人工智能的應(yīng)用越來(lái)越廣，隨著可用場(chǎng)景的不斷增多，人們對(duì)它的期望也越來(lái)越大。目前只能解決某些特定領(lǐng)域問(wèn)題的“弱人工智能”已經(jīng)開始無(wú)法滿足人們的需要，“強(qiáng)人工智能”似乎已經(jīng)成為眾多研究者開始鉆研的下一個(gè)方向。
和強(qiáng)人工智能相比，弱人工智能被認(rèn)為是不可能真正具備推理和解決問(wèn)題能力的智能機(jī)器，雖然能夠解決特定某些問(wèn)題，但是他們無(wú)法說(shuō)是真正擁有智力和自主意識(shí)。
但是另一方面，關(guān)于“強(qiáng)人工智能“的觀點(diǎn)，卻也并非所有人都認(rèn)同。
如果要追溯“強(qiáng)人工智能“這一概念的產(chǎn)生，它最早是由 John Rogers Searle 針對(duì)計(jì)算機(jī)和其他信息處理機(jī)器創(chuàng)造的，他將其定義為：“強(qiáng)人工智能觀點(diǎn)認(rèn)為計(jì)算機(jī)不僅是用來(lái)研究人的思維的一種工具；相反，只要運(yùn)行適當(dāng)?shù)某绦?，?jì)算機(jī)本身就是有思維的?！?/p>
關(guān)于強(qiáng)人工智能是否就意味著機(jī)器具備思維的問(wèn)題，目前依然還存在著很多爭(zhēng)論，而參與這場(chǎng)討論的人中就包括許多 AI 研究學(xué)者、哲學(xué)家等。
丹尼爾·丹尼特在其著作《意識(shí)的解釋》（Consciousness Explained）里認(rèn)為，人也不過(guò)是一臺(tái)有靈魂的機(jī)器而已 ，“人可以有智能，而普通機(jī)器為什么就不能呢？”他認(rèn)為即便是基于數(shù)據(jù)轉(zhuǎn)換來(lái)思考的機(jī)器，同樣有潛力能夠具有思維和意識(shí)。
因此在這里我們暫時(shí)認(rèn)為這種不具有“靈魂”的思考機(jī)器是可以做到“無(wú)限接近”人類智力水平的。問(wèn)題是，要如何才能達(dá)到這種“無(wú)限接近”的水平？
人類智力是綜合作用的產(chǎn)物，包括觀察力、注意力、記憶力、思維力、想象力等等，而每一種構(gòu)成因素又會(huì)受其他更多因素的影響。
因此我們可以看到目前很多使用仿生的方法來(lái)研究人工智能的技術(shù)都在參照各種和“人”有關(guān)的學(xué)科理論對(duì)這項(xiàng)技術(shù)進(jìn)行研究和發(fā)展，所以說(shuō)，人工智能也就因此變成了一門更像是跨學(xué)科的研究。
人工智能的智力源頭之謎
人工智能的智力來(lái)源于數(shù)據(jù)的收集。在人工智能學(xué)習(xí)和訓(xùn)練的過(guò)程中，深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)通過(guò)對(duì)所收集的大量數(shù)據(jù)進(jìn)行分析歸類，從而完成對(duì)人工智能系統(tǒng)的塑造。
目前，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)通常由如下部分組成：
神經(jīng)的輸入層（獲得目標(biāo)的描述）
隱藏層（主要部分，在這些層中學(xué)習(xí)）
輸出層（對(duì)于每個(gè)種類都一個(gè)神經(jīng)節(jié)點(diǎn)，分?jǐn)?shù)最高的一個(gè)節(jié)點(diǎn)就是預(yù)測(cè)的種類）
在學(xué)習(xí)過(guò)程結(jié)束之后，新的物體就能夠送入這個(gè)網(wǎng)絡(luò)，并且能夠在輸出層看到每個(gè)種類的分?jǐn)?shù)。
