來源：知乎—謝凌曦
地址：
https://www.zhihu.com/question/519393525/answer/2430233113
轉自：北京物聯(lián)網智能技術應用協(xié)會
“強基固本，行穩(wěn)致遠”，科學研究離不開理論基礎，人工智能學科更是需要數學、物理、神經科學等基礎學科提供有力支撐，為了緊扣時代脈搏，我們推出“強基固本”專欄，講解AI領域的基礎知識，為你的科研學習提供助力，夯實理論基礎，提升原始創(chuàng)新能力，敬請關注。
01
人工智能在當下如火如荼，有一個很重要的原因是計算機的計算和存儲能力達到了一個新的高度，讓原來不敢想的事情成為可能。但是，這種計算能力的高度是基于數字電路、集成電路的高速發(fā)展帶來的。
目前我所了解的人工智能領域，包括機器視覺，包括語義分析知識圖譜等，都是基于邏輯和結構的基礎上去找答案，去找特征，去組織關系，是數字的結構的。但最大的問題就在這里，當開發(fā)者依據個人的傾向去組織數據確定邏輯和結構的時候，已經不存在所謂的智能了，就已經將核心固化了。
所以，我理解智能應該是存在很大程度上的巧合的，也存在很大程度上的隨機，憑借數學公式是不能實現的。所以，我想，在數字技術之上的模擬技術是否才是這個問題的答案？有么有類似的案例？結果怎么樣？
02
答
這是一個很有價值的問題，對于初學者尤其重要。從題主的補充說明中，可以看出題主進行過深入的思考。只是題主或許不太熟悉人工智能的早期發(fā)展歷史，同時稍微混淆了幾個概念。下面，我嘗試提供一些觀點。
按照普遍的認知，現代意義上的人工智能，正式提出于1956年的達特茅斯會議。相比于古早時期的幻想（如中國戰(zhàn)國時期的偃師和西方中世紀煉金術中的Homunculus），1956年的定義明確了“智能可以獨立于肉體存在” ，然而站在今天的視角看，當時人們對于人工智能的定義仍然很不清晰。從當年proposal的首頁截圖中，可以看到他們提出的前兩個問題是“自動化的計算機”和“如何編寫程序讓計算機學會使用語言”。前者顯然是非常模糊的說法；而后者（也許是受到了圖靈測試[1]的影響）看似跟今天的自然語言處理非常相似，可細看描述就會發(fā)現，先驅們并沒有把具體任務形式化地定義下來。也許是這些不明確的定義給了人們莫名的信心，當時的10個參與者提出了“兩個月內解決人工智能基礎問題” 的豪言壯語，讓今天的人們忍俊不禁。后來的事情大家是知道的：這些基礎問題直到今天也沒有解決（甚至接近解決），但是這10位先驅中有5人先后榮獲圖靈獎。所以挖坑早是多么重要！（最后一句劃掉）達特茅斯暑期研究計劃的proposal首頁如果對人工智能早期歷史感興趣，可以瀏覽維基百科的人工智能史頁面，也可以開2倍速聽下我的講解（第1課第2部分）：謝凌曦：第1課 人工智能綜述：https://zhuanlan.zhihu.com/p/452444873回到正題上來。無論早期人工智能的定義多么幼稚，有一個事實是確定的：現代人工智能，脫胎于數學、神經科學和當時尚在襁褓中的計算機科學。我們再看維基百科對于人工智能的定義：人工智能（英語：artificial intelligence，縮寫為AI）亦稱智械、機器智能，指由人制造出來的機器所表現出來的智能。通常人工智能是指通過普通計算機程序來呈現人類智能的技術。
也就是說，現代人工智能的共同特點，就是通過高速計算機來實現（有時候甚至可以說復現）人類行為。以此可以回應題主的第一段話：確實，如果未來人類沒有造出仿生機器，那么人工智能只能通過數字集成電路來實現。 一個有趣的例子是，科學家們通過把電極插入老鼠和猴子的大腦，可以記錄它們對于各種外界刺激的反應。如果我們將這個系統(tǒng)理解為一個機器，那么它確實在一定程度上不依靠數學實現了智能（或許應該叫做鼠工智能或者猴工智能）。當然，出于倫理的考慮，我們是絕無可能把人腦當成機器來使用的（雖然有各種類似的研究）。
