人工智能是什么?
人工智慧从字面上看就是人造的智慧,但是实际上涵盖了不少部分,大家最关心的实际上是人工自主意识,因为网络和电脑已经完成了知识的检索和存储,几大搜索引擎也完成了关键字-关联解释的功能和海量数据积累,而且大多数机器人厂商已经完成了反应机,自适应等等高级功能,但是还是没有能出现通过图灵测试的人工自主意识,当然这也包含了人类对自身意识的研究并没有上升到更透彻的层面。 现在应该是有两大派,也许还有更多分支,其实就是一个问题的是否两面性回答:自主意识是否是自主产生,还是人工赋予?如果是自主产生,那么就面临一个严重的认知性障碍,只有神经系统复杂到一定程度,且在大尺度上的相似性高度保持一致,那么个体自然产...全部
人工智慧从字面上看就是人造的智慧,但是实际上涵盖了不少部分,大家最关心的实际上是人工自主意识,因为网络和电脑已经完成了知识的检索和存储,几大搜索引擎也完成了关键字-关联解释的功能和海量数据积累,而且大多数机器人厂商已经完成了反应机,自适应等等高级功能,但是还是没有能出现通过图灵测试的人工自主意识,当然这也包含了人类对自身意识的研究并没有上升到更透彻的层面。
现在应该是有两大派,也许还有更多分支,其实就是一个问题的是否两面性回答:自主意识是否是自主产生,还是人工赋予?如果是自主产生,那么就面临一个严重的认知性障碍,只有神经系统复杂到一定程度,且在大尺度上的相似性高度保持一致,那么个体自然产生的意识才会具备相似神经网络个体的认同和感知,简单说,以人类神经网络构成分布,和社会化训练的过程复制产生的个体自然产生的意识,才能被人类所认同和感知到。
所以很可能网络上自动机和各种设备产生的不知名网络现象,有可能是互联网自主意识的初级阶段,但是无法被人类类型的智慧个体感知,而是被当做不知名故障进行处理,多数无解,可以称为Ghost-In-The-Machine。
也就是说,当人造神经网络复杂到一定程度,意识只不过是诸多需求反馈链交错所致。人工赋予的意识很可能在初期会表现出来类似创造者的行为而获得相当认同,但是一样会面临要么会被超过或少于神经反馈网络数据量导致的过载或饥荒,进而导致意识的消亡。
或者当刚好适合的神经网络加入了适当的意识,很可能会在一段时间内因为个体对群体交流的渴望而失去意识。当然在另外一个层面上来说,为何我们无法制造出真正意义上的自主意识,是因为几个非常简单的原因:能源不能自给不能自我修复个体复制并不能自动完成这三个关键因素没有能在一个人造个体内实现,那么我们距离自主产生的意识真是相距甚远。
以上三点可以简单的描述为,如果能源不是自主获取的,那么谈不上求生。不能自我修复,也就不具备变异的基础特征,就更谈不上进化;或者说不能自我修复,会让进化的路程变得更遥远,如果不能携带当前一代的经验和因果学习数据到下一代,那么就更谈不上进化。
意识如果是进化优势的产物,那么没有进化,自然不会产生意识,更谈不上个体间意识的合作从而获得更高的进化优势。也许我说的比较片面,多多包涵。###我看来获得能够自我解决问题的能力,只有两个途径,一个在随机基础上自然选择。
另一个是模拟人类的符号系统中同时唤醒和回忆机制,然后大量做外部规则设置。如果解决不好规则的一致性,确实很难弄。###带有条件判断的逻辑行为就是智能;人类采用非自然方法实现智能就是智能机;可以安全重组的连续逻辑过程就是意识;人类采用非自然方法实现意识就是人工智能;###按可能的智能程度由小到大依次排列:弱人工智能“Space:thefinalfrontier。
ThesearethevoyagesofthestarshipEnterprise。Itscontinuingmission:toexplorestrangenewworlds,toseekoutnewlifeandnewcivilizations,toboldlygowherenoonehasgonebefore。
”“宇宙,人类最后的边疆。这是星舰进取号的航程,它继续的任务,是去探索未知的新世界,找寻新的生命和新的文明,勇敢地航向前人所未至的领域。”引自:星际旅行·下一代星际迷航·下一代里我最喜欢的角色之一是机器人Data,每次危难时刻只要看到有Data在场,就放心了很多,Data总给人安全、可靠、光速计算、光速推理。
Data非常有意思的是他知道自己是个机器人,并且一直尝试理解人的情感。大部分人对人工智能的第一印象应该就是机器人形态。很多很多人小时候对未来的想象都是开始有机器人的世界,然后有各种科幻小说、电影、电视剧演绎到处都是机器人的神奇的世界。
然而,到目前为止,大部分人都发现机器人还很远很远,比如有的人觉的最应该使用机器人的地方比如高楼外面的擦建筑物外面玻璃的机器人,却还是没出现过。(一)《数学之美第二版》第二章讲得是自然语言处理的方法从规则到统计的一个小历史。
核心问题是解决机器能不能懂自然语言的问题。这里面涉及到两个认知方面的问题:第一,计算机能否处理自然语言;第二,如果能,那么它处理自然语言的方法是否和人类一样。这章从1956年的“达特茅斯夏季人工智能研究会议”开始谈起,一直讲到2005年Google基于统计方法的翻译系统全面超过基于规则方法的SysTran翻译系统为止,缩略式的呈现出自然语言处理领域的主流方法从基于规则到基于统计的演变。
