0
編者按：如今世界的變化速度之快，簡直要趕上科幻小說了。 自動駕駛汽車迅速發展，衛星在周圍小行星上尋找鉑金礦，AR 游戲讓死宅們走向公園（抓精靈）……
這些科技究竟能讓未來的我們進入天堂還是跌入地獄，也許取決于我們是否能科技提升全人類的生存質量。而教育領域也是一樣。
在人工智能（AI）領域，也有著這么一家為全人類教育事業著想的企業：Value Spring Technology，簡稱 VST。他們正在發明一個名叫“Ali”的人工智能教師，可以用自然語言來輔導全世界不同年齡段孩子們任何感興趣的話題。而讓他們能夠實現這一終極目標的工具，就是它們開發的 enterpriseMind 平臺。
與其他幾乎所有 AI 都不同的是，這個平臺可以理解語言的內涵并重寫自己的程序，也許真真正正的人工智能將從這里產生。
為了展示 enterpriseMind 平臺和“Ali助教”的潛力，Ali的第一個大項目是幫助輔導 Enterprise in Space 項目的同學們工作，這個項目是將一個3D打印的航天器發射到地球軌道，并完成全世界超過 100 個學生團隊的實驗項目。
在采訪中，VST 公司團隊介紹了 Ali 的工作過程、它與其他已有的 AI 軟件的不同之處、以及它是如何在學生對整個學習生涯進行輔導的。
enterpriseMind 是如何工作的？
1984年，VST公司的創始人兼 enterpriseMind平臺發明人 William Doyle，注冊了他的第一個 AI 軟件專利，用來模仿人類思維活動。
這個AI專利基于一種可以從非結構語句中解碼字句意義的“含義引擎（meaning engine）”，為數據引擎和保險承銷領域編寫軟件。它能收集各個保險公司承銷政策的數據，然后根據數據分析，為公司經營編寫程序。
30 年后，經過幾代 AI 專家及 IBM 工程師的不懈努力，Doyle 的這個 AI 專利成為了enterpriseMind 平臺和 VST 公司的基礎，并最終成為了吸引 IBM Watson 的認知計算系統技術。現在，Watson已經開始發展 AI 認知計算語言，VST 也正在 enterpriseMind 平臺上建造 AI 的自然語言界面。
要理解 Doyle 的 AI 是如何工作的，我們可能需要更多的心理學課程而不是計算機課程，因為 enterpriseMind平臺是基于實際人類認知規則而建立的。
在心理學中，記憶理論模型有兩種方式，程序性記憶和陳述性記憶。
程序性記憶中包含著你如何完成工作的信息。如果你是個數據架構師，程序性記憶會告訴你如何設計一個數據庫。所以，我們的 AI 中存儲有程序性記憶和知識。
另一種記憶是陳述性記憶，它又包括兩種：
情景記憶（比如，生活中的事件——早晨起床、喝咖啡、開電話會議等）
語義記憶，包括單詞概念、句子和故事。
VST 的 AI 如何利用三種基礎意義來理解長故事中的概念含義
Doyle 補充說：“我們認為，認知取決于單詞、句子、故事，以及這些元素相互作用組成程序性知識。我們的人工智能現在可以做一些程序性的事情，比如設計數據庫、編寫軟件代碼。并且，它還可以理解意義、進行記憶，學習并對客戶數據進行分類。”
但是這些是如何編譯到人工智能算法中的呢？雖然 enterpriseMind 是基于人類認知原理設計的，但是畢竟還是要將這些規則在某種程度上轉化成計算機科學。
為了使 AI 像人類一樣思考并完成某項特定的工作， VST 公司為 AI 編寫特定軟件。比如在設計復雜的數據庫時，程序令 AI 按照數據工程師建造數據庫的步驟來進行設計工作，這樣就構成了AI的程序性記憶。
Doyle 說道：“我們通過采訪數據工程師們，了解他們如何工作，比如，如何設計數據庫？如何寫代碼？如何整合兩個數據庫？我們收集了這些信息，并構建出我們對于數據工程師工作的模型。”
圖中為 VST 數據工程師軟件界面，顯示出數據工程師與AI的交互方法
“run”的 129 種含義
接下來更重要的一步是，AI 需要對新遇到的數據做出真實反應。VST 的認知計算軟件可以理解單詞、句子、故事之間的關系，這正是將 VST 的技術與其他人工智能技術區別開來的關鍵所在。
