擬人化AI沒有幫助 人工智能比我們想象更難

當今的 AI 系統(tǒng)可以在廣泛的領(lǐng)域中執(zhí)行復雜的任務(wù)，例如數(shù)學，游戲和逼真的圖像生成。但是當我們接近 AI 的一些早期目標時，如管家機器人和自動駕駛汽車，這些目標仍將逐漸消失。

圣達菲研究所戴維斯復雜性教授、《人工智能：人類思維指南》的作者梅拉妮?米切爾(Melanie Mitchell)說，錯過這些目標的持續(xù)循環(huán)的一部分是由于對 AI 和自然智能的錯誤假設(shè)。

米切爾(Mitchell)在題為“為什么 AI 比我們想象的更難的原因”的新論文中提出了關(guān)于 AI 的四個常見謬論，這些謬論不僅在公眾和媒體之間，而且在專家之間引起誤解。這些謬論給人一種錯誤的信心，使我們對實現(xiàn)人工智能，可以與人類的認知能力和一般問題解決能力相匹配的人工智能系統(tǒng)有多大的信心。

狹窄的 AI 和一般的 AI 規(guī)模不一樣

現(xiàn)有的 AI 可以很好地解決狹窄的問題。比如在圍棋和國際象棋上超越人類，以超乎尋常的準確性在 X 射線圖像中發(fā)現(xiàn)癌變模式，并將音頻數(shù)據(jù)轉(zhuǎn)換為文本。

但是，設(shè)計可以解決單個問題的系統(tǒng)并不一定會使我們更接近解決更復雜的問題。米切爾(Mitchell)將第一個謬論描述為“狹義情報與普通情報是連續(xù)的”。

米切爾在論文中寫道：“即使人們在狹窄的區(qū)域內(nèi)看到一臺機器在做奇妙的事情，他們通常會認為該領(lǐng)域?qū)νㄓ?AI 的發(fā)展要遠得多。”

例如，當今的自然語言處理系統(tǒng)在解決許多不同問題(例如翻譯，文本生成以及對特定問題的問答)方面已經(jīng)走了很長一段路。

同時，我們擁有可以將語音數(shù)據(jù)實時轉(zhuǎn)換為文本的深度學習系統(tǒng)。每一項成就的背后都是數(shù)千小時的研發(fā)(以及在計算和數(shù)據(jù)上花費的數(shù)百萬美元)。但是 AI 社區(qū)仍然沒有解決創(chuàng)建能夠參與開放式對話而又不會長時間失去連貫性的座席的問題。這樣的系統(tǒng)不僅需要解決較小的問題，還需要解決更多的問題。

它需要常識，這是 AI 尚未解決的關(guān)鍵挑戰(zhàn)之一。

簡單的事情很難自動化

當涉及到人類時，我們希望一個聰明的人去做艱苦的事情，這需要多年的學習和實踐。例子可能包括諸如解決微積分和物理問題，在大師級別下棋，或背誦很多詩之類的任務(wù)。

但是數(shù)十年來的 AI 研究證明，那些需要自動關(guān)注的艱巨任務(wù)更容易實現(xiàn)自動化。簡單的任務(wù)，我們認為理所當然的事情，卻很難自動化。米切爾(Mitchell)將第二個謬誤描述為“容易的事情很容易，而艱難的事情很難。”

“我們?nèi)祟惒患铀妓鞯刈龅氖虑?- 放眼世界，了解我們所看到的東西，進行對話，走在擁擠的人行道上而不會撞到任何人，這對機器來說是最艱巨的挑戰(zhàn)，”米切爾寫道。

相反，讓機器去做對人類來說非常困難的事情通常會更容易;例如，解決復雜的數(shù)學問題，精通國際象棋和圍棋之類的游戲以及在數(shù)百種語言之間翻譯句子對于機器來說都變得相對容易了。

例如，考慮視覺。數(shù)十億年來，生物體已經(jīng)開發(fā)出用于處理光信號的復雜設(shè)備。動物會用眼睛盤點周圍的物體，導航周圍的環(huán)境，尋找食物，檢測威脅并完成許多其他對生存至關(guān)重要的任務(wù)。我們?nèi)祟悘淖嫦饶抢锢^承了所有這些能力，并且在沒有意識的情況下使用它們。但是，其基本機制確實比使高中和大學感到沮喪的大型數(shù)學公式更為復雜。

