人工智能的终极目标真能实现吗？(2)

一些科学家发现尽管人脑的逻辑推理能力在计算机上实现只需要少量运算资源，但机器却无法胜任诸如“右脑思维”的直觉、潜意识等功能。比方说让电脑像成年人一样下棋相对简单，但要具备儿童那种避开障碍的协调能力则相当困难。第三则是来自加大伯克利教授约翰•希尔勒的著名反驳——“中文房间”。该实验思想的提出是对当时人工智能科研进展的一次重大批评式打击，迫使AI研究者此后不得不作出思维与认识上的改变。

80年代以后，AI的研究重点转向“知识”与“认知”，目标是造出能够实现人机对话、语言翻译、图像识别并且能像人脑一样思考推理的机器智能。这与我们今天所熟知的人工智能十分相似。从1997年IBM“深蓝”在国际象棋领域的卓越表现到2016年AlphaGo的横空出世，人工智能由早期的编程语言构建逻辑推算全面过渡至基于人工神经网络的机器学习和认知模拟阶段。尽管这一过程AI借助现代计算机硬件处理能力以及成熟的编程语言和算法优势有所突破，然而科学家们的初衷并未实现——具备人类同等智力的机器智能。每当人工智能向前迈了一小步，世人更多讨论的是诸如AI会不会让自己饭碗不保这类与现实依旧遥远的问题。但事实是如果根据Gartner的Hype Cycle曲线，在2016年机器学习正处于第一个高峰上，那么它很快就会走进一个下行通道。

一步之遥

人工智能进化路线的终点——与人脑同等智力的机器智能，研究者们总因一步之遥而望洋兴叹。科学家攻克了机器模拟人脑逻辑推算的全部功能，这方面AI做得甚至优于人类本身，但面对重构人类与生俱来的右脑思维，这项工程犹如不可能完工的巴别塔。

几个例子来一窥其艰巨，尽管这不是问题的全部。首先是博弈论与理想化模型。博弈论是应用数学的一个分支，它的参与者是“理性经济人”，是恪守严格优势策略的绝对理性人格，那么同样“绝对理性”的机器算法似乎是最合适的博弈参与者。但是问题在于博弈环境的构建并非循规蹈矩，用于实践的理想化模型永远与现实存在差异。如果说机器是完全恪守逻辑的，那么其只能在堆叠理性的基础上不断建模，试图接近人类特征。但这样的结论是AI所拥有的知识永远只是人类知识的一个子集，让AI下棋容易，要想剖析人性的复杂和社会的迁演则难于登天。事实上这也是博弈论的弱点，但并非错误。

另一个例子是信息熵。上世纪中叶香农将热力学的熵引入到信息论是件伟大的事，这至少让后来的AI研究者有了度量工程复杂的手段。简而言之，在信息论里，熵是对不确定性的测量度量；换句话说，熵值越高，能传输的信息量越多，反之则越少。比方说，英语文本数据流的熵比较低，这意味着即使不通读全句，也能够预测这句话的意思。英语文本每字母需要8bit编码，但是它的熵只有4.7bit，而中文熵则高达9.65bit，因为同等单位中文所包含的信息量要高得多。由此可以解释一些事情，一些文字使用者（比如学术研究、翻译小组）总是抱怨机翻的水平低得吓人。事实上，这些年机翻的表现已经有了很大提升，至少能让一个完全不懂第二语言的人彻底明白机翻的意思。但是要尽善尽美，恐怕还有相当距离。

另外，许多研究者早已察觉，人工智能最大的瓶颈在于人类对本身大脑认知的缺失。迄今为止，科学家仍无法解释诸如人脑意识是如何产生、潜意识是如何运作等问题。但有一点可以肯定的是，关于右脑思维、直觉、感知、协调性、想象力等等，这些毫无疑问与记忆有关，准确说是与经验有关。所以当经历了“中文房间”的嘲讽之后，研究者开始改变思路，人工智能的方向从“推理”转向以“知识”和“学习”为重点。(责任编辑：方向)