之所以說(shuō)目前大多數(shù)人工智能多屬于“弱人工智能”的范疇，就是因?yàn)檫@些人工智能一般只會(huì)針對(duì)目標(biāo)的用途進(jìn)行某一特定數(shù)據(jù)的深度垂直學(xué)習(xí)，又或者是像 Siri 這樣的語(yǔ)音助手一樣，能做的事情非常有限，更像是一個(gè)“幫助傳遞信息，提供搜索服務(wù)”的助手。
我們似乎從來(lái)沒(méi)有想過(guò)人類的智力僅僅依靠“數(shù)據(jù)”就能夠獲得，但是就目前的相關(guān)研究來(lái)看，已經(jīng)查明能夠?qū)χ橇Ξa(chǎn)生影響的因素包括飲食、遺傳與環(huán)境、早期經(jīng)驗(yàn)、學(xué)校教育、社會(huì)實(shí)踐和主觀努力等等。
這些因素中的大部分都能在機(jī)器和人工智能中找到類似的對(duì)比。食物作為生命和大腦的物質(zhì)基礎(chǔ)，決定了生命和大腦的健康——這可以和機(jī)器的構(gòu)造類比；遺傳和環(huán)境、早期經(jīng)驗(yàn)、學(xué)校教育、社會(huì)實(shí)踐就是人類用來(lái)學(xué)習(xí)的“數(shù)據(jù)”，只不過(guò)這些“數(shù)據(jù)”的影響更加潛移默化，目標(biāo)性不如機(jī)器學(xué)習(xí)中的明確；至于主觀努力就是一直以來(lái)很多人用來(lái)區(qū)分機(jī)器與人類差異的重要依據(jù)所在了。
這種對(duì)于主體目標(biāo)的一種似乎與生俱來(lái)的熱枕，似乎是機(jī)器還難以達(dá)到的部分。這部分和人類所稱的“靈魂”其實(shí)可以歸屬到同一類別，都是一種難以模仿的、非常主觀性的心理活動(dòng)。
但是除去最后一點(diǎn)，目前的機(jī)器似乎已經(jīng)可以模仿人類絕大多數(shù)的心理活動(dòng)和環(huán)境影響。
因此用仿生的研究方法來(lái)開發(fā)更加智能的機(jī)器似乎是最有效率的途徑，畢竟人類的智力也是經(jīng)過(guò)數(shù)千萬(wàn)年的進(jìn)化發(fā)展到今天的水平的。對(duì)于關(guān)于人類的一些描述性的研究成果，似乎也可以逆向應(yīng)用在人工智能的研究和開發(fā)之中。
從人類發(fā)展 AI 的歷史來(lái)看，我們不難發(fā)現(xiàn)，仿生的方法似乎也是唯一一種能夠讓我們將研究進(jìn)行得最為深入和持久的方法。
在人類最開始研究 AI 時(shí)，首先是從直接做出一臺(tái)會(huì)思維的機(jī)器開始的，但是很快這種方法就遇到了瓶頸，于是人類開始嘗試仿生的方法，從其他在地球上已經(jīng)生活了數(shù)百萬(wàn)年的生物那里獲取靈感，人工神經(jīng)網(wǎng)絡(luò)便由此誕生。
為了讓人類能夠打造出更好的 AI 機(jī)器，近日麻省理工大學(xué)甚至提議我們需要“比以前更了解生物大腦及智力產(chǎn)生的過(guò)程?，F(xiàn)在這一階段，我們已經(jīng)可以開始理解將神經(jīng)科學(xué)、認(rèn)知科學(xué)和計(jì)算機(jī)科學(xué)應(yīng)用到智能機(jī)器設(shè)計(jì)的理念?！?/p>
人工神經(jīng)網(wǎng)絡(luò)的第一個(gè)里程碑就是“感知”（Perceptron），一個(gè)感知機(jī)器實(shí)際上就是對(duì)神經(jīng)元基本概念的模擬，這是一種能夠進(jìn)行自動(dòng)決策的機(jī)器。比單層感知機(jī)更復(fù)雜的多層感知機(jī)就是我們我們常說(shuō)的深度網(wǎng)絡(luò)，它是進(jìn)行數(shù)據(jù)處理和模式識(shí)別的關(guān)鍵。