从中可以看到,统计学方法之所以胜出,大概是这样的。首先,自然语言是上下文有关文法(ContextDependenceGrammar),而根据下面的复杂度分类,可以看到上下文有关文法的复杂度决定了采用基于文法规则的方案会迅速达到所能处理的瓶颈。
上下文无关文法(ContextDependenceGrammar)可在多项式事件内解决问题(PolynomialProblem)复杂度是语句长度的二次方上下文有关文法(ContextIndependentGrammar)复杂度是语句长度的六次方其次,自然语言处理的输入输出的维度决定了一个方法的潜力是否巨大。
根据书中的描述,我们列出基于规则的词性分析和基于统计方法的输入输出的维度。基于规则的句法分析:输入是一维,输出是二维基于统计的马尔科夫法,输入是一维,输出是一维语音,胜出词性一个语法成分对另一个语法成分的修饰关系不一定相邻,而是中间隔了很多短语只有基于有向图的统计模型才能很好的解决复杂的句法分析机器翻译输出虽然还是一维,但次序发生变化1988,彼得·布朗(PeterBrown)等人提出基于统计的机器翻译框架框架是对的,但没有足够的数据,也没有足够强大的模型来解决不同语言次序颠倒的问题最后,自然语言处理领域的研究人员从基于规则的老一辈更新换代到基于统计学方法的一代则是这个历史过程中的一个现象,正如书中所说的:15年,对于一个学者来讲是一段非常长的时间,如果哪个人从博士开始就选错了方向并且坚持错误,到15年后才发现,基本上这一辈子可能就一事无成了。
用基于统计的方法代替传统的方法,需要等原有的一批语言学家退休。这在科学史上也是经常发生的事。(二)1956年的“达特茅斯夏季人工智能研究会议”是人工智能的起点。那么,到底什么是人工智能?也许一本人工智能领域的书籍可以解答这个问题,不过也许通读维基百科的页面:Artificialintelligence,以及人工智能之父JohnMcCarthy在2007年的这个:WHATISARTIFICIALINTELLIGENCE?里的回答可以让我们有一个大致的理解。
首先,人工智能分强人工智能和弱人工智能。强人工智能观点认为有可能制造出真正能推理(Reasoning)和解决问题(Problemsolving)的智能机器,并且,这样的机器能将被认为是有知觉的,有自我意识的。
我们大部分人对机器人的想象都属于强人工智能的那个定义,我们想象机器人无所不能,可以演绎、推理、解决问题;可以规划、学习、运动、控制;可以有知觉、社交、创造力;可以处理自然语言,和人无障碍沟通。
而人工智能在经历了上个世纪60年代的第一次研究繁荣期、经历70年代经费缺乏的沉寂期、再经历统计学方法在自然语言处理领域大放异彩之后,在其他各种子问题上的各个点小突破,似乎再次的充满了希望。弱人工智能观点认为不可能制造出能真正地推理和解决问题的智能机器,这些机器只不过看起来像是智能的,但是并不真正拥有智能,也不会有自主意识。
但这也是在讨论中,为什么有的人会认为目前在很多领域已经实现了人工智能的目标,有的人则认为这只是计算,而非“人工智能”。我想大部分人对人工智能的直观理解都属于强人工智能的概念。其次,人工智能是一个多子问题的学科。
具体的分类在维基百科的页面上有详细介绍,但人工智能之父的这一个页面也不错:BranchesofAI。那么,自然语言处理只是人工智能的一个子领域,在这个子领域的突破和整体之间的关系又是什么呢?维基百科上面的这段话给了一个回答,也就是“AI-complete”。
Manyoftheproblemsabovemayrequiregeneralintelligencetobeconsideredsolved。Forexample,evenastraightforward,specifictasklikemachinetranslationrequiresthatthemachinereadandwriteinbothlanguages(NLP),followtheauthor'sargument(reason),knowwhatisbeingtalkedabout(knowledge),andfaithfullyreproducetheauthor'sintention(socialintelligence)。
Aproblemlikemachinetranslationisconsidered"AI-complete"。Inordertosolvethisparticularproblem,youmustsolvealltheproblems。
然后,哥德尔不完备定理也经常会被搬出来说人工智能是不可能的。我们可以查阅维基百科:哥德尔不完备定理:任何相容的形式系统,只要蕴涵皮亚诺算术公理,就可以在其中构造在体系中不能被证明的真命题,因此通过推演不能得到所有真命题(即体系是不完备的)。
重要的是,后面的一段描述:哥德尔的第一条定理有不少误解。我们就此稍作说明:该定理并不意味着任何有趣的公理系统都是不完备的。例如,欧几里得几何可以被一阶公理化为一个完备的系统(事实上,欧几里得的原创公理集已经非常接近于完备的系统。
