论文部分内容阅读
智能机器人“沃森”将人类描述为“危险”，我们究竟同一个能够“思考”的计算机有多相似?
在40年前的12月，尼克松总统宣布向癌症发起挑战，提出“举全国之力”战胜这种疾病。50年前的春天，肯尼迪总统发动了一场空间竞赛，承诺在20世纪50年代结束之前将人类安全送上月球。54年前，人工智能先驱赫伯特-西蒙宣布“世界上已经存在能够思考的机器”，并预测，十年之内计算机将战胜人类成为国际象棋世界冠军。
那么，这些壮举进展如何呢?众所周知，尼尔·阿姆斯特朗在1969年按计划跨出了人类的那一大步，1970年代中期，宇航员们在月球上行走和驾驶月球车的画面已经不再新鲜，人们甚至在看到这些画面时便不耐烦地开始换台，转入棒球比赛的频道。但是在门外汉看来，人们对于癌症和人工智能所做的努力似乎失败了，目前还没有突破性的进展能够治愈癌症或是给大家一个明确的答案。自战胜国际象棋大师的计算机“深蓝”出现以来，人工智能已经取得了长足发展。可以不具个性进行思考的机器，似乎成为了可能。
但是真实的情况却更为复杂。一方面，阿波罗计划的确是一次巨大的成功，但它同时也标志着进步的结束——1975年以来，没有人能到达距离地球400英里(约644公里)以外的地方。同时，抗击癌症的战斗取得了稳步的进展。在过去20年中，男性和女性的死亡率分别降低了21％和12％，这要归功于对几十种不同的癌症尤其是淋巴瘤、白血病和睾丸癌的诊断筛查准确率的提高、吸烟率降低以及具体治疗方法的结合。那些希望能够得到一个单纯“治愈”方法的人感到很失望，因为癌症并不是一个单一的问题，而是很多相互关联的问题组合而成的复杂情况，对此，我们还需不断进步。
人工智能的成就
事实证明，人工智能的发展更类似于癌症研究而非登月发射。我们并没有《太空漫游》中的HAL 9000、《星球大战》中的C-3PO、《星际旅行》中的Commander Data或其他电影中出现的机器人，但是，人工智能技术每天都要在我们的生活中多次出现，它每年为经济作出几千亿美元的贡献，并且正在不断取得稳步进展。这种技术更多地出现在幕后，通过以下各种形式发挥作用。
使用人工智能学习与分类技术的垃圾邮件过滤程序，能够将每天发送的2000亿垃圾邮件中的99.9％鉴别出来。
安卓智能手机能够识别语音并将其转换成文字，即使说话带有口音，或背后有鸣笛车辆的干扰，都不受到影响。
人工智能国际象棋程序能够以人类顶级冠军的水平比赛(在赫伯特·西蒙作出预测后的40年击败了世界冠军，而非10年)。IBM的“沃森”(Watson)计算机已经开始急切地挑战《危险边缘》节目的人类冠军。在西洋棋领域，一个人工智能程序达到了巅峰——它能够毫不出错地比赛，还首次证明，如果西洋棋比赛双方都能正确出棋，那么结果将永远都是平局。
凭借谷歌的机器翻译系统，用58种语言的任意一种输入(或说出)一句话，就能看到(或听到)目标语言的翻译。此项工程中的自动学习技术使得添加新语言仅仅需要两个星期的工作量，而此前，这项工作要耗费20年的时间。
微软的Kinect能够识别人类动作与手势，其准确程度之高以至于不再需要视频游戏控制器进行操作了。
谷歌的自动驾驶汽车在蜿蜒的公路与城市道路上连续行驶了1000英里(约1609公里)，其间人类驾驶员没有进行一次干预。但是，自动行驶的交通工具根本不是什么新鲜事——无人驾驶飞机早在过去十年中就用在了战场之上，并且，现代航空公司的自动驾驶仪可以从起飞到降落完美地操控一架飞机。
人工智能系统能够批准信用卡交易、保险申请与理赔以及贷款申请，同时能够检测欺诈并计算风险；它们能够接通几十亿个电话和互联网连接，同时缓解拥堵并检测可疑行为；它们能够比人类更好地进行股票交易(不幸的是2008年我们发现这并不是一个很高的标准)。
人工智能的启示
其实人工智能已经在不知不觉中融入了人们日常的生活，在取得这些成就的同时，人工智能界认识到了几件令人吃惊的事情。