恰當?shù)睦樱何覀內(nèi)匀粵]有像人類視覺一樣通用的計算機視覺系統(tǒng)。我們設(shè)法創(chuàng)建了人工神經(jīng)網(wǎng)絡(luò)，可以大致模擬動物和人類視覺系統(tǒng)的各個部分，例如檢測物體和分割圖像。但是它們很脆弱，對許多不同種類的干擾都很敏感，并且它們無法模仿生物視覺可以完成的全部任務(wù)。例如，這就是為什么無人駕駛汽車中使用的計算機視覺系統(tǒng)需要使用激光雷達和地圖數(shù)據(jù)等先進技術(shù)進行補充的原因。

另一個被證明是非常困難的領(lǐng)域是感覺運動技能，人類無需經(jīng)過明確的培訓即可掌握這些技能。想想如何處理物體，行走，奔跑和跳躍。這些是您可以在沒有意識的情況下完成的任務(wù)。實際上，在走路時，您可以做其他事情，例如聽播客或打電話。但是，對于當前的 AI 系統(tǒng)而言，這些技能仍然是一項巨大而昂貴的挑戰(zhàn)。

米切爾寫道：“人工智能比我們想象的要難，因為我們在很大程度上意識不到自己思考過程的復雜性。”

擬人化 AI 沒有幫助

人工智能領(lǐng)域充滿了詞匯量，使軟件與人類智能處于同一水平。我們使用諸如“學習”，“理解”，“閱讀”和“思考”之類的術(shù)語來描述 AI 算法的工作方式。盡管此類擬人化術(shù)語通常用作簡化復雜軟件機制的簡寫，但它們可能誤導我們認為當前的 AI 系統(tǒng)就像人類的大腦一樣運作。

Mitchell 將此謬誤稱為“一廂情愿的助記符的誘惑”，并寫道：“這種簡寫可能會誤導試圖理解這些結(jié)果的公眾(以及報道這些結(jié)果的媒體)，并且還會無意識地影響甚至 AI 專家的思考方式。他們的系統(tǒng)以及這些系統(tǒng)與人類智能的相似程度。”

一廂情愿的謬論也導致 AI 社區(qū)以令人誤解的方式命名算法評估基準。例如，考慮由 AI 中一些最受尊敬的組織和學術(shù)機構(gòu)開發(fā)的通用語言理解評估(GLUE)基準。GLUE 提供了一組任務(wù)，這些任務(wù)可以幫助評估語言模型如何將其功能推廣到其已受訓的任務(wù)之外。但是，與媒體所描述的相反，如果 AI 代理獲得的 GLUE 得分高于人類，則并不意味著它的語言理解能力要高于人類。

Mitchell 寫道：“雖然在這些特定基準上機器的性能優(yōu)于人類，但 AI 系統(tǒng)仍遠不能與我們與基準名稱相關(guān)聯(lián)的更一般的人類能力相匹配。”

如意算術(shù)的一個明顯例子是 Facebook 人工智能研究公司 2017 年的一個項目，科學家在該項目中訓練了兩個 AI 代理以基于人類對話的任務(wù)進行談判。在他們的博客文章中，研究人員指出“更新兩個代理的參數(shù)會導致與人類語言的差異，因為代理開發(fā)了自己的語言進行談判(強調(diào)我的意思)。”

這導致了一系列的點擊誘餌文章，它們警告了 AI 系統(tǒng)變得比人類更智能，并且正在以秘密方言進行交流。四年后，最先進的語言模型仍然難以理解大多數(shù)人在很小的年齡就沒有受到指導的情況下所學的基本概念。

沒有身體的 AI

智慧能否與世界豐富的物理經(jīng)驗孤立地存在?這是科學家和哲學家?guī)讉€世紀以來一直困惑的問題。

一種思想流派認為，智力全在大腦中，并且可以與身體分離，這也被稱為“桶中的大腦”理論。米切爾(Mitchell)稱其為“智力全在腦中”的謬論。有了正確的算法和數(shù)據(jù)，我們就可以創(chuàng)建可以生活在服務(wù)器中并與人類智能相匹配的 AI。對于這種思維方式的擁護者，尤其是那些支持純粹的基于深度學習的方法的人，達到通用 AI 取決于收集適量的數(shù)據(jù)并創(chuàng)建越來越大的神經(jīng)網(wǎng)絡(luò)。

