看起来可不太智能。更重要的是，人类的学习是有创造型的。我们不仅能从经验中把握固有的联系，还能举一反三的创造以前从未建立过的神经源连结。如果不能实现这一点，基于神经网络的人工智能积极学习就只能依赖于设计者提供给他的智能，而并不是自己产生的智能。

总的来说，连结主义的神经网络人工智能取得了重要的进步，但过于依赖经验数据也是他所面临的新问题。那么，我们离理想的人工智能究竟还有多远？这就是我们要说的人工智能的理想状态——通用人工智能。不用多说，你肯定也能感觉到，目前人工智能所达到的水平与那些科幻小说与电影里描绘的人工智能还有不小的距离。现在实现的都只是专门的人工智能，而不是通用性的人工智能。比如 Alpha Go，它是被设计来下围棋的。在 Li-O-Penai i-i 公司的 Sora，它是用来生成视频的。而在科幻小说或电影里，通用性的人工智能意味着它是人类智慧的再造与替换，几乎就是一个完整的个人。它能够做人类智慧的所有任务，而不局限于某一类专门任务。它不仅会下围棋，又会炒菜，还会谈恋爱。我们每个人类的新智都是多面手，而现阶段的人工智能往往只能在某一个领域充分发展。

其次，人工智能可能永远无法理解人类的情感。且不说人工智能目前没有自主意识，就连人类情感上的各种感受、体悟、情绪与痛苦，它也不能做到感同身受。以目前最先进的神经网络人工智能为例，如果要训练计算机理解情感和动机，比较可行的就是着眼于让机器学习如何根据情绪产生行为的目标。人类的情感的确能产生行为目标。假如你非常爱慕某个女孩，你可能就会产生把她追到手的目标。但即使做到了这些，这还不是人类情感最核心的部分。我们通常会说，如果你非常爱慕一个人，你就会体会到爱慕之情带来的那种幸福、甜蜜、纠结、有失落的感受。如果没有这些感受的体验，或者对这些感受麻木不仁，那就不叫真正爱过一个人，也就无法理解情感为何物。换句话说，情感最本质的内涵应该是对情绪的主观感受。而这恰好是人工智能难以实现的。因此，我们所造出的人工智能机器，哪怕能够实现根据情感产生某种行为，也仍然缺乏情感的主观感受。这就是当代哲学中非常有名的“僵尸”概念。我们这里所说的僵尸是说，任何人都可以设想自己有一个这样的复制品，人工智能。他不论从外观上还是说话作是行为举止上都和自己一模一样，但唯一有一点不同就是僵尸没有你的主观感受。他也可以说红色，但并没有我们看到红色的那种感受。他可以说疼痛，但他从没有痛感。他更可以说爱与恨，但同样不知道爱恨情仇就为何物。总之，这个像僵尸一样的复制品虽然能够模仿人类的情感功能，但是缺乏人们对情感的主观感受。而最根本的困难可能还在于对人工智能来说，根本还没有一个自己。他没有形成自我意识，没有把自己看作一个我，从而也就不可能有主观的视角。

那么，机器实现自我意识需要哪些条件呢？赫伯特·德雷夫斯教授是美国麻省理工学院对人工智能的发展产生过重要影响的当代哲学家。他提出，人工智能要想真正实现自主意识，就不能仅仅把智能当作是发生在人类大脑中的事情，而必须认真思考身体的智能的意义。比如，网球运动员面对快速飞来的网球，没有犹豫，更没有时间思考，他的手臂就像自然反应一样发力挥动球拍，球就被准确击中，改变了飞行的方向。在更多的时候，人们就像这个网球运动员一样，运用身体的自然反应，自如的与世界打交道，完全不是三四二后行这种包含着身体在内的智能，在今天的哲学中有一个专门的说法，叫做“蛇身认知”。与此相反，过去的哲学家是过于强调认知的理性成分了。不管是设计派还是学习派，都是把智能和认知看作是人类心灵的产物，根本不考虑身体的状态。但是，假如智能和认知本来就不是发生在人类大脑中的事情，假如蛇身认知的观念是正确的，那么符号主义与连结主义就都有各自的局限。人工智能的发展势必还需要由心的观念来引领。或许当有了通用人工智能，当通用人工智能的行为模式能做到从身体的不同主观感受来最主选择行为的时候，才是解锁人工智能自主意识的时候。

