关于ZAKER 融媒体解决方案 合作 加入

AI 要进一步发展,必须寻找“智能的通用理论”

36氪 2019-11-19

神译局是 36 氪旗下编译团队,关注科技、商业、职场、生活等领域,重点介绍国外的新技术、新观点、新风向。

编者按:随着过去 2 年对人工智能的炒作达到巅峰。一些质疑的声音开始慢慢出现。有的认为深度学习已经走进了死胡同。有的认为现在的 AI 单项冠军根本不具备理解能力。但是,究竟什么是理解?(参见机器具备 " 理解 " 能力究竟是什么意思?)什么是智能?对这些我们其实并没有找到真正合适的定义。为此,《Artificial Intuition and the Deep Learning Playbook 》一书作者 Carlos E. Perez 对这个术语的定义进行了一番探讨。结果他发现,很难找到一种通用的东西去定义智能。在这种情况下,要想实现所谓的通用人工智能也许只是镜花水月。原文发表在 medium 上,标题为:In Search of a Universal Theory of Intelligence

主体的智能是它可以访问的一篮子认知工具。盛放所有这些可能的工具的篮子是未知的,这就是智能的完整定义不可知的原因。

Ricard Sole 想知道怎么去比较生物大脑与电子计算机。这两者当然是不同的,但是他想知道如果按照冯 · 诺依曼架构的话,大脑会是什么样的。显然,这样的大脑不会是进化的结果。但是,在他的推特里面画的推测性大脑形状(达芬奇风格)引发了一场关于智能演进的讨论,见解非常深刻。他的这种臆测提出了一个有趣的问题:形成生物大脑会不会存在不同的路径?

我得强调的是,生物或进化设计跟人类的技术设计有着很大不同。比方说,有一个原因(仅在极罕见情况下)生物未能发明出轮子。我曾在一篇文章里面对此进行过更详细的讨论。

但是仅就生物进化而言,是否存在演进出大脑的其他进化路径?章鱼的大脑肯定不同于脊椎动物。对章鱼,鸟类和哺乳动物的大脑进化进行比较研究应该会比较有用。而且最近的一项研究的确把章鱼的大脑跟脊椎动物进行了比较。

也许在大脑的生物进化里面可以找普遍模式。比方说,我们知道禽类大脑到小脑的回路跟对等的哺乳动物的新皮层的脑回路是不一样的。这表明更原始的小脑对于更新的新皮质所需的高阶功能具有普遍的重要性。这表明维持一条感觉运动回路是普遍需要。

大脑的进化普遍依赖于其化身的属性及其历史发展。此外,身体结构跟大脑进化的关系也暗示了一种普遍关系。我认为人类认知发展的独特性可认为是人类的手以及发声器官所具备的独特灵巧性

巧合的是,章鱼(进化独立于脊椎动物)只有 5 亿个神经元,但跟同类动物(兔子神经元数量一样)相比,它具备的智能非同寻常。我认为,章鱼的智能是其极度灵巧的身体和腕足所造就的。不过,章鱼的智能可能由于缺乏社会认知,口头交流以及很短的寿命而受到阻碍。

另一个普遍性是,智能还与社会认知所需的认知压力有关。大脑较大的动物往往有丰富的社会环境。大象具有非凡的导航记忆,生活在大规模的社会结构里面。鲸鱼的歌曲可以传播到很远的距离,因此具有可以影响到它的邓巴数的类似互联网的网络。比较鲸鱼和海豚大脑的大小的确表明其与社会认知的相关性(请参阅:https://www.nature.com/articles/s41559-017-0336-y.epdf)。有趣的是,鲸鱼新皮层的神经元数量是人类的两倍以上。令人惊奇的是,领航鲸具备其他鲸鱼所没有的快速眼动(REM)睡眠。这种快速眼动睡眠又是一种普遍性。什么样的认知压力需要所有的这些神经元?为什么领航鲸需要所有的那些神经元?

关于大脑大小跟智能还有一个有趣的关系。今天的智人,他们的大脑其实比 28000 年前的克罗马侬人的要小 20%。一般而言,野生动物需要的认知能力要比驯养动物的更高。在 7000 到 10000 年前形成的农业新石器时代文明,导致了我们大脑认知能力的下降。因此,跟我们旧石器时代的克罗马侬人祖先相比,我们的只能有可能降低了 20%!用生物体大脑大小来评估生物的 " 智能 " 是有局限性的

在研究多种大脑的进化过程中,我们可以发现那种可以为我们定义智能提供依据的普遍性。

当然,智能有很多维度,每个方面都跟它支持的特定技能有关。霍华德 · 加德纳的多元智能理论就是这一概念的典型例子。那就是人类在不同类型的智能中表现出来的优势。具体来说,多元智能是指人际交往智能、内省智能、言语智能、逻辑智能、空间智能、节奏智能,自然智能以及动觉智能。通过这些,我们能看到跟环境的不同互动方式下不同的智能是如何发展的。

不同的物种也有不同的智能。比方说,狗的嗅觉智能优于人类。你可以从不同维度去比较智能。每个维度都定义了范围很狭窄的一组任务。因此,如果你在一项嗅觉任务里面对狗和人进行测试的话,那么更聪明的会是狗。如果你用长除法来测试人类和手动计算器的话,你可能会得出手动计算器比人聪明的荒谬结论。尽管如此,我们通常把智能分配给类似人的能力。也就是说,我们定义的人类智能是一组范围比较狭窄的任务。我们会更详细地探讨一下为什么会这样。

