人工智能發展小史 | 探索·新知

人工智能麻省理工學院技術華盛頓大學加州大學伯克利分校約翰·麥卡錫加利福尼亞加州大學洛杉磯分校斯坦福大學大學算法英國洛杉磯神經科學數學西雅圖商務印書館 2019-06-24

人工智能的終極目標仍然是建造具有人類智能水平、並以我們能夠理解的方式思考的機器。

——阿尼爾·阿南薩斯瓦米

人工智能——內置巧合的機器——終於漸趨成熟，並在核爆炸疏忽的監察到早產兒脆弱身體的照料等眾多領域得到廣泛應用。它是如何做到這一切的？

在需要診斷疾病時，若有血肉之軀的醫生和人工智能（artiﬁcial intelligence，AI）系統兩個選擇，佩德羅·多明戈斯會選擇將自己的性命託付給後者。“我相信機器勝過相信醫生。”身為西雅圖華盛頓大學的計算機學家多明戈斯如此宣稱。

回到20世紀60年代，AI系統被寄予複製人類思維之關鍵的重大期望。科學家們開始使用數理邏輯來構建真實世界的知識，以及其背後的聯繫與邏輯。但人們很快便陷入僵局——邏輯固然可以按照人類思維的方式得出結果，但它天生就不適合處理不確定性。

AI復興的核心之一是概率規劃技術，它將舊式AI基於邏輯的特性與統計學和概率論的優勢結合在一起。“二者都是發展用以理解萬物之規律的最強有力的理論，二者的結合是非常自然的。”加州大學伯克利分校的現代人工智能先驅斯圖爾特·拉塞爾如是說。這一結合終於開始驅散長久籠罩在AI領域的冬日迷霧。“AI的春天已經到來。”麻省理工學院的認知學家約什·特南鮑姆說。

“人工智能”的出現

“人工智能”一詞由麻省理工學院的約翰·麥卡錫於1956年首先創造。當時，他大力提倡邏輯思考，以發展能夠進行推理的計算機系統。這導致了一階謂詞邏輯的成熟應用，用標準的數學語言及符號刻畫真實世界。一階謂詞邏輯用於描述一類物體及物體之間的聯繫，可以對事實進行推理並得出有用的結論。

例如，若X患上傳染性很強的疾病Y，並且X與Z有過親密接觸，那麼根據邏輯，我們很容易判斷出Z也患上了疾病Y。

然而，一階謂詞邏輯的最大成功之處在於，它讓人們找到了一種方法，使用許多最簡單的邏輯刻畫愈發複雜的實際情況。邏輯可以用最基礎的概念形成極其複雜的結論，這不禁讓人猜測人類的思維可能也是如此。

約翰·麥卡錫（John McCarthy）

可惜好消息到此為止。“壞消息是，事實並非如人所願。”加利福尼亞斯坦福大學的認知學家諾厄·古德曼說。這是因為，使用邏輯表述並推理知識要求我們對真實世界具有足夠確切的瞭解，容不得半點模糊和曖昧。

一件事情，要麼是真的，要麼是假的，不可能或真或假。不幸的是，真實世界中的幾乎每一條概括性定理都充滿了不確定性、起伏干擾和例外。所有基於一階謂詞邏輯的AI系統均無法處理這一問題。

它還存在另外一個嚴重的問題：無法反演。例如，如果已知Z患有疾病Y，我們不可能由此推測出Z一定是被X傳染的。這是醫療診斷環節的典型問題：邏輯推理可以從疾病推斷出症狀，然而醫生需要做的卻是根據看到的症狀反推出患者具有的疾病。“這需要將邏輯鏈路倒過來看，而推理邏輯不適合這麼做。”特南鮑姆說。

這些問題導致在20世紀80年代中期，AI進入了寒冬期。在世人看來，AI已死，毫無出路。然而古德曼相信，人們實際上並沒有放棄，“研究在暗中悄悄進行”。

神經網絡，學會學習

春日的曙光首先出現於20世紀80年代末，那時神經網絡剛剛面世。神經網絡的原理異常簡單，神經科學的發展讓人們得以建立神經元的簡單模型。藉助精巧複雜的算法，研究人員們構建了人工神經網絡（artiﬁcial neural networks，ANN），它可以進行學習，看起來與真正的大腦如出一轍。

神經網絡促成了新型人工智能的一部分基礎。某些研究人工神經網絡的學者最終意識到，這些網絡可以看作是真實世界的一種統計學和概率學描述。他們不再提起突觸和脈衝，而是討論參數化和隨機變量。“現在，它聽起來不再像是一個大腦，而是一個巨大的概率模型。”特南鮑姆說。

神經網絡示意圖

隨後，在1988年，洛杉磯加利福尼亞大學的朱迪亞·佩爾的鉅著《智能系統中基於概率的推理》問世，書中詳細描述了實現人工智能的一種嶄新方法。該方法基於18世紀英國數學家、牧師托馬斯·貝葉斯（Thomas Bayes）提出的方法，後者把在Q事件發生的條件下P事件發生的概率與在P事件發生的條件下Q事件發生的概率聯繫在了一起，從而可以在因與果之間自如切換。

