AIR 016丨牛津計算機系主任講的兩個AI研究方法是啥？

本文作者：趙青暉

2016-08-12 15:13

導(dǎo)語：神經(jīng)方法AI和符號方法AI。

對于計算機來說，它在執(zhí)行任務(wù)時需要非常準(zhǔn)確的指令，AI目前能做的也只是按照指令來執(zhí)行，人們在為AI編程的時候，就必須把任務(wù)分解成低階、簡單的定義的指令，并把人工智能歸納到這種指令上。而目前能解決的問題也有限。

在今天開幕的CCF-GAIR大會上，牛津大學(xué)計算機系教授Michael Wooldridge在演講中說，目前人工智能已經(jīng)解決了游戲、固定程式計算、開車等問題。而像“口語翻譯”這種較難的人工智能研究也在未來很快會被解決，但像“理解一個故事”、“講一個笑話”這種高階的人工智能還沒有被解決。之所以沒有解決，主要是因為目前的AI并不能做到“復(fù)雜推理”、“處理定義不清的問題”、 “對事物做出判斷”以及“對外界環(huán)境的感知”，這些問題如何解決，就涉及到了人工智能研究方法的問題。

Michael Wooldridge在演講中提到：

為了能夠讓人工智能去理解更高階段的信息，目前學(xué)術(shù)界主要有兩種方式：神經(jīng)型AI解決方式和符號型AI解決方式。

▎神經(jīng)方法AI

神經(jīng)方法的AI可謂是目前最流行的研究方法，現(xiàn)階段很多單任務(wù)人工智能所做的，基本上都是基于“神經(jīng)網(wǎng)絡(luò)”的可深度學(xué)習(xí)的人工智能，包括前些時間擊敗李世石的Alpha Go也屬于神經(jīng)型AI。

神經(jīng)型AI 的特點是，計算機會“鋪開一張網(wǎng)絡(luò)”，在網(wǎng)絡(luò)中計算所有的可能性，并作出合理的判斷。其優(yōu)勢在于，只要在算法上進行突破，把神經(jīng)網(wǎng)絡(luò)合理組織，并進行大量的數(shù)據(jù)訓(xùn)練，并結(jié)合較高的運算能力，就能夠去處理一些復(fù)雜的問題。

不過，盡管Alpha Go十分成功，但并沒有實現(xiàn)通用的人工智能，因為阿爾法狗不能去溝通它所使用的策略和技巧，這并不是它不夠智能，只是因為意識理解的AI并不是神經(jīng)網(wǎng)絡(luò)能夠做到的。

▎符號方法AI和其他

要想做到更強的AI，就需要計算機有推理解釋的能力。

Michael Wooldridge在演講中舉了一個簡單的例子：

Bob：“I’m leaving you”
Ann：“Who is she?”

從這段情侶分手的對話中就可以看出，人類對語言是有分析推理能力的，這種推理能力是基于對人類社會關(guān)系的認(rèn)識、運行的機制和背景知識的。簡單的神經(jīng)網(wǎng)絡(luò)并不能做到這一點，因為神經(jīng)網(wǎng)絡(luò)的AI缺乏這種知識。除此之外，在文學(xué)、藝術(shù)的創(chuàng)作和鑒賞上，人工智能都缺乏理解和洞察的能力。

所以，Michael Wooldridge介紹說，在神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)之外，符號方法AI解決方式在理解方面起到了重要作用，然而這個符號方法AI具體是什么呢？

關(guān)于符號方法AI的研究歷史，維基百科上顯示的是：

20世紀(jì)50年代，當(dāng)數(shù)字計算機研制成功，研究者就開始探索人工智能是否能簡化成符號處理。60年代，符號方法在小型證明程序上模擬高級思考有很大的成就。基于控制論或神經(jīng)網(wǎng)絡(luò)的方法則置于次要。60－70年代的研究者確信符號方法最終可以成功創(chuàng)造強人工智能的機器，同時這也是他們的目標(biāo)。

為了進行符號方法的人工智能研究，在早前研究者們就分別用不同方法進行了嘗試：

認(rèn)知模擬：經(jīng)濟學(xué)家赫伯特·西蒙和艾倫·紐厄爾研究人類問題解決能力和嘗試將其形式化，同時他們?yōu)槿斯ぶ悄艿幕驹泶蛳禄A(chǔ)，如認(rèn)知科學(xué)、運籌學(xué)和經(jīng)營科學(xué)。他們的研究團隊使用心理學(xué)實驗的結(jié)果開發(fā)模擬人類解決問題方法的程序。
基于邏輯：不像艾倫·紐厄爾和赫伯特·西蒙，計算機科學(xué)家約翰·麥卡錫認(rèn)為機器不需要模擬人類的思想，而應(yīng)嘗試找到抽象推理和解決問題的本質(zhì)，不管人們是否使用同樣的算法。他在斯坦福大學(xué)的實驗室致力于使用形式化邏輯解決多種問題，包括知識表示，智能規(guī)劃和機器學(xué)習(xí)。
“反邏輯”: 斯坦福大學(xué)的研究者（如馬文·閔斯基和西摩爾·派普特）發(fā)現(xiàn)要解決計算機視覺和自然語言處理的困難問題，需要專門的方案：他們主張不存在簡單和通用原理（如邏輯）能夠達到所有的智能行為。羅杰·單克（Roger Schank）描述他們的“反邏輯”方法為“scruffy”。常識知識庫（如道格拉斯·萊納特的Cyc）就是“scruffy”AI的例子，因為他們必須人工一次編寫一個復(fù)雜的概念。
基于知識：大約在1970年出現(xiàn)大容量內(nèi)存計算機，研究者分別以三個方法開始把知識構(gòu)造成應(yīng)用軟件。這場“知識革命”促成專家系統(tǒng)的開發(fā)與計劃，這是第一個成功的人工智能軟件形式?！爸R革命”同時讓人們意識到許多簡單的人工智能軟件可能需要大量的知識。

以上都是符號方法人工智能的嘗試，簡單的說，符號方法AI能夠?qū)崿F(xiàn)跟人類認(rèn)知水平相差不多的AI。除此之外，很多學(xué)者還提出了“子符號方法”、“統(tǒng)計學(xué)方法”、“集成方法”等。直到目前為止，都沒有統(tǒng)一的原理或范式指導(dǎo)人工智能研究，在許多問題上研究者都存在爭論。而Michael Wooldridge所說的神經(jīng)方法AI和符號方法AI，則是目前主流的研究方向，神經(jīng)方法AI是時下比較時髦主流的，而符號方法AI則并不是十分流行，對此，Michael Wooldridge解釋道：

符號方法AI還是有缺點的，其有非常難的問題還需解決：
第一個是轉(zhuǎn)換能力。比如說在一個復(fù)雜的現(xiàn)實當(dāng)中，怎么把復(fù)雜變化簡單的符號，這個描述用一個簡單的語句來表達是非常難的。
第二個問題你要把這個過程推理出來，把這個推理的過程表述出來，這個目前也是極為困難的。