从生物学我们可以知道,生物的智能与其周围环境息息相关。在生物的进化里,没有一例智能是符合任务依赖性定义的。生物对环境的适应性受进化影响。生物认知能力的增长是由于其参与者的复杂化,并因此对环境复杂化所致。这揭示了一种类似人类的物种可以利用的小众进化方式。人类建立的社会变得越来越复杂。其结果是把自然生物给挤掉了,而且其进化原理也异于自然生物的。

因此,可以将以人类为中心的智能定义为利用复杂性在一种环境中繁衍的策略之子集。在一个(不独立于任务的)任务子集中的能力是定义智能的要素,因此是这是一种上下文相关的定义(也就是要看情况)。当然,这个任务子集不仅必须包括推理,还必须包括学习。其中包括以下几种学习方式(内推、外推以及独创性)。

到目前为止,我们已经把对智能的定义跟对进化的定义结合在一起。但是,有人可能会提出一种具有三种不同进化方式的框架。(1)自然进化,(2)心智社会以及(3)信息时代的进化。第二种是生物头脑可以创造出新的方法和工具来重塑自己的世界,进而增强自身的生存能力。心智社会的进化速度要比自然进化快得多。第三类进化是由自动化(比如计算机)驱动的。因此,由于每种环境的不同,每种进化适应性也不同。

基于柯尔莫戈洛夫复杂性的智能定义(请参阅:https://arxiv.org/abs/0712.3329)往往是香农信息论的反映。香农的信息论描述了信息通信或存储的容量。这是一个与语义无关的定义。在我看来,把智能定义为 " 任务不可知 " 的动力来自笛卡尔的二元论。也就是,思想独立于躯体。也即智能独立于生物。这不是跟理解人脑相关的定义。这种对智能的定义需要顺着符号学的层级向上攀爬,一直爬到摆脱了现实的符号为止。这是一种抽象的、计算化的智能。这种智能不同于我们为自治主体和所有生物所寻找的智能。

此外,香农的信息论不足以帮助理解更高阶的信息,比如信息的 " 相关性 "。

寻求适应环境的意识主体需要对更高阶信息的使用。斯图尔特 · 卡夫曼(Stuart Kaffman)称其为 "mattering in matter"。主体必须弄清楚自己的环境,这是通过利用索引信息进行推理而做到的。在生物环境中,这会牵涉到到混乱的信息(比如部分和不完整的信息)。

定义智能的另一个动力来自奥卡姆剃刀。这种理论激励了压缩等同于智能的想法。这会向下追溯到元级,去寻求对智能最紧凑的解释,并寄希望于这种解释是跟任务独立的。但是,它真正去寻求的是适用于所有能想到的任务的一种智能的机制。为了发现这种普遍性,我们必须对存在以及尚未出现于的各种任务进行采样。新兴环境的开放性现实中存在的和尚未出现在涌现环境下的众多任务进行抽样。反映这种定义的一种压缩算法似乎违背了图灵丘奇论题。智力总是相对于一组范围狭窄的任务来进行衡量的,当我们考虑开放性时,大多数定义往往都会崩溃。

我们也许可以得出结论,对智力的通用定义的门槛可能会很低智能是解决比随机过程更高效的任务的能力。在各种可能的头脑的空间内,有一些聪明的头脑会胜过纯粹随机的头脑。

但是让我们回到人类的复杂化策略,以及这种策略跟智能定义之间可能的关系上面。信息时代的智能也许会导向一个更清晰的定义。这是通过重组进化的想法实现的。

在纳入了虚拟世界的环境组成的信息时代里,我们就可以实现相对于抽象概念的符号接地(symbol grounding,如语义附着)了。在这个 " 洁净室 " 的环境下,智能可以用推理累积的系统性方法来来定义。因此,逻辑证明系统可以定义为解决数学任务比可比的人更有效率。文明越是过渡到虚拟世界,人类就越有可能找到 " 更智能 " 的合成头脑。

计算的典型定义往往偏好顺序过程。其结果是,诸如进化之类更自然的并行过程往往被忽略掉了。因此,智能更合适的定义必须考虑如何去扩展平行认知。实际上,在并行主体范围内扩展智能的问题是人工智能的关键问题。我们的生物大脑就是由众多的认知主体组成的,这些主体之间如何进行协调从而导致涌现智能行为的出现,实际上正是智能生物主体的普遍特征。

平行认知也出现在文明的尺度上。在人类历史上,以不那么智能的方式行事的例子(也就是所谓的愚蠢)比比皆是。当然,愚蠢可以定义为任何随机可能性都要糟糕的过程。不幸的是,就像我们无法应对气候变化挑战所反映出来那样,我们在文明尺度上的智能正在走向崩溃。人类文明确实是我们所有人都担心的 " 回形针最大化器 "。它愚蠢地地消耗了地球的资源,并以指数的方式破坏了它的生态。这里的问题在于,人类有着旧石器时代的大脑,中世纪的体系以及神乎其神的技术。

" 智能理论 " 的发展始于在许多意识主体的众多实例及其相关环境当中寻找出普遍模式。但是,把这个问题框定成 " 智能理论 ",其实就好比把香农的传播理论称为 " 信息理论 "。它把焦点放在了定义不明确的术语(即智能或信息)。也许把这一追求描述为 " 能力理论 " 会更有用些。这样,当我们用 " 智能 " 这个词的时候,我们就不会把能力跟理解混为一谈。

智能用到的认知工具详尽集合是不明确的。智能需要由它可以获得的一系列认知工具来定义。没有任何一项公式能捕捉到这种开放性。没有任何一种衡量(智能的)手段能够适用于所有的环境。

译者:boxi。

以上内容由"36氪"上传发布 查看原文