“如果你能用所有你感興趣的事情描述現有的知識，那麼貝葉斯原理可以告訴你該如何解讀它們的效果，並回溯每一個不同的起因導致的概率。”特南鮑姆說。

零散的碎片拼在一起，形成學習真實世界的人工智能。貝葉斯網絡的參數代表概率的分佈，它對世界的認識越多，這些分佈也就越接近事實。與基於一階謂詞邏輯的系統不同，即使面對不完整的知識，這個網絡也不會崩潰。

AI前沿：邏輯與神經網絡的結合

然而，邏輯並非毫無用處。人們發現，僅靠貝葉斯網絡是不夠的，因為它無法形成任意複雜的結構。只有將邏輯判斷與貝葉斯網絡結合在一起，概率規劃才能發揮其真正的威力。

站在新一代AI的最前沿的，是融合了以上兩者的眾多計算機程序語言。Church是古德曼、特南鮑姆與同事們開發的語言……馬爾可夫邏輯網絡是由多明戈斯的小組開發的另一種語言，將馬爾可夫網絡（與貝葉斯網絡類似）與邏輯結合在了一起。除此之外，還有拉塞爾與他的同事開發的一種語言，名字更為直截了當，就叫貝葉斯邏輯（Bayesian Logic，BLOG）。

朱迪亞·佩爾《智能系統中基於概率的推理》

在位於奧地利維也納的聯合國全面禁止核試驗條約組織內部，拉塞爾證明了這類語言的強大能力。該組織大膽猜測AI技術或許有助於解決探測核爆炸問題，於是邀請了拉塞爾。在花了一個上午，聽取了有關夾雜在地震背景信號、穿越地幔時信號的不規則失真，以及世界各地地震臺站接收到的眾多噪聲信號的干擾中探測來自遠方核爆炸的地震信號所面臨的困難與挑戰的報告後，拉塞爾立刻開始著手編寫基於概率規劃原理的數學模型。“趁著午飯工夫，我就把問題的完整模型寫出來了。”拉塞爾說。模型很短，只有半頁紙長。

已有的知識，例如在蘇門答臘、印度尼西亞和英國伯明翰發生地震的概率，可以與該模型結合。CTBTO組織同樣要求該模型假定地球上任何一處發生核爆炸試驗的概率均相等。實際數據已準備妥當—CTBTO組織的監測臺站源源不斷地接收著震動信號。AI系統的任務就是分析收到的所有數據，並推測信號所代表的震動最有可能來自何方。

比醫生更準確的診斷

問題來了：BLOG等語言使用的是一種通用推理引擎（generic inference engine）。對於任何一個給定的真實問題的模型，通過計算其中的變量和概率分佈，該引擎都應該能給出相應的解答。例如，若已知預測事件的發生概率，根據得到的地震信號，引擎應可以給出核爆炸發生在中東的概率；若把變量換而表示症狀和疾病，引擎則應給出合理的醫學診斷結果。換句話說，程序的算法應具有良好的通用性——這意味著程序的運行效率將大大降低。

結果是，每當遇到一個新的問題時，我們必須調整算法，使之最大限度適應該問題。但你不可能每遇到一個新問題都僱一名博士生來改進算法。拉塞爾說：“你的大腦並不是這樣解決問題的；大腦會適應每一個新的問題。”

然而，這並沒有澆滅AI 領域燃起的熱情。例如，斯坦福大學的達夫妮·科勒正使用概率規劃方法集中攻克一個特定的問題，並取得了顯著的成效。科勒與同在斯坦福大學的新生兒專科醫師安娜·佩恩以及其他同事研發了一個名為PhysiScore的系統，用於預測早產兒是否會面臨健康問題，這在新生兒科學中是十分困難的任務。醫生幾乎無法較為準確地給出任何預判，“而這恰恰是父母最為關心的問題。”佩恩說。

PhysiScore 綜合考慮妊娠期、出生體重等指標及嬰兒出生後數小時內的實時監測數據（包括心率、呼吸率和血氧飽和度）。“我們可以在嬰兒出生後三小時內判斷其是否健康，是否更容易具有嚴重的併發症。即使那些症狀要到出生後兩週才會變得顯著，我們仍然可以預先給出結論。”科勒說。

“像一個真正的人一樣”

除了發展靈活快速的推理算法，研究者還必須要改進AI系統的學習能力，讓其能夠不僅從已有數據，而且通過傳感器獲得的有關真實世界的數據學習。如今，絕大多數的機器學習是通過針對問題優化算法並巧妙構建數據集而完成的，相當於讓機器做某種專門的工作。“我們希望系統能更多樣化，這樣我們就可以把它直接放到真實世界裡，讓它利用更多種類的輸入信息進行學習。”科勒說。

人工智能的終極目標仍然是建造具有人類智能水平、並以我們能夠理解的方式思考的機器。“這個目標可能與尋找外星生命一樣極為遙遠，甚至具有危險，”特南鮑姆說。“類人AI這一表述覆蓋的範圍更廣，同時也更易於調整。我們樂於看到，有一天我們造出了一個視覺識別系統，它朝窗外看一眼，就能告訴我們外面有什麼—就像一個真正的人一樣。”

【以上節選自《我，算法》】

人工智能發展小史 | 探索·新知

相關推薦