第一，我们曾经以为很困难的事情实际上要简单得多。早期的人工智能研究专注于完成看起来很困难的智力任务，如进行大师级国际象棋比赛，或通过积分学证明定理。但是，人们慢慢发现，这些逻辑思维的例子其实对于计算机来说复制起来并不难；所需要的仅仅是几条定义明确的规则和强大的计算能力。相反，那些我们最初认为很简单的任务实际上却很难。一名幼儿(或一条狗)只需看一眼就能够区分几百个对象(球、瓶子、毯子、母亲等)，但是事实证明，建立一个能够达到这种水平的计算机视觉系统是十分困难的。
第二，处理不确定因素其实比进行严密的逻辑思维更为重要。我们针对一个问题想出一个聪明的论证或解决方法，包含一系列无可辩驳的逻辑步骤，并且在有人想出这样一个次序之后感到震动。但是，这正是计算机也能做得很好的事情。困难的地方在于处理不确定性，以及在众多可能性中选择一个正确答案。人工智能的基本工具在1980年代后期从逻辑(Logic)转向了可能性(Probability)，而不确定推理理论的根本进展为近期很多实际进步打下了基础。
第三，学习实际上比了解更重要。在20世纪60、70年代，很多人工智能程序被称为“专家系统”，意思是它们都是通过采访各领域的专家而建立，并将他们的知识编码成计算机可以理解的逻辑规则。这种方法被证明并不可靠，原因有以下几点：首先，专家的来源十分稀少，并且采访他们极为耗时。其次，有时候专家的专业技能十分娴熟，但是对于如何实现却并不一定能够解释清楚。最后，通过这种方法建立的系统经常无法处理超出采访中专家预料范围的情况。
第四，当前的系统更多是根据例证而非逻辑规则来建立的。给计算机大量实例展示以前出现的问题是什么样子的：给出能够描述初始状况的特征、所使用的解决方法的描述以及评价这种解决方
法的得分。据此，计算机算法就能认识到在相似情况下该如何运作(有时是在不那么相似的情况下)。这种重心的转换十分重要，因为这种方法更为稳固，同时也因为在当今的网络世界收集大量例证远比采访一位专家要简单得多。
第五，研究重点从取代人类转换为提升人类的水平。在今天，计算机随处可见，这时思考如何让计算机协助人类工作而不是取代人类变得更有意义。这就意味着，人类与计算机可以各自专注于自己擅长的领域。一个优秀的例子就是网页搜索引擎，它使用人工智能(以及其他技术)从几十亿个网页中分拣信息，帮用户找出与其搜索项最为相关的网页。这项工作人工智能比任何人都做得迅速且富有成效。但是，搜索引擎仍 然依赖人类做出最终的判断：点击哪些链接以及如何解读搜索结果页。
第六，人类与机器合作起来比任何一方单独工作都更为强大。正如导弹之父维尔纳·冯·布劳恩在回答应该选用什么样的计算机执行未来空间任务时所说的，“人就是我们能够给航天器装备的最好的计算机，也是唯一通过非技术性活动就能大批量生产的。”没有必要让机器取代人类；相反，我们应该想想什么工具能够帮助人类更加富有成效。
人类与机器的合作
机器是冰冷的，只有将人类的智慧结合到其中，才能创造出“奇迹”。通过一个例子——一种语言到另一种语言的自动翻译(例如：英语到法语)——让我们来看看人类是如何与机器完美结合到一起的。
在1960年代，语言学家诺姆·乔姆斯基准确地指出，英语短语的数量是无穷无尽的，例如“big deal”(重大的事情)、“really big deal”(非常重大的事情)、“ready，really big deal”(非常、非常重大的事情)，等等。因此，语言无法描述为有限的范例，但是可以描述为一系列规则，称为语法。接下来的20年时间里，人们努力试图清晰地描述出这些规则，但是事实证明这种探索是难以实现的。语言十分模糊，其意义取决于交流背景，由一系列将语法与非语法严格划分的明确规则所限定。
1991年左右，IBM的研究人员使用了一种1949年最初提出过的方法：通过查找字母和词语出现的频率并寻找特定的模式，像二战中密码学家破解密码那样寻找翻译的方法。这种方法显然将宏大的语言过于简单化了，注定只能是一个不完整的理论模型。但是，这种方法后来却成为了一个很好的实用模型。使用1949年的原始计算机它还不可行，但是有了现代的计算能力和网络上丰富的语言范例，这种方法被证实为是已知的最好的技术。