同時，越來越多的證據(jù)表明這種方法注定會失敗。她寫道：“越來越多的研究人員正在質(zhì)疑“全腦”信息處理模型的基礎(chǔ)，以理解智能并創(chuàng)建人工智能。”

人和動物的大腦已經(jīng)與所有其他人體器官一起進化，其最終目標是提高生存機會。我們的智力與身體的極限和能力緊密相關(guān)。嵌入式 AI 的領(lǐng)域不斷擴大，其目的是通過通過不同的感官刺激與環(huán)境互動來創(chuàng)建能夠發(fā)展智能技能的主體。

米切爾(Mitchell)指出，神經(jīng)科學研究表明“控制認知的神經(jīng)結(jié)構(gòu)與控制感覺和運動系統(tǒng)的神經(jīng)結(jié)構(gòu)緊密相連，抽象思維利用了基于人體的神經(jīng)“圖”。”事實上，越來越多的證據(jù)和研究證明了來自反饋的反饋。大腦的不同感覺區(qū)域會影響我們的有意識和無意識思想。

米切爾(Mitchell)支持這樣的觀念，即情感，感覺，潛意識偏見和身體經(jīng)驗與智力密不可分。她寫道：“在我們的心理學或神經(jīng)科學知識上，沒有任何東西可以支持 ' 純粹的理性 ' 與可以影響我們的認知和目標的情感和文化偏見分開的可能性。”

“相反，我們從體現(xiàn)認知的研究中學到的是，人類智力似乎是一個高度集成的系統(tǒng)，具有緊密相關(guān)的屬性，包括情感，欲望，強烈的自我意識和自主性以及對世界的常識。尚不清楚這些屬性是否可以分開。”

人工智能常識

發(fā)展通用人工智能需要對我們對智能本身的理解進行調(diào)整。我們?nèi)栽谂Χx什么是智能以及如何在人工和自然界中對其進行測量。

“很明顯，為了更有效地實現(xiàn)和評估 AI 的進步，我們將需要開發(fā)出更好的詞匯來談?wù)摍C器可以做什么，”Mitchell 寫道。

“從更廣泛的意義上講，我們將需要對智能進行更好的科學理解，因為它體現(xiàn)在自然界的不同系統(tǒng)中。”

米切爾(Mitchell)在論文中討論的另一個挑戰(zhàn)是常識性挑戰(zhàn)，她將其描述為“一種當今最先進的 AI 系統(tǒng)所缺少的保護傘”。

常識包括我們獲得的有關(guān)世界的知識，并且每天無需付出太多努力就可以應(yīng)用它。當我們還是孩子的時候，通過探索世界，我們可以學到很多東西，而無需明確指示。其中包括諸如空間，時間，重力和物體的物理屬性之類的概念。

例如，一個孩子很小的時候就知道，當一個物體被另一個物體擋住時，它并沒有消失并繼續(xù)存在，或者當一個球在桌子上滾動并到達壁架時，它應(yīng)該掉下來。我們使用這些知識來構(gòu)建世界的心理模型，進行因果推斷，并以相當高的準確性預測未來狀態(tài)。

當今的 AI 系統(tǒng)缺少這種知識，這使它們變得不可預測且需要大量數(shù)據(jù)。實際上，本文開頭提到的兩個 AI 應(yīng)用程序 - 客房清潔和駕駛是大多數(shù)人通過常識和一點點實踐學習的東西。

常識還包括有關(guān)人類本性和生活的基本事實，我們在對話和寫作中忽略的事物，因為我們知道我們的讀者和聽眾都知道它們。例如，我們知道如果兩個人在“打電話”，則意味著他們不在同一個房間。我們還知道，如果“約翰伸手去拿糖”，則意味著在約翰附近某處有一個裝有糖的容器。這種知識對于自然語言處理等領(lǐng)域至關(guān)重要。

“還沒有人知道如何在機器中捕獲這樣的知識或能力。這是人工智能研究的當前前沿，一種令人鼓舞的前進方式是利用有關(guān)幼兒中這些能力發(fā)展的已知知識。”米切爾寫道。

盡管我們?nèi)匀徊恢涝S多問題的答案，但尋找解決方案的第一步是要意識到我們自己的錯誤思想。Mitchell 寫道：“了解這些謬論及其微妙的影響可以為創(chuàng)建更健壯，值得信賴甚至可能真正智能的 AI 系統(tǒng)指明方向。”

關(guān)鍵詞： 擬人化 AI 人工 智能