深度神經(jīng)網(wǎng)絡(luò)能夠?qū)@些數(shù)據(jù)進(jìn)行處理的原因在于數(shù)據(jù)本身具有的復(fù)雜的機(jī)構(gòu)很適合被 NN（Neural Network，神經(jīng)網(wǎng)絡(luò)）識(shí)別，因此機(jī)器能夠進(jìn)行自主的學(xué)習(xí)，而不需要人類預(yù)先設(shè)計(jì)識(shí)別這些結(jié)構(gòu)的函數(shù)。
在深度卷積網(wǎng)絡(luò)（DCNN）中，信號(hào)在多級(jí)網(wǎng)絡(luò)里一級(jí)級(jí)傳遞，從而使得微觀到宏觀的特征都得到分辨和識(shí)別，各層神經(jīng)元之間沒(méi)有相互聯(lián)系，所以它們能夠同時(shí)看到一個(gè)圖像從細(xì)節(jié)到抽象的結(jié)構(gòu)，所以甚至能夠抓住一些人類都難以注意的細(xì)節(jié)和模式。
哪些學(xué)科理論將有可能對(duì)人工智能研究帶來(lái)影響？
神經(jīng)科學(xué)和人工智能（AI）領(lǐng)域互相聯(lián)系結(jié)合，由此產(chǎn)生了計(jì)算神經(jīng)科學(xué)和統(tǒng)計(jì)機(jī)器學(xué)習(xí)領(lǐng)域。在計(jì)算機(jī)科學(xué)和 AI 中，統(tǒng)計(jì)機(jī)器學(xué)習(xí)是指系統(tǒng)從數(shù)據(jù)“學(xué)習(xí)”模式的算法，這在神經(jīng)科學(xué)中被稱為是“理論神經(jīng)科學(xué)”（或“計(jì)算神經(jīng)科學(xué)”或“系統(tǒng)神經(jīng)科學(xué)”），它們采用了完全相同的模型和數(shù)學(xué)框架，只不過(guò)它們研究的方向換成了人類大腦罷了。
從心理、認(rèn)知和問(wèn)題解決的角度講，認(rèn)知科學(xué)就像神經(jīng)科學(xué)和人工智能之間的另一座橋梁。數(shù)字計(jì)算機(jī)的原始設(shè)計(jì)的靈感就來(lái)自于反思和內(nèi)省的心理運(yùn)作，而這一領(lǐng)域在后來(lái)就慢慢發(fā)展成了認(rèn)知科學(xué)。
物理學(xué)家把神經(jīng)網(wǎng)絡(luò)看成無(wú)數(shù)神經(jīng)細(xì)胞相互作用組成的一個(gè)整體，就如同理想氣體是無(wú)數(shù)分子的組合或金屬晶體是原子的組合類似。雖然單個(gè)神經(jīng)細(xì)胞只有一個(gè)簡(jiǎn)單的作用，就是把接收到的信號(hào)轉(zhuǎn)化為一定的輸出，但是這樣一個(gè)簡(jiǎn)單的東西通過(guò)大量加和的網(wǎng)絡(luò)效應(yīng)卻可以產(chǎn)生智能這種十分復(fù)雜的現(xiàn)象，這就是物理學(xué)中所說(shuō)的涌現(xiàn)性。
所謂簡(jiǎn)單的東西堆在一起足夠多，突然之間產(chǎn)生了一個(gè)更加復(fù)雜和高級(jí)的現(xiàn)象。這種由于尺度跨越造成的飛躍性變化，物理學(xué)認(rèn)為是自然界各種復(fù)雜的東西形成的秘密所在。
從物理學(xué)相變的角度看神經(jīng)網(wǎng)絡(luò)也可以幫助我們理解很多常常百思不得其解的問(wèn)題，例如，我們是如何睡覺(jué)的。從清醒到進(jìn)入睡眠，人腦會(huì)發(fā)生一個(gè)劇烈的變化，這個(gè)變化其實(shí)跟物理學(xué)里面水結(jié)冰的現(xiàn)象很像，是物體從自由的狀態(tài)轉(zhuǎn)化為極為有序狀態(tài)的一個(gè)過(guò)程。