下面说明它的工作方法。首先收集译入文本的范例。例如，我办公桌上的一本产品手册在“英文”标题下写着短语“Installation：Additional instructionsand troubleshooting assistance”(安装：额外说明与问题排除帮助)，在“法语”标题下写着“Installation：Instructionssupple mentaires et assistantede parmage”。要收集几百万个这样的短语对。如果有人需要翻译我们已经见到过的短语，计算机即可查找出来。由于有几百万个已知短语，这个过程要花费一些时间。
但是，总是会出现我们从来没有见到过的新句子。对于这些句子，我们就必须将其分解成我们已知的不同短语，再将它们的翻译组合起来。例如，当需要把“I need additional instructions”(我需要额外说明)翻译为法语时，计算机就会意识到之前已经见过“additional instructions”这一短语，然后就会给出相应的翻译“instructionssuppl e mentalres”。它还会意识到，在其他短语对中也见到过“I need”，有时翻译为“J’ai besoin d”，有时是“J’aibesoin de”，等等。此外，它还能注意到在所有的法语范例中，“d’instructions”要比“de instructions”更为常用。于是，将所有这些片段组合起来，我们就得出了翻译“J’ai besoin d’inskructionssupple mentaires”。
整个过程都依赖统计数据：依赖于我们所见过的范例的数量。并不存在明确的语法规则，但是系统仍然能够做出母语人士所熟知的语法上的判断，正是这些母语人士创造了所有的范例短语。
这种方法可能看起来过于简单化，它只是数一下曾经见到过的不同词语组台出现的频率。当然，在真正的系统中，在这个简单的框架上要有相当多的附加成分，但是它的基本原则还是依赖于范例。关键是在某一点上，例证的绝对数量超出了一定的界限，系统从表现糟糕变得十分优秀。这与儿童学习语言的方式有关。在两种情况下都涉及到了学习，但是人脑的学习机制还没能够完全了解，因此二者的类比也只能到此为止。不过，谷歌工程师团队能够建立一个可以处理58种语言的翻译系统，尽管有的语言在开发团队中并没有人能懂。
相比依赖巧妙编制的规则，这种依赖范例，即依赖大量数据的方法在现代人工智能领域中十分普遍。它已被应用至相关的领域如语音识别，也应用到了十分不同的问题上，如机器人导航。IBM的“沃森”系统同样依赖于大量数据，这些数据分布在上百台计算机上，以及一个从多个渠道组合例证的复杂机制。
人工智能的未来
我们当前的这个时代是人工智能发展的极佳时期，因为近期计算机硬件的发展使人们可以处理许多以前由于价格昂贵而不敢问津的问题。此外，无线网络与蜂窝数据网络高速发展，这意味着这些令人激动的全新应用程序将不再只禁锢于研究实验室，它们可以成为网络上为所有人所享用的服务。
现在，人们可以使用手机实时进行翻译，进行一个过去不可能实现的对话。今后，我们将看到越来越多更强大且更智能的计算机应用程序为公众服务。
所有这些将朝着什么样的方向发展?有一天计算机能够真正的思考吗?很多计算机科学家会说这个问题提得并不恰当，因此任何答案都不会有太大意义。毕竟，说英语的人已经普遍同意“飞机会飞”这一表达，在这里我们使用的动词“飞”从前仅限于描述鸟类，而不会用于描述机器，而我们也都普遍同意“潜水艇的行动方式不是游泳”。然而，这些仅仅是语言使用领域的情况，并不涉及航空学或水下工程(事实上，俄语中的确会说潜水艇的行动方式是游泳)。
计算机的能力将会不断增强，而我们会找到同它们相处的方式：将它们作为工具、顾问、工人、宠物、伴侣抑或其他角色。但是，我们用来描述机器的词语，包括是否使用“思考”一词，却更多地取决于我们看待自己的方式而非机器实际所拥有的能力。
