CES大会热点:人工智能的下一个突破从哪里产生?

发表时间: 2024-01-17 23:21:52 来源:M6米乐官网登录入口/隧道炉

  当地时间 1 月 9 日,2024 CES(国际消费电子展)在美国拉斯维加斯启幕。关注科技硬件的人很难不被它刷屏,作为全球消费科技发展的新趋势的风向标,这场为期三天的“科技春晚” 上共有 1000+ 初创公司和 3500+ 的展商展示最前沿的科技“新物种”。想要读懂这些硬核科技,那你一定绕不开这本书——什么是真正的智能?

  一台智能机器应该是怎样的?有没有一套可供使用的判断标准?我换一种问法:一台机器怎样才算通用计算机?一台合格的通用计算机,即通用图灵机,需要内存、CPU、软件等特定的部件,而我们没办法从机器外面看到这些部件。例如,我不知道烤面包机里面是否有一个通用计算机或一块定制芯片。烤面包机的功能越多,它就越有可能包含一台通用计算机,但唯一确定的方法是从内部看看它是如何工作的。

  同样,一台智能机器需要具备一套运行的原则。我们没办法通过外部的观察发现一个系统是否使用了这些原则。看到一辆车在高速上行驶,我们没办法分辨它是由一个正在学习开车的人驾驶的,还是由一个简单地让车保持在车道内的控制器驾驶的。汽车表现出的行为越复杂,它就越有很大的可能是由智能体控制的,但最保险的方法还是到汽车内部看看。

  那么,是不是真的存在一套智能机器一定要满足的标准呢?答案是肯定的。我依据大脑的特性提出了判断智能的标准。大脑具备以下四种特性:持续学习、通过运动学习、多重模型、使用参考系存储知识。我坚信智能机器也一定要具有这些特性。我将描述每一项特性是什么,它们为何重要,以及大脑怎么来实现它们。智能机器实现这些特性的方式可能与大脑不一样。例如,智能机器并不是特别需要由活体细胞组成。

  也许有人判断智能的标准与我并不一致,也有人会认为我漏掉了一些重要的标准。不过没关系,我列出的观点可当作通用AI的最低判断标准或对比基线。如今,还鲜有AI系统具备以下任何一项特性。

  ·是什么?在我们的一生中,只要我们醒着,就会学习。每段记忆维持的时间可能不同。人们会很快地忘掉某些事情,比如桌上盘子的摆放情况或我们昨天穿了什么衣服,也有些事情我们会铭记终生。学习并不是一个独立于感知和行动的过程。人类会不断学习。

  ·为何重要?世界在一直在变化。因此,为反映一直在变化的世界,世界模型必须持续学习。大多数现有的AI系统并没做到这一点。经过了漫长的训练过程后,这些AI系统就会完成部署了。这也是它们不灵活的原因之一。灵活性要求这些系统不断适应变化的环境和新的知识。

  ·大脑怎么来实现?神经元是能让大脑持续学习的最重要的部分。当神经元学习一种新模式时,它就会在一个树突分支上形成新的突触。新的突触不会影响之前在其他分支上通过学习而形成的突触。因此,学习新东西并不会迫使神经元忘记或修改之前学习的东西。然而,现有的AI系统使用的人造神经元就不具备这种能力,这是人造神经元不能持续学习的原因之一。

  ·是什么?人类通过运动来学习。在日常生活中,人类会移动身体、四肢和眼睛。这些运动在学习的过程中是不可或缺的。

  ·为何重要?实现智能需要学习一个世界模型。我们没办法同时感知世界上的一切事物,所以要通过运动来学习。如果不挨个走遍所有房间,我们就无法学习一个关于房子的模型,如果不与手机上的新应用程序互动,我们就无法学会使用它。这里的运动不一定是指身体上的。通过运动学习的原理也适用于数学等概念,以及网络等虚拟空间。

  ·大脑怎么来实现?皮质柱是大脑新皮质中的加工单元。每根皮质柱都是一个完整的感觉-运动系统,即皮质柱获取输入并产生行为。在每一次运动后,皮质柱会预测下一个输入是什么。皮质柱会通过预测来测试并更新其模型。

  ·是什么?大脑新皮质由数以万计的皮质柱组成,每根皮质柱都会学习物体的模型。关于任何特定事物的知识(如咖啡杯),都分布在许多互补的模型中。

  ·为何重要?大脑新皮质的“多重模型”这一设计带来了灵活性。通过采用这种结构,人工智能设计者可以轻易地创造集成了多种传感器的机器,这些传感器包括视觉、触觉甚至是雷达等新型传感器。他们还可以创造具有各种形态的机器。像大脑新皮质一样,智能机器的“大脑”将由许多几乎相同的部件组成,这些部件可以与各种各样可运动的传感器相连。

  ·大脑怎么来实现?“投票”是多重模型发挥作用的关键。在某些特定的程度上,每一根皮质柱都独立工作,但大脑新皮质的长程连接使皮质柱可以对它们所感知的物体进行投票。

  ·是什么?人类的知识存储在大脑的参考系中。参考系也被用于做出预测、创建计划、实施运动。每当大脑激活参考系中的某个位置,并检索出相应的知识时,就会产生思维。

  ·为何重要?为实现智能,机器需要学习世界模型。该模型必须包含物体的形状、物体在与人互动过程中的变化,以及物体彼此之间的相对位置。机器需要参考系来表征这类信息。参考系是知识的“骨架”。

