機(jī)器推理與人工智能的興起 巴特塞爾曼訪談錄

從優(yōu)步先進(jìn)的計(jì)算機(jī)視覺系統(tǒng)到Netflix的創(chuàng)新推薦算法，機(jī)器學(xué)習(xí)技術(shù)在我們的社會(huì)中幾乎無(wú)處不在。他們過濾我們的電子郵件，個(gè)性化我們的新聞源，更新我們的GPS系統(tǒng)，并駕駛我們的私人助理。然而，盡管這些技術(shù)引領(lǐng)了人工智能的革命，但有些人會(huì)認(rèn)為這些機(jī)器學(xué)習(xí)系統(tǒng)并不是真正的智能化。

從最基本的意義上講，這個(gè)論點(diǎn)集中在機(jī)器學(xué)習(xí)從模式識(shí)別理論演變而來(lái)的事實(shí)上，因此，這種系統(tǒng)的能力通常只擴(kuò)展到一個(gè)任務(wù)，并集中在從現(xiàn)有數(shù)據(jù)集進(jìn)行預(yù)測(cè)。像麻省理工學(xué)院機(jī)器人學(xué)教授羅德尼布魯克斯這樣的人工智能研究人員認(rèn)為，真正的推理和真正的智能是超越這些學(xué)習(xí)系統(tǒng)的幾個(gè)步驟。

但是，如果我們已經(jīng)擁有精通模式識(shí)別學(xué)習(xí)的機(jī)器，那么在我們擁有能夠進(jìn)行真正推理的機(jī)器之前，它將持續(xù)多久，一旦達(dá)到這一點(diǎn)，AI將如何發(fā)展?

了解人工推理在未來(lái)幾十年將遵循的步伐和路徑，是確保人工智能安全，并且不會(huì)對(duì)人類構(gòu)成威脅的重要部分;然而，在有可能理解不同類別認(rèn)知的機(jī)器推理的可行性，以及人工智能在繼續(xù)演化過程中可能遵循的路徑之前，有必要首先確定“推理”一詞的確切含義。 ”

了解智力

Bart Selman是康奈爾大學(xué)計(jì)算機(jī)科學(xué)系的教授。他的研究致力于理解機(jī)器推理的演變。根據(jù)他的方法，推理被描述為獲取信息，將它們組合在一起，并使用片段得出邏輯結(jié)論或設(shè)計(jì)新信息。

體育提供了一個(gè)很好的例子來(lái)闡述機(jī)器推理究竟是什么。當(dāng)人類看到球場(chǎng)上的足球運(yùn)動(dòng)員踢球時(shí)，他們可以在很小的困難下確定這些人是足球運(yùn)動(dòng)員。今天的AI也可以做出這個(gè)決定。然而，人類也可以看到穿著足球服裝的人在城市街道上騎自行車，他們?nèi)匀豢梢酝茢嘣撊耸亲闱蜻\(yùn)動(dòng)員。今天的AI可能無(wú)法建立這種聯(lián)系。

這個(gè)過程 - 獲取已知的信息，將其與背景知識(shí)結(jié)合起來(lái)，并對(duì)未知或不確定的信息進(jìn)行推斷 - 是一個(gè)推理過程。為此，塞爾曼指出，機(jī)器推理不是關(guān)于做出預(yù)測(cè)，而是關(guān)于使用邏輯技術(shù)(如上面提到的誘導(dǎo)過程)來(lái)回答問題或形成推理。

由于人類通常不會(huì)通過模式識(shí)別和合成來(lái)推理，而是通過使用諸如歸納，演繹和綁架等邏輯過程，塞爾曼斷言機(jī)器推理是一種更像人類智能的智能形式。他繼續(xù)指出，創(chuàng)造具有更像人類推理過程的機(jī)器，并脫離傳統(tǒng)的模式識(shí)別方法，是制定不僅能夠預(yù)測(cè)結(jié)果而且能夠理解和解釋其解決方案的系統(tǒng)的關(guān)鍵。然而，塞爾曼指出，制造人類AI也是實(shí)現(xiàn)超人類認(rèn)知水平的第一步。

由于這可能給人類帶來(lái)生存威脅，因此有必要準(zhǔn)確理解這種演變將如何展開。

制造(超級(jí))心靈

看起來(lái)真正聰明的人工智能對(duì)后代來(lái)說(shuō)是一個(gè)問題。然而，就機(jī)器而言，AI專家的共識(shí)是機(jī)器推理已經(jīng)取得了快速進(jìn)展。事實(shí)上，許多研究人員斷言，在未來(lái)幾十年內(nèi)，人類認(rèn)知將通過多種指標(biāo)實(shí)現(xiàn)。然而，關(guān)于人工智能系統(tǒng)一旦實(shí)現(xiàn)人工智能將如何發(fā)展的問題依然存在。一個(gè)關(guān)鍵問題是這些進(jìn)步是否可以加速進(jìn)一步擴(kuò)大到超人類智能。