在40年前的12月，尼克松总统宣布向癌症发起挑战，提出“举全国之力”战胜这种疾病。50年前的春天，肯尼迪总统发动了一场空间竞赛，承诺在20世纪50年代结束之前将人类安全送上月球。54年前，人工智能先驱赫伯特-西蒙宣布“世界上已经存在能够思考的机器”，并预测，十年之内计算机将战胜人类成为国际象棋世界冠军。
那么，这些壮举进展如何呢?众所周知，尼尔·阿姆斯特朗在1969年按计划跨出了人类的那一大步，1970年代中期，宇航员们在月球上行走和驾驶月球车的画面已经不再新鲜，人们甚至在看到这些画面时便不耐烦地开始换台，转入棒球比赛的频道。但是在门外汉看来，人们对于癌症和人工智能所做的努力似乎失败了，目前还没有突破性的进展能够治愈癌症或是给大家一个明确的答案。自战胜国际象棋大师的计算机“深蓝”出现以来，人工智能已经取得了长足发展。可以不具个性进行思考的机器，似乎成为了可能。
但是真实的情况却更为复杂。一方面，阿波罗计划的确是一次巨大的成功，但它同时也标志着进步的结束——1975年以来，没有人能到达距离地球400英里(约644公里)以外的地方。同时，抗击癌症的战斗取得了稳步的进展。在过去20年中，男性和女性的死亡率分别降低了21％和12％，这要归功于对几十种不同的癌症尤其是淋巴瘤、白血病和睾丸癌的诊断筛查准确率的提高、吸烟率降低以及具体治疗方法的结合。那些希望能够得到一个单纯“治愈”方法的人感到很失望，因为癌症并不是一个单一的问题，而是很多相互关联的问题组合而成的复杂情况，对此，我们还需不断进步。
人工智能的成就
事实证明，人工智能的发展更类似于癌症研究而非登月发射。我们并没有《太空漫游》中的HAL 9000、《星球大战》中的C-3PO、《星际旅行》中的Commander Data或其他电影中出现的机器人，但是，人工智能技术每天都要在我们的生活中多次出现，它每年为经济作出几千亿美元的贡献，并且正在不断取得稳步进展。这种技术更多地出现在幕后，通过以下各种形式发挥作用。
使用人工智能学习与分类技术的垃圾邮件过滤程序，能够将每天发送的2000亿垃圾邮件中的99.9％鉴别出来。
安卓智能手机能够识别语音并将其转换成文字，即使说话带有口音，或背后有鸣笛车辆的干扰，都不受到影响。
人工智能国际象棋程序能够以人类顶级冠军的水平比赛(在赫伯特·西蒙作出预测后的40年击败了世界冠军，而非10年)。IBM的“沃森”(Watson)计算机已经开始急切地挑战《危险边缘》节目的人类冠军。在西洋棋领域，一个人工智能程序达到了巅峰——它能够毫不出错地比赛，还首次证明，如果西洋棋比赛双方都能正确出棋，那么结果将永远都是平局。
凭借谷歌的机器翻译系统，用58种语言的任意一种输入(或说出)一句话，就能看到(或听到)目标语言的翻译。此项工程中的自动学习技术使得添加新语言仅仅需要两个星期的工作量，而此前，这项工作要耗费20年的时间。
微软的Kinect能够识别人类动作与手势，其准确程度之高以至于不再需要视频游戏控制器进行操作了。
谷歌的自动驾驶汽车在蜿蜒的公路与城市道路上连续行驶了1000英里(约1609公里)，其间人类驾驶员没有进行一次干预。但是，自动行驶的交通工具根本不是什么新鲜事——无人驾驶飞机早在过去十年中就用在了战场之上，并且，现代航空公司的自动驾驶仪可以从起飞到降落完美地操控一架飞机。
人工智能系统能够批准信用卡交易、保险申请与理赔以及贷款申请，同时能够检测欺诈并计算风险；它们能够接通几十亿个电话和互联网连接，同时缓解拥堵并检测可疑行为；它们能够比人类更好地进行股票交易(不幸的是2008年我们发现这并不是一个很高的标准)。
人工智能的启示
其实人工智能已经在不知不觉中融入了人们日常的生活，在取得这些成就的同时，人工智能界认识到了几件令人吃惊的事情。
