解碼“認知之輪”：AI與人類的終極一戰(zhàn)

　　今天周末，跟大家聊點假裝深沉的話題。

　　現(xiàn)在我們在討論人工智能的時候，大都把卷積神經(jīng)網(wǎng)絡奉為圭臬。因為這種算法，號稱是“平移不變的人工神經(jīng)網(wǎng)絡”，說人話就是人腦的高仿。

　　通過模擬人類腦皮層神經(jīng)元的網(wǎng)狀結構，能夠提取和識別各種物體的特征，永不停機地進行學習，比最乖的人類小孩還要讓人省心。

　　而且一旦訓練好了，就能比人類做的更快更好。拳打九段棋手、腳踢世界冠軍，是毫無問題的。

　　因此，卷積神經(jīng)網(wǎng)絡正在被大量地應用于各種AI系統(tǒng)上。似乎只要假以時日，就該“封神”了。

　　但，這是不可能的。

　　盡管看起來，這一波AI熱正在讓人類處于被廣泛替代的危險境地，不過距離機器超越人類的那一天，其實還是非常遙遠。

　　為啥呢?

　　說來你可能不信，關鍵原因還是在卷積神經(jīng)網(wǎng)絡身上。

　　送分題都不會，你怎么回事小老弟?

　　上古時代，流傳著這樣一道送分題：要把大象裝冰箱，總共分幾步?

　　如果讓一個人類小孩來回答，他會分分鐘告訴你標準答案——把冰箱門打開，把大象塞進去，把冰箱門合上。

　　但是如果讓一個卷積神經(jīng)網(wǎng)絡機器人(我們就稱呼它為“小卷”吧)來挑戰(zhàn)呢?

　　它會先假設，某個叫做“塞”的動作能夠將大象轉移到冰箱里。于是立即行動，卻發(fā)現(xiàn)怎么也塞不進去?？蓱z的“小卷”，遺漏了物理體積不匹配這個重要條件。

　　我們給它升級一下，讓“小卷二號”能夠識別大象和冰箱的個體特征對任務有何影響。它在任務開始前努力推演，正當它算出大象的皮膚顏色對完成任務不會有任何幫助，準備推算下一個特征的時候，大象已經(jīng)不耐煩地跑走了，任務失敗。

　　我們再升級一下，教它學會分辨哪些因素與任務是相關的還是無關的，“小卷三號”誕生了。但是，它一屁股坐冰箱旁邊不動了，掏出一個小本本，開始記錄千千萬萬個被確定與任務無關的東西，直到時間的盡頭……

　　這么看起來，“小卷”們好笨呀，別說和人比了，和阿爾法狗這些前輩們比差距也很大啊!

　　這背后，其實隱藏著一個令AI科學家們困擾多年的變態(tài)難題——“框架問題”。

　　什么是框架問題?

　　想要搞懂什么是“框架問題”，先解釋一下卷積神經(jīng)網(wǎng)絡是怎么工作的。

　　前面我們提到過，這種深度學習的神經(jīng)網(wǎng)絡是在模擬人類神經(jīng)元系統(tǒng)的操作方式。不同算法都只為了完成一個目標：就是像人一樣，忽略該忽略的信息，并在遇到重大的反常情況是保持足夠的警覺。

　　如何能夠在集中注意力的同時獲得合理忽略的能力呢?

　　科學家們只能將一切變化多端、無窮無盡的生活經(jīng)驗壓縮并生成一個“框架”，其中包含了一個內(nèi)容豐富、細節(jié)詳實的腳本綱要，所有現(xiàn)實世界的問題及事物之間的聯(lián)系都囊括其中。

　　當機器想要解決一個問題時，就可以在“框架”中對某些特征加以注意，對那些偏移框架的重大誤差保持警覺。

　　如果這個神經(jīng)網(wǎng)絡框架被建構得足夠好、足夠龐大，它可以展現(xiàn)出無窮大的能力。比如DeepMind用5000臺TPU培育出來的AlphaZero，無需其他干預，就能在4個小時之內(nèi)成為世界象棋冠軍。

　　但是，在某些人類日常生活中需要用到的反應模型中，卷積神經(jīng)網(wǎng)絡的智商卻和昆蟲差不多。

　　D. Dennett在他的論文《AI的框架問題》中舉了一個例子：制作午夜快餐。

　　一個肥宅半夜餓醒，想給自己做點吃的，于是他想到了冰箱里面有些剩下的雞肉片，面包，還有一瓶啤酒。于是他很快就想出了一個完美的計劃：查看冰箱，拿出需要的材料，做一份三明治，就著啤酒，美滋滋。哦，還需要帶上刀、盤子和酒杯。

　　人類之所以能順利完成這項任務，是因為我們已經(jīng)了解了大量的知識。包括雞肉加在面包里不會掉下來(摩擦力)，啤酒如何倒入杯子(重力)，甚至是左手拿著面包就不能再用來拿刀了。

　　這些“知識”或經(jīng)驗是人類“生而知之”的，我們自己或許都不知道是如何學會這些事情的，卻能讓我們不需要思考就輕松搞定一個又一個基本生活問題。

　　但對于任何事情都要從頭學起的AI來說，如果這些大量而平凡的經(jīng)驗不能引起足夠的注意，它就根本不可能完成這些不斷出現(xiàn)的新任務。

　　當然，我們也可以選擇給機器喂養(yǎng)世界上所有的知識，讓它成為一個無所不知的百科全書。這樣它就能和人一樣具備這種彈性的思維能力了嗎?

　　答案顯然是否定的。

　　首先，讓AI記住大量微不足道的細節(jié)中，遇到問題時再從中搜索和抽取出有用的那一部分，實在是太極端太超負荷了，人類就不需要記住“面包比太平洋小”“刀子接觸面包時不會融化”這種知識。

　　而且，機器固然可以用一百萬年解決任何問題，但這既不智能，對人類來說也沒有任何價值。如果不能在有限的時間內(nèi)可靠高效地給出解決方案，我要這祖?zhèn)鰽I有何用?

　　既不能窮盡一切答案，又不能快速找出最佳方法，這就是目前限制AI智商的“框架問題”。