再回到主線上來。題主第二段說，“目前我所了解的人工智能領域，……，都是基于邏輯和結構的基礎上去找答案，去找特征，去組織關系，是數字的結構的”。正是通過這句話，我判斷題主不太熟悉早期人工智能史。事實上，從1950年代開始，人工智能就存在著三個彼此競爭的流派：邏輯演繹、歸納統(tǒng)計、類腦計算。直至今日，也沒有人從理論上論證三個流派孰優(yōu)孰劣，雖然歸納統(tǒng)計在今天占據了壓倒性的優(yōu)勢（包括機器學習和從中發(fā)展出的深度學習）。這其中，類腦計算的思想很終極也很容易理解：搞清楚人腦是如何工作的，然后用數學模型去復現它；可惜的是，雖然21世紀是生命科學的世紀（大霧），腦科學的進展還是沒能滿足人工智能的需求。除了高冷的類腦計算派，邏輯演繹派和歸納統(tǒng)計派也進行了長達數十年的競爭。它們的本質分歧在于：邏輯演繹派希望能對任何任務建立起規(guī)則，并且通過嚴謹的邏輯推理來解決問題；而歸納統(tǒng)計派則認為，嚴格建模即不現實也不必要，“這個世界就是描述它自己最好的模型”[2]。1970年代，邏輯演繹派在符號人工智能的框架下搞出了專家系統(tǒng)[3]，一舉帶來人工智能的第二次繁榮期；但是很快，人們就發(fā)現專家系統(tǒng)的使用場景過于受限，同時維護規(guī)則庫的開銷太大，人工智能進入第二次低谷期。帶領業(yè)界走出第二次低谷期的，正是歸納統(tǒng)計派，包括后來被歸為亞符號人工智能的統(tǒng)計學習理論[4]。再后來，手工設計模型遇到瓶頸，而1950年代就存在的連接主義（人工神經網絡）在大數據的驅動下，進化為深度學習理論，基本上統(tǒng)治了人工智能領域，直至今日。因此對于第二個問題的回答是：人工智能里存在其他學派，但是它們目前還沒有跟歸納統(tǒng)計派抗衡的能力。但是，統(tǒng)計學習方法的缺陷是非常明顯的（這正是題主的觀點，也是業(yè)界普遍的擔憂）。從我個人的觀點看，我不相信統(tǒng)計學習能夠實現真正的人工智能，但是它確實是當前人類掌握的最有力工具。特別是在深度學習出現以后，統(tǒng)計學習方法能夠解決很多受限場景下的實際問題，因而形成了正向循環(huán)，獲取了政府和工業(yè)界的大量投資。因而，從觀感上，有一種“人工智能只剩下統(tǒng)計學習”的錯覺，但我相信其他流派也還在努力，等待翻身的一天。最后，我不太能夠從數學上理解“智能存在很大程度上的隨機”的含義。不知道是否有生物學或者遺傳學專家，能夠從物種進化的角度來分析。不過針對第三段所說的“數字技術之上的模擬技術”，我相信前面的介紹已經多少回答了這個問題：類腦計算就是希望模擬人腦，但是當前還不能在實際問題中看到應用。這里必須澄清：雖然人腦也是分區(qū)分層的，不過我向來反對將深度神經網絡看做類腦計算（brain-like computing），它最多只能算做腦啟發(fā)的計算（brain-inspired computing）。許多年前，我聽過一個有趣的哲學辯論：人類的大腦，是否能夠理解大腦本身？可惜我現在找不到相關材料了。總之，人工智能的范疇很廣，價值也很大。許多我們能夠想到的問題，之前都已經有人做過各種各樣的思維實驗。我強烈建議初學者們，不要僅僅局限在深度學習的框架內，有空可以看看早期各種有趣的故事，至少要搞清楚業(yè)界是怎樣一步步走到深度學習的，這對于形成完整的人工智能世界觀大有裨益。 最后的最后，說到未來，那一定是“道阻且長”，只有保持永恒的探索欲，才有可能突破當前瓶頸，找到新的道路。1.Turing A M. Computing machinery and intelligence[M]//Parsing the turing test. Springer, Dordrecht, 2009: 23-65.2.Brooks R A. Elephants don't play chess[J]. Robotics and autonomous systems, 1990, 6(1-2): 3-15.3.Shortliffe E H, Buchanan B G. A model of inexact reasoning in medicine[J]. Mathematical biosciences, 1975, 23(3-4): 351-379.4.Vapnik V. The nature of statistical learning theory[M]. Springer science & business media, 1999.
聲明：所有內容均只代表作者本人觀點，均有可能被推翻，二次轉載務必連同聲明一起轉載。