第一，我们曾经以为很困难的事情实际上要简单得多。早期的人工智能研究专注于完成看起来很困难的智力任务，如进行大师级国际象棋比赛，或通过积分学证明定理。但是，人们慢慢发现，这些逻辑思维的例子其实对于计算机来说复制起来并不难；所需要的仅仅是几条定义明确的规则和强大的计算能力。相反，那些我们最初认为很简单的任务实际上却很难。一名幼儿(或一条狗)只需看一眼就能够区分几百个对象(球、瓶子、毯子、母亲等)，但是事实证明，建立一个能够达到这种水平的计算机视觉系统是十分困难的。
第二，处理不确定因素其实比进行严密的逻辑思维更为重要。我们针对一个问题想出一个聪明的论证或解决方法，包含一系列无可辩驳的逻辑步骤，并且在有人想出这样一个次序之后感到震动。但是，这正是计算机也能做得很好的事情。困难的地方在于处理不确定性，以及在众多可能性中选择一个正确答案。人工智能的基本工具在1980年代后期从逻辑(Logic)转向了可能性(Probability)，而不确定推理理论的根本进展为近期很多实际进步打下了基础。
第三，学习实际上比了解更重要。在20世纪60、70年代，很多人工智能程序被称为“专家系统”，意思是它们都是通过采访各领域的专家而建立，并将他们的知识编码成计算机可以理解的逻辑规则。这种方法被证明并不可靠，原因有以下几点：首先，专家的来源十分稀少，并且采访他们极为耗时。其次，有时候专家的专业技能十分娴熟，但是对于如何实现却并不一定能够解释清楚。最后，通过这种方法建立的系统经常无法处理超出采访中专家预料范围的情况。
第四，当前的系统更多是根据例证而非逻辑规则来建立的。给计算机大量实例展示以前出现的问题是什么样子的：给出能够描述初始状况的特征、所使用的解决方法的描述以及评价这种解决方
法的得分。据此，计算机算法就能认识到在相似情况下该如何运作(有时是在不那么相似的情况下)。这种重心的转换十分重要，因为这种方法更为稳固，同时也因为在当今的网络世界收集大量例证远比采访一位专家要简单得多。
第五，研究重点从取代人类转换为提升人类的水平。在今天，计算机随处可见，这时思考如何让计算机协助人类工作而不是取代人类变得更有意义。这就意味着，人类与计算机可以各自专注于自己擅长的领域。一个优秀的例子就是网页搜索引擎，它使用人工智能(以及其他技术)从几十亿个网页中分拣信息，帮用户找出与其搜索项最为相关的网页。这项工作人工智能比任何人都做得迅速且富有成效。但是，搜索引擎仍 然依赖人类做出最终的判断：点击哪些链接以及如何解读搜索结果页。
第六，人类与机器合作起来比任何一方单独工作都更为强大。正如导弹之父维尔纳·冯·布劳恩在回答应该选用什么样的计算机执行未来空间任务时所说的，“人就是我们能够给航天器装备的最好的计算机，也是唯一通过非技术性活动就能大批量生产的。”没有必要让机器取代人类；相反，我们应该想想什么工具能够帮助人类更加富有成效。
人类与机器的合作
机器是冰冷的，只有将人类的智慧结合到其中，才能创造出“奇迹”。通过一个例子——一种语言到另一种语言的自动翻译(例如：英语到法语)——让我们来看看人类是如何与机器完美结合到一起的。
在1960年代，语言学家诺姆·乔姆斯基准确地指出，英语短语的数量是无穷无尽的，例如“big deal”(重大的事情)、“really big deal”(非常重大的事情)、“ready，really big deal”(非常、非常重大的事情)，等等。因此，语言无法描述为有限的范例，但是可以描述为一系列规则，称为语法。接下来的20年时间里，人们努力试图清晰地描述出这些规则，但是事实证明这种探索是难以实现的。语言十分模糊，其意义取决于交流背景，由一系列将语法与非语法严格划分的明确规则所限定。
1991年左右，IBM的研究人员使用了一种1949年最初提出过的方法：通过查找字母和词语出现的频率并寻找特定的模式，像二战中密码学家破解密码那样寻找翻译的方法。这种方法显然将宏大的语言过于简单化了，注定只能是一个不完整的理论模型。但是，这种方法后来却成为了一个很好的实用模型。使用1949年的原始计算机它还不可行，但是有了现代的计算能力和网络上丰富的语言范例，这种方法被证实为是已知的最好的技术。