神经网路人工智能的前驱特伦斯·谢诺夫斯基于深度学习中提出，人工智能在未来发展过程中可能会遇到以下三个挑战。首先，人类越来越看不懂神经网路人工智能。有一位人工智能专家做了一个比喻，人工智能的深度学习越来越像是黑箱。我们知道计算机能给我们一个好结果，可是这样的结果是怎么出来的越来越难以解释。这就想要发勾与人类对一时那匪夷所思的一手棋。虽然连围棋高手当时都很难解释，但是实际的结果证明那样是更好的选择。围棋高手都是通过后来的复盘才慢慢懂得了他背后的思路。可是当人工智能覆盖到更多的领域，比如医疗领域、无人驾驶，那么当计算机给出一条让我们觉得匪夷所思的指令，我们敢相信计算机吗？那的时候，恐怕我们在没有找到合理的解释之前不敢轻易让计算机做主，因为我们无法确定那匪夷所思的指令到底是计算错误，还是真的是我们想不到的更好选择。

其次，人工智能的下一个挑战可能是因为我们对自己缺乏了解。回头看人工智能的发展，我们对计算机的设计越来越模仿我们人类的大脑。可是直到今天，我们对于自己的大脑真的没有那么了解。虽然计算机已经如此强大，但是大脑的计算能力和精巧设计仍然远超计算机。举个例子，英国皇家学院院士、伦敦大学的著名神经科学家曾做过实验，人类大脑执行运算的次数是每秒4400亿次，而大脑的功率大概只有20瓦上下，和家里的台灯能耗差不多。而我们一台普通的家用电脑功率也要在300瓦左右。更不要说超级计算机，他们的功率都是惊人的天文数字。大脑不只硬件上特别省电，在算法上似乎也比人工智能要高明许多。人工智能中使用的算法才运行了数十个步骤之后，却常常得不出一个正确的结论。而大脑只需要经理大约100个步骤，通常就会得出一个正确的结论。人工智能想要继续发展，看来还要继续向人类的大脑学习。可是我们对于大脑的工作原理，目前还认识的相当不足。

人工智能的第三个挑战可能来自于芯片领域。芯片也有一个特别有名的规律，叫摩尔定律，就是每个两年芯片内晶体管的数量增加一倍。简单来说，就是芯片的运算能力增加一倍。这种指数级增长随着时间的变化会很可怕。两年翻一倍，十年之后就是32倍。从二十世纪七十年代一直到现在，摩尔定律持续了将近五十年的时间。这是什么概念呢？今天的同样大小的芯片比当年的运算能力至少高出一百万倍。然而，有计算机科学家语言，摩尔定律已经快要失效。摩尔定律的核心思路是让同样大小的芯片里面的晶体管数量增加，这就要求晶体管必须越做越小。然而，这种缩小是有限度的，物理定律约束了它的极限。计算机芯片正在快速逼近这个极限。除非计算机科学家设计一种全新的芯片结构，甚至找到一种新的物理材料，否则摩尔定律失效的那一天就是人工智能遇到平静的时候。今天的人工智能虽然已经能摩尼上一个神经源，但是和真正的人脑相比，规模还仅仅是百分之一。如果计算机算力不能继续成倍的增长，那么人工智能就无法达到人脑的深度。

那么，人工智能紧紧就是使用符号的计算，他在发展中有哪些缺点需要克服呢？早期的设计派，我们前面说了，计算与推理是机器最容易实现的人类意识的运作方式之一。而计算与推理最鲜明的特征就是使用符号。数字是最普通的计算符号。比如，如何教小孩子做算数呢？实际上就是要教会他使用数字的运算规则。推理也是这样。我们前面说，从外面下雨推理出出门要带伞，这就是利用了下雨和带伞之间的符号关系。计算机或许没有雨伞的概念，但他完全可以有代表雨和伞的符号。利用这些符号，计算机就可以做推理。而他所得到的结论也可以完全符合人类推理的结果。在人工智能发展的早期，人们相信，只要恰当的设计程序算法，使用符号的计算，就能实现完全的智能。然而，这种信念背后其实是西方哲学2000多年的理性主义传统，相信理性能力就足以解释人类的所有智慧。设计派在人工智能的发展史上也被称作符号主义。在符号主义者看来，人类的智能，不管多么复杂，归根到底都是由符号计算来实现的。返回搜狐，查看更多