  ·大脑怎么来实现?每根皮质柱都创建了一组自己的参考系。皮质柱使用网格细胞和位置细胞来创建参考系。

  大多数人工神经网络并不包含任何与参考系相当的成分。一个典型的识别图片的神经网络只会给每张图片分配一个标签。没有参考系,网络就无法学习物体的三维结构或它们运动、变化的方式。这种系统并不能给出将图片标记为猫的原因。AI系统并不知道猫是什么,除了这张图片与其他标记为“猫”的图片相似,它们不能给出更多的信息。

  尽管实现的方式存在不足,但有些形式的人工智能确实具有参考系。棋盘就是用于下棋的计算机所具有的参考系。棋盘上的位置用特定的国际象棋术语标记,如“国王的车4”或“王后7”。用于下棋的计算机使用这个参考系来表示每一枚棋子的位置、合规的国际象棋走法,并规划棋子的走法。一个棋盘参考系本质上是二维的,只有64个位置。该参考系非常适用于国际象棋,但对学习订书机的结构或猫的行为则毫无用处。

  自动驾驶汽车通常有多个参考系。GPS是其中一个参考系,这是一种基于卫星的系统,可以将汽车定位到地球上的任何地方。利用GPS参考系,汽车能学习道路、十字路口和建筑物的位置。GPS是一个比棋盘更加通用的参考系,但是该参考系固定在地球上,因此无法表征相对于地球运动的物体的结构或形状(如风筝或自行车)。

  机器人设计者对使用参考系并不陌生。他们用参考系来跟踪机器人在世界上的位置,并规划机器人从某个位置移到另一个位置的方案。大多数机器人科学家并不关心通用AI,大多数AI研究人员也没意识到参考系的重要性。如今,尽管AI和机器人两门学科之间的界限开始变得模糊,但二者在很大程度上仍然是两个独立的研究领域。只要AI研究人员意识到运动和参考系对于创造通用AI的及其重要的作用,人工智能学科和机器人学科就会趋同。

  人工智能科学家杰弗里·辛顿(Geoffrey Hinton)深知参考系的及其重要的作用。如今的神经网络依赖于辛顿在20世纪80年代提出的思想。近年来,辛顿开始对该研究领域持批判态度,由于深度学习网络无法感知位置信息,他认为深度学习网络无法学习世界的模型。本质上,这和我提出的批评是一样的:人工智能需要参考系。辛顿提出了一种解决该问题的方案——胶囊(capsules){L-End} 。胶囊有望大幅度提高神经网络的性能,但到目前为止,它们还没有在人工智能的主流应用中流行起来。胶囊是否会成功?未来的人工智能是否依赖于我提出的类似于网格细胞的机制?这样一些问题还有待探究。无论如何,参考系对于智能来说不可或缺。

  我们再来看看动物。所有哺乳动物都有大脑新皮质,因此按照我对智能的定义,它们都是具有通用智能的学习者。每个大脑新皮质,无论大小,都拥有由皮质柱网格细胞定义的通用参考系。

  老鼠的大脑新皮质较小,因此,相比于拥有更大的大脑新皮质的动物,其学习能力较弱。但是,老鼠仍然是具有智能的,这就好比烤面包机中的计算机也是一个通用图灵机。麻雀虽小,五脏俱全!烤面包机中的计算机很小,但也完整地实现了图灵构建计算机的思想。同样,老鼠的大脑很小,但也完整地实现了本章描述的学习特性。

  在动物世界中,并非哺乳动物才具有智能。鸟类和章鱼也会学习并表现出复杂的行为。尽管它们是否拥有网格细胞、位置细胞或其他机制还有待探究,但几乎能肯定的是,这些动物的大脑中也有参考系。

  这些例子表明,几乎每一个表现出规划和复杂的面向目标行为的系统,无论是下国际象棋的计算机、无人驾驶汽车还是人类,都拥有参考系。参考系的类型决定了系统能学习什么。为下棋等特定任务设计的参考系,在其他领域会失效。通用智能需要通用的参考系,这样的参考系能应用于处理多种问题。

  需要强调的是,不能依据机器执行一项或几项任务的情况来衡量智能。相反,智能是由机器如何学习和存储关于世界的知识决定的。人类之所以聪明,不是因我们能把一件事做得特别好,而是因我们能学会做几乎任何事。人类智能的极端灵活性需要本章中描述的特性:持续学习、通过运动学习、多重模型、使用参考系存储知识并生成面向目标的行为。

  我相信,未来几乎所有形式的机器智能都将具备这些特性,尽管这还有非常长的路要走。

  「夜读好书」栏目往后将每日晚间更新,由编辑们从数百本经典书目中精选呈现。在纷繁的世界中,让好书陪你度过一段深邃、宁静的晚间时光。好书夜读,让生活松弛有度~



相关产品