读人工智能时代与人类未来笔记05现代人工智能

1. 图灵

1.1. 1950年，数学家和逻辑学家艾伦·图灵的论文《计算机与智能》中，图灵建议把机器智能的问题完全搁置

1.2. 图灵认为，重要的不是智能的机制，而是智能的表现

1.2.1. 因为其他生命的内在体验仍然是不可知的，所以我们衡量智力的唯一手段应是其外部行为

1.2.2. 鉴于此，图灵避开了几个世纪以来关于智力本质的哲学争论

1.2.3. 他引入的“模仿游戏”提出，如果一台机器对游戏的操作非常熟练，以至观察者无法区分它和人类的行为，那么该机器就应该被冠以智能之名

2. 图灵测试

2.1. 该测试被证明在评估“智能”机器在确定的、受限的活动（如游戏）中的表现方面很有用

2.2. 该测试并不要求机器与人类完全无法区分，而是只要机器的某项表现类似于人类即可

2.3. 像GPT-3这样的生成器之所以被认定为人工智能，是因为它们生成的文本与人类生成的文本相似，而不是因为它们的模型特征与人相似

2.3.1. GPT-3的特征就是使用大量（在线）信息进行训练

3. 人工智能的演变

3.1. 人类一直梦想能有一个帮手，即一台能够和人类胜任相同工作的机器

3.1.1. 在希腊神话中，火神赫菲斯托斯铸造了能够执行人类任务的机器人，如青铜巨人塔罗斯，它在克里特岛海岸巡逻，保护海岛免受入侵

3.1.2. 17世纪的法国国王路易十四和18世纪的普鲁士腓特烈大帝都对机械自动化颇为着迷，亲自督造了各种原型机

3.2. 人工智能研究的先驱们所做的，就是从早期启蒙运动专注于将世界简化为机械规则，转向构建现实的近似物

3.3. 1956年，计算机科学家约翰·麦卡锡进一步将人工智能定义为“能够执行具有人类智能特征的任务的机器”

3.4. 在过去10年里，计算领域的创新缔造了全新的人工智能，这些人工智能已经开始在某些领域与人类不相上下，甚至超过了人类

3.4.1. 人工智能是不精确的、动态的和新颖的，并且能够“学习”

3.4.2. 人工智能通过消化数据来“学习”，然后根据数据得出结论

3.4.3. 以前的系统需要精确的输入和输出，而具有非精确功能的人工智能不再需要这两者

3.4.4. 这种人工智能还是动态的，因为它会随着环境的变化而进化

3.4.5. 它也是新颖的，因为它能给出对人类来说新奇的解决方案

3.4.6. 是具有革命性的

3.5. 已经让人类经验的架构产生了微妙改变

3.5.1. 人工智能翻译文本的方式不是通过换用单个单词，而是通过识别与使用习惯用语和句式

3.5.2. AlphaZero是通过与自己进行数百万场对弈来提升棋艺的，它也正是在这种自我对弈中探索出自己的棋路模式

3.6. 人工智能很快就将驾驶或协助驾驶各种飞行器翱翔长空

3.6.1. 在美国国防部高级研究计划局(DARPA)的“阿尔法狗斗”(AlphaDogfight)项目中，人工智能战斗机飞行员可以做出超出人类飞行员能力的机动动作，并以此在虚拟空战中胜过人类飞行员

3.6.2. 无论是驾驶战斗机参与空战，还是操纵无人机运送货物，人工智能都将对军用和民用航空的未来产生重大影响

3.7. 即使在现代计算技术出现后，要设计一台机器并使它能够执行有用的活动仍是极其困难的

3.7.1. 世上的许多事物并不是以离散方式组织起来的，也并不容易被还原为简单规则或符号表征

3.7.2. 人们创造实用性人工智能的早期尝试，就是通过规则或事实的集合，以明确方式将人类的专业知识编码到计算机系统中

3.7.3. 在需要使用精确表征的领域，比如国际象棋、代数运算和业务流程自动化，人工智能取得了巨大进展，但在其他领域，比如语言翻译和视觉对象识别，固有的模糊性导致人工智能停滞不前

3.8. 传统的程序可以组织大量的数据并执行复杂的计算，但不能识别简单物体的图像，也无法应付不甚精确的输入

3.8.1. 人类思想的不精确性和概念性被证明是人工智能发展之路上的顽固障碍

3.9. 视觉对象识别领域遇到的挑战暴露了这些早期程序的缺点

3.9.1. 在实践中，形成抽象模型，然后尝试将其与高度可变的输入相匹配的方法，被证明是行不通的

3.9.2. 这些呆板有余而灵活性不足的系统只有在那些可通过编码明确规则来完成任务的领域才能取得些许成功，于是从20世纪80年代末到90年代初，该领域进入了一个被称为“人工智能寒冬”的时期

3.10. 人工智能的核心是执行任务，即研制能够构思和执行复杂问题有效解决方案的机器

3.11. 一种允许机器自主学习的方法

3.11.1. 从试图将人类提炼的见解编码到机器中，变为把学习过程本身委托给机器

3.12. 虽然机器学习可以追溯到20世纪50年代，但只有取得新进展才能使其实际应用成为可能

3.12.1. 在实践中，效果最好的方法是使用神经网络从大型数据集中提取模式

4. 现代人工智能

4.1. 为了使机器学习成为可能，重要的是事物的不同表征之间的重叠，而不是它的理念

4.1.1. 机器学习需要的是维特根斯坦，而不是柏拉图

4.1.2. 机器学习的现代领域，即通过经验学习的程序，终于诞生了

4.2. 21世纪的最初10年，在视觉对象识别领域，当程序员开发出的人工智能通过从一组图像（其中一些包含某物体，一些不包含某物体）中学习来表征该物体的近似值时，此类人工智能识别物体的效率便远远高于其需要编码的“前辈

4.2.1. 观念转变后，随之而来的是重大的进展

4.3. 用于识别Halicin的人工智能展示了机器学习过程的核心地位

4.3.1. 人工智能揭示出的化合物特性与其抗菌能力之间的联系不仅不为人类理解，更重要的是，这些特性本身无法以现有规则表达

4.3.2. 这种人工智能是不精确的，因为它不需要分子特性和效果之间的预定义关系来识别两者的局部关系

4.3.2.1. 这种能力体现了现代人工智能的一个重要元素

4.3.3. 通过用机器学习来创建和调整基于真实世界反馈的模型，现代人工智能就可以对结果进行近似，并分析原本可能阻碍经典算法的模棱两可之处

4.3.4. 以Halicin的发现为例，神经网络捕捉到了分子（输入）及其抑制细菌生长的潜力（输出）之间的关联

4.3.5. 发现Halicin的人工智能在并未掌握化学过程或药物功能的情况下，通过深度学习发现了输入和输出之间的关系

4.4. 神经网络的训练需要大量资源，还需要强大的算力和复杂的算法来对大量数据进行分析和调整

4.4.1. 与人类不同，大多数人工智能不能同时进行训练和执行任务

4.4.2. 它们将工作分为两个步骤：训练和推断结果

4.4.3. 这个网络允许人工智能捕捉各种复杂的连接，包括那些人类无法识别的连接

4.4.3.1. 如今的深层网络通常包含约10个网络层

4.5. 人工智能不像人类理性那样通过推理得出结论，而是运用自己发展的模型得出结论

4.5.1. 现代人工智能算法会衡量结果的质量，并提供改善这些结果的手段，使这些结果能够被学习，而不是直接规定结果