極客網(wǎng)注：本文作者系Rethink Robotics的聯(lián)合創(chuàng)始人、主席兼首席技術(shù)官Rodney Brooks。Brooks擁有斯坦福大學計算機博士學位，并在麻省理工學院任教多年，是著名的機器人教授。在創(chuàng)立Rethink Robotics之前，他創(chuàng)立了麻省理工學院電腦科學和人工智能實驗室，并聯(lián)合創(chuàng)辦了iRobot公司。Rethink Robotics 于 2008 年創(chuàng)立于波士頓，致力于為制造生產(chǎn)和分揀流程開發(fā)智能協(xié)作型的機器人。
上帝按照自己的模樣創(chuàng)造了人類。
人類按照自己的模樣創(chuàng)造了人工智能(AI)。
至少最開始的時候是這樣的。
人類和海豚、黑猩猩、倭黑猩猩一樣，可能是低于某個智能門檻的。一些聲稱擁有基于人工智能系統(tǒng)的公司經(jīng)常使用人力來處理其在線系統(tǒng)的棘手任務(wù)，而用戶對此并不知情。這可能會嚴重混淆公眾對現(xiàn)今的人工智能發(fā)展程度的認知。
我一直在思考我們需要進行哪些研究，要解決哪些問題，以及為了達到超級人工智能或人類智能水平，我們已經(jīng)解決了哪些難題。我們已經(jīng)孜孜不倦地嘗試了62年，但顯然直到現(xiàn)在我們才接近實現(xiàn)所有必要的突破。
愛因斯坦在1916年預言了引力波的存在，但是在99年之后，也就是2015年，我們?nèi)祟惒攀状翁綔y到引力波。
有一些事情的成功就是一個漫長的過程，需要大量的新技術(shù)，需要很長的時間將想法變得更成熟，也需要眾多出色的人才投身其中。我覺得人類智能水平的人工智能或許就是這樣的，而且更為復雜，可能要花上數(shù)百年時間才能得以實現(xiàn)。
過去62年里至少有四種人工智能的主要方法。當然，其他人可能還總結(jié)了不同的方法。
在我看來，這四種主要方法以及大致的開始日期分別是：
1. 符號（1956年）
2. 神經(jīng)網(wǎng)絡(luò)（1954年，1960年，1969年，1986年，2006年….）
3. 傳統(tǒng)機器人（1968年）
4. 基于行為的機器人（1985年）
符號
符號通常由字符串表示，這些字符對應(yīng)一個詞。然后人們設(shè)定了相互間的聯(lián)系，對其進行編碼，比如instanceof運算符和is字符串。
當我們向搜索引擎輸入查詢時，我們選擇了用符號進入人工智能系統(tǒng)對世界的了解。系統(tǒng)做了一些推理和推論，然后生成一個網(wǎng)頁列表，它推斷出與我們正在尋找的內(nèi)容相匹配的信息（它實際上并不知道我們是與其數(shù)據(jù)庫中的“人”符號相對應(yīng)的） 。然后我們會瀏覽這些精選出來的信息，點擊最匹配的一兩個網(wǎng)頁，如果不是我們想要的資料，我們就會輸入一個新的符號或者修改原來的符號進行新的搜索。
神經(jīng)網(wǎng)絡(luò)
2014年11月17日，《紐約時報》報道了一則消息，向全世界展示了一個新功能。谷歌程序自動為以下圖片生成的標題：“一群年輕人在玩飛盤游戲”(A group of young people playing a game of Frisbee)。
我認為從那個時候起人們才真正開始注重深度學習。即使對于人工智能研究人員，尤其是基于符號的人工智能的研究人員來說，一個程序能做得這么好是一個奇跡。但是，我也覺得人們將表現(xiàn)和能力混淆了。如果一個人有同等水平的表現(xiàn)，能夠準確描述這個畫面，那么人們就很自然會期望這個人有足夠的能力去理解這個世界，他/她可能會回答以下每個問題：
飛盤是什么形狀？
大致上，一個人可以扔多遠？
人可以吃飛盤嗎？
一次大約有多少人可以一起玩飛盤？
一個三個月大的嬰兒可以玩飛盤嗎？
今天的天氣適合玩飛盤嗎？
但是生成上述標題的深度學習神經(jīng)網(wǎng)絡(luò)無法回答這些問題。
傳統(tǒng)機器人
在人工智能最初的幾十年，就是基于符號的人工智能那個階段，研究人員試圖通過制造機器人來實現(xiàn)人工智能。其中有些機器人可以四周移動，并能用來推東西。還有固定在指定位置的機器臂。但是同時具備上述兩種功能的帶鉸接臂的移動機器人在當時是很難制造出來的。
基于行為的機器人
在1985年以前，我花了10年研究計算機視覺，嘗試從圖像中提取世界的符號描述，并在傳統(tǒng)機器人技術(shù)中建立機器人的計劃系統(tǒng)，以便讓機器人在模擬或現(xiàn)實世界中運作。
但是我備受打擊。
我開始思考昆蟲在現(xiàn)實世界中的導航能力，以及它們是如何用非常少的神經(jīng)元做到的（當然少于現(xiàn)代深度學習網(wǎng)絡(luò)中人工神經(jīng)元的數(shù)量）。在思考它們是如何做到這一點時，我意識到簡單生物的進化路徑可能并非由為世界構(gòu)建的符號或三維建模系統(tǒng)開始的。相反，這種進化是通過感知和行動之間非常簡單的聯(lián)系開始的。
在這種思維導致的基于行為的方法中，有許多并行的行為同時運行，試圖理解一小部分感知，并憑借它們來驅(qū)動世界上的簡單行為。通常，行為會為機器人的執(zhí)行器提出相互矛盾的命令，并且必須采取措施解決這個沖突。但是，這不需要回到完整的世界模型中，而是解決沖突的機制在本質(zhì)上必然是啟發(fā)式的。正如人們猜想的那樣，進化會產(chǎn)生的這種啟發(fā)式的機制。
下面是這四種人工智能方法和人類小孩的得分對比：
從上表可以看到，如果人類小孩在這6項能力中每項得分為100分的情況下，四種人工智能方法各自的總得分才8到9分。我一如既往地認為我們可能嚴重高估了現(xiàn)階段人工智能系統(tǒng)的能力。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