所缺少的公理是非常直观的,以至于直到出现了形式化证明之后才注意到需要它们)该定理需假设公理系统可以“定义”自然数。就算这些系统拥有包括自然数作为子集的模型,也不一定就能定义自然数。必须透过公理和一阶逻辑,在系统中表达出“x是一个自然数”这个概念才行。
有许多系统包含自然数,却是完备的。例如,塔斯基(Tarski)证明了实数和复数理论都是完备的一阶公理化系统。这理论用在人工智能上,则指出有些道理可能是我们能够判别,但机器单纯用一阶公理化系统却无法得知的道理。
不过机器可以用非一阶公理化系统,例如实验、经验。上述的最后一点,理清了这种谬误。在人工智能的词条上,这个也被提到:GödelianargumentsGödelhimself,JohnLucas(in1961)andRogerPenrose(inamoredetailedargumentfrom1989onwards)arguedthathumansarenotreducibletoTuringmachines。
Thedetailedargumentsarecomplex,butinessencetheyderivefromKurtGödel's1931proofinhisfirstincompletenesstheoremthatitisalwayspossibletocreatestatementsthataformalsystemcouldnotprove。
Ahumanbeing,however,can(withsomethought)seethetruthofthese"Gödelstatements"。AnyTuringprogramdesignedtosearchforthesestatementscanhaveitsmethodsreducedtoaformalsystem,andsowillalwayshavea"Gödelstatement"derivablefromitsprogramwhichitcanneverdiscover。
However,ifhumansareindeedcapableofunderstandingmathematicaltruth,itdoesn'tseempossiblethatwecouldbelimitedinthesameway。
Thisisquiteageneralresult,ifaccepted,sinceitcanbeshownthathardwareneuralnets,andcomputersbasedonrandomprocesses(e。
g。annealingapproaches)andquantumcomputersbasedonentangledqubits(solongastheyinvolvenonewphysics)canallbereducedtoTuringmachines。
Alltheydoisreducethecomplexityofthetasks,notpermitnewtypesofproblemstobesolved。RogerPenrosespeculatesthattheremaybenewphysicsinvolvedinourbrain,perhapsattheintersectionofgravityandquantummechanicsatthePlanckscale。
Thisargument,ifaccepteddoesnotruleoutthepossibilityoftrueartificialintelligence,butmeansithastobebiologicalinbasisorbasedonnewphysicalprinciples。
Theargumenthasbeenfollowedupbymanycounterarguments,andthenRogerPenrosehasrepliedtothosewithcountercounterexamples,anditisnowanintricatecomplexdebate。
FordetailsseePhilosophyofartificialintelligence:Lucas,PenroseandGödel最后一个疑惑是,人工智能和生物学之间的关系。这个我比较赞同这篇文章的说法:关于”做人工智能是否一定要学点生物“-远东轶事-知乎专栏。
(三)很多人都相信根据奇点理论,技术的进步从来都不是渐进式的,而是存在一个爆发的过程。他们说人工智能的奇点还没到来。###人工智能,利用人类的智慧仿造人类自身,创造让人类自身不论是从外表、思想还是语音上不能分辨是人类自身还是人造物体的智能体。
不过目前还做不到啦,不论是外形的仿真,语言的理解,思考和推理,还有肌肉这样的动力系统,都还处于比较初级的阶段。也许这其中存在一个人类认知的边界,但是不论如何,我们的工作都是无限接近这个边界。我甚至认为这是人类的终极问题,如何制造人类。
收起