如果你觀察人類從清醒到睡著的腦電波變化，就會(huì)發(fā)現(xiàn)波形在某一個(gè)點(diǎn)上突然發(fā)生了改變。除了睡眠，冥想、愛(ài)上一個(gè)人等等，或許都可以看做是這種大量神經(jīng)單元在某種條件和刺激下從一個(gè)整體狀態(tài)住轉(zhuǎn)變?yōu)榱硪粋€(gè)整體狀態(tài)的相變過(guò)程。
除了上面說(shuō)過(guò)的涌現(xiàn)性和相變，物理學(xué)對(duì)人工智能的貢獻(xiàn)還有非線性動(dòng)力學(xué)，非線性動(dòng)力學(xué)的方程式甚至能夠精準(zhǔn)地對(duì)神經(jīng)細(xì)胞放電這個(gè)極為復(fù)雜的理化過(guò)程進(jìn)行預(yù)測(cè)，這就是著名的 Hodykin-Hulex 模型。
對(duì)于神經(jīng)網(wǎng)絡(luò)的動(dòng)力學(xué)解釋主要基于物理的混沌理論，因?yàn)樯窠?jīng)網(wǎng)絡(luò)作為一個(gè)高維系統(tǒng)，它的行為正好符合混沌的框架。當(dāng)任何一個(gè)神經(jīng)元受到擾亂時(shí)，所產(chǎn)生的后果不可預(yù)料。我們都知道生物的神經(jīng)網(wǎng)絡(luò)可以極為精準(zhǔn)而穩(wěn)定地決定動(dòng)物的各種行為，因此看似混沌的網(wǎng)絡(luò)實(shí)際上是能夠被精準(zhǔn)預(yù)測(cè)的。
這里的思維就和物理學(xué)中的降維的思想不謀而合，高維度的網(wǎng)絡(luò)系統(tǒng)在執(zhí)行某個(gè)任務(wù)的時(shí)候，可以被化解到更低的維度里用動(dòng)力學(xué)來(lái)解釋。
生物學(xué)中有關(guān)神經(jīng)網(wǎng)絡(luò)的研究或許是最復(fù)雜的，因?yàn)樯飳W(xué)研究者了解細(xì)節(jié)和功能的方式就是通過(guò)解剖、實(shí)驗(yàn)以及各種成像技術(shù)來(lái)理解的。這種對(duì)于細(xì)節(jié)的嚴(yán)謹(jǐn)態(tài)度在神經(jīng)網(wǎng)絡(luò)中也有同樣的體現(xiàn)，關(guān)于神經(jīng)元之間相互連接的精密地圖為神經(jīng)網(wǎng)絡(luò)的構(gòu)建提供了參考和借鑒。
生物學(xué)對(duì)于神經(jīng)網(wǎng)絡(luò)提供的更有趣的還在于對(duì)學(xué)習(xí)現(xiàn)象的解釋。神經(jīng)細(xì)胞之間額連接——神經(jīng)突觸是會(huì)隨著時(shí)間的變化而不停改變的，這種微妙變化是神經(jīng)活動(dòng)導(dǎo)致的，如果一個(gè)細(xì)胞經(jīng)常向另一個(gè)細(xì)胞放電，那么它們之間的聯(lián)系就會(huì)加強(qiáng)，它們所代表的信息就會(huì)聯(lián)系起來(lái)，這就是學(xué)習(xí)的生理基礎(chǔ)。
生物學(xué)和人工智能之間更奇妙的聯(lián)系還在于，人工智能反過(guò)來(lái)啟迪了生物神經(jīng)網(wǎng)絡(luò)的發(fā)展，正如費(fèi)曼所說(shuō)“你要想真正理解一個(gè)東西，就自己造出一個(gè)來(lái)”。
從信息學(xué)的角度看，神經(jīng)網(wǎng)絡(luò)就像是一個(gè)具備整合各種信息的工具。對(duì)于人類來(lái)說(shuō)，之所以進(jìn)化出神經(jīng)網(wǎng)絡(luò)，就是因?yàn)槲覀兠鎸?duì)的現(xiàn)實(shí)世界充滿了各種錯(cuò)綜復(fù)雜的信息，因此我們需要把多種不同的信息整合在一起并對(duì)其做出相應(yīng)的判斷就至關(guān)重要。
