强人工智能离我们还有多远?

标签: 人工智能 | 发表时间:2019-05-10 18:49 | 作者:特邀精选
出处:https://www.jiqizhixin.com/

导语

人工智能的概念从1956年8月的达特茅斯会议诞生已来,已经经历了60多年的历史,近几年AI在国内的发展呈井喷之势,不断刷新人们的眼球,笔者作为一个科研工作者,尝试从客观的角度对AI的进一步发展做思考和分析。

发展历程

现有的AI大致经历了三个发展阶段:

1956~1976年 基于符号逻辑的推理证明阶段

这个阶段的AI主要使用的是逻辑推理的方法来做一些数学定理证明的工作,但是由于理论方法和工具的局限性,这个阶段的AI受到了来自多方的质疑,并没有快速发展起来;

1977~2006,基于人工规则的专家系统阶段

第二阶段的AI从逻辑推理逐步上升为专家系统和知识工程,并使用神经元网络BP算法解决了收敛性等的问题,该阶段的AI已经可以实现字符识别和简单的图像诊断;

2007~至今,大数据驱动的深度神经网络阶段

第三阶段的AI得益于大数据深度学习模型和算法,发展迅速并得到了大规模应用,在人脸识别语音识别机器翻译、智能问答等领域取得巨大成功。

到目前为止所有的AI都是弱人工智能,弱人工智能也叫狭义人工智能(Narrow AI)是指人工系统可以达到专用或特定技能的智能。我们大众所理解的人工智能叫强人工智,也叫通用人工智能(Artificial General Intelligence,AGI),它类似科幻小说和电影中的智能机器人或是人造生物。它具有和人类同等智商、情商以及行为能力,甚至在某些方面超出人类的能力,并能够表现和执行人类所有的智能行为。而弱人工智能不具备自主意识,永远无法替代人类,只能作为服务人类的机器。

分析及讨论

人类的进化发展经历了几十万年的漫长岁月,从语言、社会、思维的发展,再到农业文明、工业文明,各个阶段不断突破,才进化到现在的智人阶段。反思AI的发展,弱人工智能也将经过一个漫长的发展阶段才能逐步接近强人工智能。从目前的进展来看实现强人工智能还需要解决很多技术层面的问题。

存储问题:现在的计算机虽然已经能够存储大量的信息,但相对于人脑来说还远远不够。一个正常人的大脑约有1000亿个神经元神经元之间还有大量复杂的突触连接,人类大脑的记忆和工作是以神经元和突触连接共同完成的,这样就使得人脑的存储容量呈指数级别的增长。曾有心理学家测算人脑的存储量约有100万亿比特(约64PB),2014年科学家通过对老鼠神经元的分析推算人脑容量约为7.6亿TB,但实际人脑容量上远远不止这些。人的大脑在被其感兴趣的事物激活时,会调动更多的神经元共同参与并建立更多更复杂的突触连接,这将大大增强人脑在相关事物的存储能力和信息检索能力。而且人脑的实际应用一般只相当于大脑总容量的十分之一,很多内容被大脑存储在潜意识中,通过潜移默化的影响控制人们的行为和思考方式。

学习能力和工作模式:现有AI技术是通过输入大量数据的基础上不断训练,在分析和处理过程中模仿生物和人类大脑的思维模式,并逐步达到收敛的效果而形成算法模型。这种模式在处理结果明确,逻辑相对简单的问题上效果很好,但在处理复杂问题、因果关系不清晰的问题时效果很差。AI现在可以轻松打败围棋高手,进行准确的人脸识别,这些应用的特点是都具有有限的规则和相对明确的结果。现实世界中,人类大脑的知识库系统包含从领域常识性知识到原理知识、经验性知识、元知识等多层次的知识内容,在面对复杂环境和决策的时候,人脑可以协调所有内容进行符合逻辑的判断。但AI一旦遇到冲突和不协调的情况发生,无法结合具体场景和复杂的环境因素来进行理性的判断和决策。此外,人类的想像能力、奖励机制和其他一些复杂的生理机能,也是促使人脑不断进化和产生突变的因素,而这些都是现有AI技术所不具备的。

情绪感知:AI要想真正实现跟人类无障碍交流还需要准确理解和感受人的情绪。在人与人的沟通和信息交流中,语言和文字大约只占到7%,大量的信息是通过语音语调、面部表情和肢体动作等表达出来的,人们甚至可以仅仅通过一个细微的眼神变化就能表达和传递复杂的信息,宠物狗也能从主人的语言、表情动作等方面了解人类的情绪状态。人类的情绪每时每刻都在影响人的行为和判断,移情、共情等能力是人类建立现代社会和文明的一个重要基本因素,没有情感的AI永远不会“意识觉醒”,也永远无法和人类进行无障碍的沟通。

结论

AI发展还需要和其他学科和技术紧密结合才能逐步实现强人工智能,脑科学、神经科学、生物技术等等都将在未来和AI深度融合,才能弥补现有技术的不足、补齐短板。5月2日发表在Science杂志的一篇论文中,MIT的三位神经科学家已经可以通过人工神经网络准确控制猕猴视觉皮层的活动,笔者相信科学家将逐步破解人脑的工作机制,并将利用相关的研究成果来不断来提升机器的智能,未来的10到50年AI将会是类生物智能机器人、半生物智能机器人和生物机器人多样化发展的时代。

作者:王三错,信息管理专业博士、新华网科技记者、技术主管,主要从事前沿科技的研究和技术探索,善于从多学科、多角度、多层面分析问题,目前主要研究方向为情感计算和类脑计算。

相关 [人工智能] 推荐:

人工智能技术新进展

- - 生命奥秘
新的计算机人脑模型可以模拟更加复杂的人类行为. 人类的大脑是一个高度复杂的器官,在众多对人类大脑的研究工作当中就包括了从分子水平到人类行为活动水平等多个层面采集大脑相关信息的工作. 这种超大范围的研究方式很有可能会让大脑研究走向专业不断细化的发展方向,这种趋势虽然有利于大脑研究的不断深化,可是同时也会带来知识碎片化的结果.