下面说明它的工作方法。首先收集译入文本的范例。例如，我办公桌上的一本产品手册在“英文”标题下写着短语“Installation：Additional instructionsand troubleshooting assistance”(安装：额外说明与问题排除帮助)，在“法语”标题下写着“Installation：Instructionssupple mentaires et assistantede parmage”。要收集几百万个这样的短语对。如果有人需要翻译我们已经见到过的短语，计算机即可查找出来。由于有几百万个已知短语，这个过程要花费一些时间。
但是，总是会出现我们从来没有见到过的新句子。对于这些句子，我们就必须将其分解成我们已知的不同短语，再将它们的翻译组合起来。例如，当需要把“I need additional instructions”(我需要额外说明)翻译为法语时，计算机就会意识到之前已经见过“additional instructions”这一短语，然后就会给出相应的翻译“instructionssuppl e mentalres”。它还会意识到，在其他短语对中也见到过“I need”，有时翻译为“J’ai besoin d”，有时是“J’aibesoin de”，等等。此外，它还能注意到在所有的法语范例中，“d’instructions”要比“de instructions”更为常用。于是，将所有这些片段组合起来，我们就得出了翻译“J’ai besoin d’inskructionssupple mentaires”。
整个过程都依赖统计数据：依赖于我们所见过的范例的数量。并不存在明确的语法规则，但是系统仍然能够做出母语人士所熟知的语法上的判断，正是这些母语人士创造了所有的范例短语。
这种方法可能看起来过于简单化，它只是数一下曾经见到过的不同词语组台出现的频率。当然，在真正的系统中，在这个简单的框架上要有相当多的附加成分，但是它的基本原则还是依赖于范例。关键是在某一点上，例证的绝对数量超出了一定的界限，系统从表现糟糕变得十分优秀。这与儿童学习语言的方式有关。在两种情况下都涉及到了学习，但是人脑的学习机制还没能够完全了解，因此二者的类比也只能到此为止。不过，谷歌工程师团队能够建立一个可以处理58种语言的翻译系统，尽管有的语言在开发团队中并没有人能懂。
相比依赖巧妙编制的规则，这种依赖范例，即依赖大量数据的方法在现代人工智能领域中十分普遍。它已被应用至相关的领域如语音识别，也应用到了十分不同的问题上，如机器人导航。IBM的“沃森”系统同样依赖于大量数据，这些数据分布在上百台计算机上，以及一个从多个渠道组合例证的复杂机制。
人工智能的未来
我们当前的这个时代是人工智能发展的极佳时期，因为近期计算机硬件的发展使人们可以处理许多以前由于价格昂贵而不敢问津的问题。此外，无线网络与蜂窝数据网络高速发展，这意味着这些令人激动的全新应用程序将不再只禁锢于研究实验室，它们可以成为网络上为所有人所享用的服务。
现在，人们可以使用手机实时进行翻译，进行一个过去不可能实现的对话。今后，我们将看到越来越多更强大且更智能的计算机应用程序为公众服务。
所有这些将朝着什么样的方向发展?有一天计算机能够真正的思考吗?很多计算机科学家会说这个问题提得并不恰当，因此任何答案都不会有太大意义。毕竟，说英语的人已经普遍同意“飞机会飞”这一表达，在这里我们使用的动词“飞”从前仅限于描述鸟类，而不会用于描述机器，而我们也都普遍同意“潜水艇的行动方式不是游泳”。然而，这些仅仅是语言使用领域的情况，并不涉及航空学或水下工程(事实上，俄语中的确会说潜水艇的行动方式是游泳)。
计算机的能力将会不断增强，而我们会找到同它们相处的方式：将它们作为工具、顾问、工人、宠物、伴侣抑或其他角色。但是，我们用来描述机器的词语，包括是否使用“思考”一词，却更多地取决于我们看待自己的方式而非机器实际所拥有的能力。