這個(gè)過程是塞爾曼畢生致力于學(xué)習(xí)的過程。具體來(lái)說(shuō)，他研究了不同類別認(rèn)知的AI可擴(kuò)展性的步伐以及機(jī)器中超人類認(rèn)知水平的可行性。

塞爾曼表示，試圖對(duì)機(jī)器何時(shí)以及如何超越人類進(jìn)行全面陳述是一項(xiàng)艱巨的任務(wù)，因?yàn)闄C(jī)器認(rèn)知是脫節(jié)的，并沒有與人類認(rèn)知完美平行。“在某些方面，機(jī)器遠(yuǎn)遠(yuǎn)超出了人類的能力，”塞爾曼解釋說(shuō)，“例如，當(dāng)談到數(shù)學(xué)的某些領(lǐng)域時(shí)，機(jī)器可以采取數(shù)十億的推理步驟，并在一小部分時(shí)間內(nèi)看到一個(gè)陳述的真實(shí)性。第二。人類沒有能力做那種推理。“

然而，當(dāng)談到上面提到的那種推理時(shí)，意義來(lái)源于基于新數(shù)據(jù)整合的演繹或歸納過程，塞爾曼說(shuō)計(jì)算機(jī)有些缺乏。“就人類擅長(zhǎng)的標(biāo)準(zhǔn)推理而言，他們還不存在，”他解釋道。今天的系統(tǒng)在某些任務(wù)方面非常擅長(zhǎng)，有時(shí)甚至比人類好得多，但只在非常狹窄的應(yīng)用范圍內(nèi)。

鑒于這些差異，我們?nèi)绾未_定人工智能將如何在各個(gè)領(lǐng)域發(fā)展，并了解在實(shí)現(xiàn)一般人類AI后它們將如何加速?

對(duì)于他的工作，塞爾曼依賴于計(jì)算復(fù)雜性理論，該理論有兩個(gè)主要功能。首先，它可以用于表征用于解決問題實(shí)例的算法的效率。正如約翰霍普金斯大學(xué)的萊斯利霍爾所指出的那樣，“廣泛地說(shuō)，算法的計(jì)算復(fù)雜性是衡量算法在特定大小的[問題]實(shí)例的最壞情況下需要多少步驟的度量。”其次，它是一種根據(jù)固有難度對(duì)任務(wù)(計(jì)算問題)進(jìn)行分類的方法。這兩個(gè)特征為我們提供了一種方法，通過提供一種確定最簡(jiǎn)單且最可能的進(jìn)步領(lǐng)域的正式方法來(lái)確定人工智能將如何發(fā)展。它還提供了關(guān)于此可伸縮性速度的關(guān)鍵見解。

最終，這項(xiàng)工作很重要，因?yàn)槲覀兊臋C(jī)器的能力正在快速變化。正如塞爾曼指出的那樣，“我們衡量推理計(jì)劃能力的方式是通過觀察他們可以快速結(jié)合的事實(shí)數(shù)量。大約25年前，最好的推理引擎可以結(jié)合大約200或300個(gè)事實(shí)并從中推斷出新的信息。目前的推理引擎可以結(jié)合數(shù)百萬(wàn)個(gè)事實(shí)。“當(dāng)涉及到人類機(jī)器推理水平的擴(kuò)大時(shí)，這種指數(shù)增長(zhǎng)具有重要意義。

正如塞爾曼解釋的那樣，鑒于我們的人工智能系統(tǒng)目前的能力，看起來(lái)具有真正推理能力的機(jī)器似乎還有一段距離;然而，由于技術(shù)進(jìn)步的速度過快，我們可能會(huì)開始看到具有智能能力的機(jī)器，這些機(jī)器在相當(dāng)短的時(shí)間內(nèi)大大超過了我們自己的機(jī)器。“十年后，我們?nèi)匀粫?huì)發(fā)現(xiàn)它們[人工智能機(jī)器]非常缺乏理解，但是從現(xiàn)在起二三十年后，機(jī)器可能會(huì)建立起與年輕人相同的知識(shí)，”塞爾曼指出。預(yù)計(jì)何時(shí)會(huì)發(fā)生這種轉(zhuǎn)變將有助于我們更好地理解我們應(yīng)采取的行動(dòng)以及當(dāng)前一代必須投入的研究，以便為這一進(jìn)步做好準(zhǔn)備。