從信息學(xué)的視角來(lái)看，貝葉斯分析時(shí)其中應(yīng)用最廣的角度。所謂貝葉斯分析，就是把新增加的證據(jù)和之前形成的信念不停進(jìn)行綜合來(lái)對(duì)當(dāng)下的判斷做出選擇。
要實(shí)現(xiàn)這種新舊知識(shí)的綜合，就需要在不斷收集新信息的同時(shí)還要對(duì)舊知識(shí)進(jìn)行儲(chǔ)存和調(diào)用，另外和需要根據(jù)前兩者的綜合對(duì)未來(lái)的趨勢(shì)做出判斷，改變當(dāng)前大腦中的連接網(wǎng)絡(luò)狀態(tài)。上
面的幾個(gè)步驟，就分別對(duì)應(yīng)人類的感知、記憶、行為和學(xué)習(xí)幾種行為。
不少分屬理工科類的學(xué)科在 AI 發(fā)展的最早期都發(fā)揮了很大作用，但是隨著人類都 AI 的發(fā)展和了解不但深入，以及仿生方法的更深層次的應(yīng)用，除了以上提到的幾種目前已經(jīng)對(duì) AI 發(fā)展產(chǎn)生了明顯作用的學(xué)科分支外，其他的人類學(xué)科，包括社會(huì)學(xué)、犯罪學(xué)、語(yǔ)言學(xué)甚至是作為終極學(xué)科的哲學(xué)都已經(jīng)開始展現(xiàn)了它們對(duì) AI 發(fā)展的重要理論和思維模式借鑒。
能力和智力不同的 AI，可以分成哪幾種？
大多數(shù)“入門基本型”的 AI 系統(tǒng)都屬于純粹的響應(yīng)式機(jī)器，它們既不具備形成記憶的能力也不具備借鑒過(guò)去經(jīng)驗(yàn)的能力，因此也無(wú)法從過(guò)去的經(jīng)驗(yàn)中獲得當(dāng)前決策的有效借鑒。
IBM 的超級(jí)電腦“深藍(lán)”曾經(jīng)于 20 世紀(jì) 90 年代末期擊敗人類國(guó)際象棋大師加里·卡斯帕羅夫（Garry Kasparov），它就是響應(yīng)式機(jī)器的完美代表。
“深藍(lán)”可以識(shí)別棋盤上的棋子，并知道如何移動(dòng)棋子。它甚至還能預(yù)測(cè)自己和對(duì)手的下一步棋路，并在諸多可能性中選擇最優(yōu)方案。但是“深藍(lán)”沒(méi)有“過(guò)去”的概念，也沒(méi)有此前的記憶。除了偶爾利用國(guó)際象棋的具體規(guī)則，比如反對(duì)重復(fù)同樣的步驟 3 次外，“深藍(lán)”幾乎會(huì)忽略此前發(fā)生的一切。它的重點(diǎn)就是關(guān)注當(dāng)前棋盤上的棋子，并為下一步移動(dòng)做出選擇。
這類 AI 可以短暫回顧過(guò)去的經(jīng)驗(yàn)，比如無(wú)人駕駛汽車系統(tǒng)中的 AI。舉例來(lái)說(shuō)，它們會(huì)觀察其他汽車的速度和行進(jìn)方向。但是它們現(xiàn)在還無(wú)法立刻完成這個(gè)動(dòng)作，而是需要識(shí)別特定目標(biāo)，并監(jiān)督它們一段時(shí)間。
這些觀察會(huì)被添加到無(wú)人駕駛汽車預(yù)先編程的模擬世界中，包括車道標(biāo)記、交通燈以及其他重要元素。但是這些有關(guān)過(guò)去的簡(jiǎn)單信息只是短暫的，不會(huì)被儲(chǔ)存在汽車已經(jīng)了解到的經(jīng)驗(yàn)庫(kù)中，因此他們也無(wú)法充分建立起記住經(jīng)驗(yàn)和積累駕駛經(jīng)歷的能力。
這很可能是目前已經(jīng)建造的 AI 機(jī)器與將來(lái)要建造的 AI 機(jī)器之間的差異最大的地方。未來(lái)的 AI 機(jī)器將更加先進(jìn)，它們不僅會(huì)自己建立模擬世界，還會(huì)模擬世界上其他對(duì)象和實(shí)體。在現(xiàn)實(shí)世界，這被稱為“心智理論”，即理解世界上的人類和其他生物都有思想和情緒，而這些思想和情緒可影響他們的行為。