由人工智能管理的港铁

- - Solidot
港铁公司运营香港地铁跻身全世界最出色地铁系统之列,它的准时抵达记录高达99.9%,超过了伦敦和纽约地铁. 数百公里长的繁忙地铁系统需要大量人力维护,港铁公司平均每周有多达1万人执行2600项维护工作,工人们工作都是提前规划好的,由人工智能进行管理. 港铁公司计划将人工智能推广到它在其它城市运营的地铁系统,其中北京有可能第一个采用.

[微言]人工智能有多可怕?

- - 海德沙龙(HeadSalon)
@whigzhou: 花了两个多小时思考强人工智能引出的问题,得出的结论是:相信陪审团. 然后发现,这不就是 我去年得出过的结论嘛~哈. 不过,其间经历的逻辑链条那是相当漫长,而且有了一些新想法,容我慢慢道来. @whigzhou: 1)强人工智能很快(也就是几十年内)会出现;2)强AI的出现会让世界很不一样,但并不像有些人所想象的#那么#不一样;3)其实,“只有一小撮人(或组织)有能力做一些绝大多数人做不到、甚至完全无法理解的事情”——这早就不是什么新鲜事了.

注意:人工智能非你所想!

- - 译言最新精选
译者: 果果向前冲 原文地址: gizmodo.com. 艾萨克·阿西莫夫的机器人三定律还不足以控制人工智能. 上图是幻想插画家之父迈克尔·蕙兰为《曙光中的机器人》设计的封面. 近20年前“深蓝”与盖里·卡斯帕罗夫对战象棋获胜一事被誉为史上最具意义的机器智能测试. 时至今日,谷歌的“阿法狗”与国手李世石在围棋锦标赛中决一胜负,对决前三局两次告捷,表明多年来人工智能经历了显著进化.

恰到好处的人工智能

- - 可能吧
技术不应该给用户带来使用难度,而是提高效率,并恰到好处地提供帮助. 这是我在使用 Google 智能音箱 Google Home 之后的总结. 智能、AI,是今年创投圈的关键词. 如果你在京东、淘宝上搜索各种家电,多多少少这些产品都会说自己是「智能」的,到底什么是智能. 把安卓系统塞到硬件里,这个硬件是不是就是智能了.

2017年人工智能研究报告

- - 互联网数据中心-199IT
81%的IT公司正在或者计划投资人工智能(AI). Cowen预测人工智能将会将人类的生产力提升到一个新的水平,而微软会冲在最前面. 数字化市场或市场自动化、Salesforce自动化(CRM)和数据分析将成为人工智能最为成熟的三大应用领域. 据angel.co的数据显示,目前有2200多家人工智能初创公司,其中超过50%的初创公司是在最近两年成立的.

我第一次谈人工智能

- - IT瘾-dev
不知道谁这么坏,给起了一个人工智能这个词,让通过科幻片才了解啥叫智能的普罗大众老误解人工智能,就像现在我仍然对智能手机这个词有微言,这怎么就智能了呢. 从现在表现出来的人工智能规模应用来说,本质上就是个概率统计的事,和智能根本不沾边,倒是和人工挺沾边,需要人工做大量的数据标准化加工、数据标注,再喂给算法.

ChatGPT背后人工智能算法

- - 今日话题 - 雪球
ChatGPT背后人工智能算法,关键的原创技术,其实全部都是国外公司发明的. 这里做一点简单的科普,人工智能原创性研究,中国还有很大进步空间,ChatGPT也不是普通的公司能够复刻的出来的. 深度残差网络(ResNet)由微软(亚洲)研究院发明. 在此之前,研究员们发现深度神经网络的效果要比浅层神经网络要好得多,这也就是所谓的深度学习.

人工智能碰上人工智能:两个机器人的爆笑对话

- 地安门城管 - cnBeta.COM
大家都听说过判断人工智能(AI)的图灵测试吧. 或者都和一些聊天机器人说过话吧. 不过那只是人与机器人之间的故事. 如果两个机器人放在一起会发生什么事呢. 其实这是一个名为Cleverbot(聪明机器人)的两份复制品,彼此是完全相同的,为了便于识别而分别做成女性和男性,但依然显示了不同的“人格”,其中男性比较单纯,女性则有些狡猾.

人工智能 | 自动驾驶与人工智能前沿研究报告(应用篇)

- - IT瘾-geek
博主github: https://github.com/MichaelBeechan. 博主CSDN: https://blog.csdn.net/u011344545. 概念篇: https://blog.csdn.net/u011344545/article/details/89432313.