這對(duì)人類形成社會(huì)時(shí)至關(guān)重要，因?yàn)樗鼈冊(cè)试S我們進(jìn)行社會(huì)交流。如果不相互了解動(dòng)機(jī)和意圖，不考慮其他人對(duì)自己或環(huán)境的了解，最好的情況下是協(xié)作非常困難，最壞的情況是根本不可能有協(xié)作。
如果 AI 系統(tǒng)要想走在人類中間，它們必須能夠理解我們每個(gè)人都有不同的想法和感受，并期望自己被如何對(duì)待。為此，它們必須對(duì)自己的行為進(jìn)行相應(yīng)調(diào)整。
AI 發(fā)展的最后階段就是建立能夠形成代表它們自己的模擬世界的系統(tǒng)。最終，AI 專家不僅需要自己理解意識(shí)，還要建造擁有自我意識(shí)的機(jī)器。
從這種意義上說(shuō)，第四類 AI 是第三類 AI 所代表的“心智理論”機(jī)器的延伸，同時(shí)也是意識(shí)被稱為“自我意識(shí)”的原因。
有意識(shí)的存在可以意識(shí)到他們自己，了解它們的內(nèi)部狀態(tài)，能夠預(yù)測(cè)其他人的感受。我們假設(shè)有人在后面狂按喇叭代表憤怒和不耐煩，因?yàn)槲覀兡菢幼鰰r(shí)也代表著同樣感受。沒(méi)有心智理論，我們就無(wú)法做出這些推論。
現(xiàn)在距離創(chuàng)造具有自我意識(shí)的機(jī)器可能還很遙遠(yuǎn)，因此目前的重心更應(yīng)該放在理解記憶、學(xué)習(xí)以及基于過(guò)去經(jīng)驗(yàn)作出決定的 AI 能力上。這些不僅是理解人類智慧的重要過(guò)程，而且在我們?cè)O(shè)計(jì)和開發(fā)次時(shí)代的 AI 機(jī)器中，這一點(diǎn)也尤為重要。
快幫云是北京快幫科技有限公司打造的一站式企業(yè)成長(zhǎng)服務(wù)平臺(tái)，致力于通過(guò)提供互聯(lián)網(wǎng)管理工具，為我國(guó)企業(yè)帶來(lái)成長(zhǎng)與變革?？鞄驮埔詾槠髽I(yè)提供品質(zhì)服務(wù)為使命，服務(wù)體系涵蓋知識(shí)產(chǎn)權(quán)、網(wǎng)站建設(shè)、營(yíng)銷推廣、企業(yè)應(yīng)用四大業(yè)態(tài)數(shù)十項(xiàng)服務(wù)內(nèi)容。
快幫云通過(guò)自營(yíng)模式為企業(yè)提供相應(yīng)服務(wù)，通過(guò)幫助企業(yè)升級(jí)經(jīng)營(yíng)管理理念、快速上云、用好云時(shí)代的互聯(lián)網(wǎng)工具等方式，幫助企業(yè)降低成本、提高經(jīng)營(yíng)效率，完成升級(jí)與轉(zhuǎn)型。
快幫云特有顧問(wèn)式服務(wù)機(jī)制，所有顧問(wèn)經(jīng)嚴(yán)格的快幫商學(xué)院系統(tǒng)培訓(xùn)，擁有專業(yè)的企業(yè)管理知識(shí)理念，以此結(jié)合云時(shí)代企業(yè)互聯(lián)網(wǎng)管理工具，探觸企業(yè)內(nèi)在訴求痛點(diǎn)并進(jìn)行融合鏈接，幫助企業(yè)創(chuàng)新管理方式與商業(yè)模式，為企業(yè)提供實(shí)用、有效、低投入的企業(yè)級(jí)服務(wù)。
快幫云在北京、上海、深圳、天津、西安、廈門等二十多個(gè)地區(qū)設(shè)有分子公司及服務(wù)機(jī)構(gòu)，并與阿里、騰訊、百度、北森、仁科互動(dòng)、Udesk等企業(yè)建立長(zhǎng)期戰(zhàn)略合作伙伴關(guān)系。