Doyle解釋說：“人們使用的語言本身是模糊的。一個單詞‘run’，看起來非常簡單，卻也有129種不同的含義，單詞‘party’也有9種不同的含義。平均而言，每個英文單詞至少有7種含義。這種模棱兩可常常隱藏在我們這些自然語言使用者口中，因為我們實際上并不會感到含義模糊。人們通過句子、短語等語言單位的意義來消除模糊含義，我們正是基于這一過程來建造 enterpriseMind 平臺。如果不能人為消除模糊語義，就無法實現語言功能。”
當大多數AI還依賴于在內容中尋找關鍵詞，再根據關鍵詞來運行腳本時，enterpriseMind 已經可以推測內容含義了。
這就是為什么當你向Siri提出一個問題時，她一般會推送出與問題關鍵字相關的搜索結果。當問題還是“今天天氣如何？”時，這種策略還行得通，但是當問題更復雜一些時，比如“地球到火星距離多遠？”，這種答案可能就牛頭不對馬嘴了。
與Siri和Google Search不同，VST 的人工智能解釋是，“地球與火星的距離是不固定的，與行星繞太陽的旋轉有關。”
對該問題一般的搜索結果其實并沒有理解“火星”的含義，他們將“火星與地球的距離”視為與“最近的星巴克在哪”一樣的問題。但是我們都知道，火星可不能和星巴克混為一談。
軟件發展部門副主席 Allan Elkowitz 詳細解釋了 VST 技術與市場上其他人工智能的區別：
“我們與其他只是讀取既定腳本的人工智能不同的地方在于，enterpriseMind 能夠理解文字或語言的內在含義。一段語句實際是一個有很多列的結構數據庫，我們可以在機器智能中運行這個數據庫，從而確定每一列的意義。如果你想要合并兩個保險公司，它們分別有一個不同的數據庫，兩庫中對同一事物定義為不同的名字，那么我們可以在兩庫中互譯，然后將它們合成一個數據庫。”
Doyle 用紐約時報一篇討論 1993 年世貿中心爆炸事件的文章舉例。將這篇文章輸入到軟件中，AI 可以通過對每個單詞以及它們與文章關系的檢查，把文章劃分為幾個相關的概念，比如“爆炸嫌疑人”、“襲擊受害者”，然后，AI可以從文中找到“誰是嫌疑人”的答案。
為 AI 載入知識
在AI能夠完成復雜任務，如數據庫建造、保險服務或教育之前，我們必須為程序提供大量相對應的知識。拿保險舉例，該公司的AI明白什么是“保險”、“政策”、“第一時間損失通知”，就VST 團隊所知，enterpriseMind 是唯一一個能實現該功能的技術平臺。
最終，AI 可以寫出自己的軟件程序。換句話說就是可以進行機器學習。當遇到新信息時，平臺可以重寫代碼來適應這些新數據，添加新的規則和例外情況。
有了AI 理解含義用的知識圖書館和可以解碼理解信息的意義引擎，加上自我學習和自寫程序的能力，人工智能在未來就可以自動完成復雜的人類工作，比如處理大量復雜數據，這可以極大地解放數據工程師和保險精算師的計算工作，使得他們更專注于其他重要事務。
目前，VST 的人工智能技術正應用在保險承保和風險分析領域、創造并管理數據模型領域、以及監測和管理基礎設施數據領域。但是想讓 AI 成為助教，VST 還需要為程序加入自然語言界面，以便于老師和學生能與它像人類一樣對話。
教學和語言的動態性
EIS是一個全球在線教育機構，為全世界學生提供免費的前沿領域的教學資源和課程。它正在與VST合作發展人工智能個人助教 Ali，幫助全世界的老師和學生教學與學習。
Doyle指出：“對于像 Ali 這樣的人工智能來說，與人類用自然語言交流的關鍵在于，她需要自己為自己編程。在人類認知中其實并沒有什么魔法，在 Ali 身上也沒有，只是一種不同的編程方式。模仿自主人類的人工智能Ali，在與人類對話時能改變自己的軟件程序，學習知識，擁有情景體驗……總之，在與人類對話和學習中她無法對時間進行預測，她只能為自己寫腳本、寫軟件，編造對話。”
“人類的對話是動態性的，是自發地產生語句，做出判斷和選擇。與其他軟件程序不同，人類沒有固定腳本的對話。這也正是我們發展的人工智能的獨特之處。”
Ali 將通過 IBM Watson 的各種內容分析API應用程序編程接口（如文字到演講、演講到文字、WatsonSPSS 機器學習基礎），來學習自然語言。VST 的合伙人兼 COO Taffy Holliday 說：“這些 API 讓 Ali 變成一個云端助教。我們利用 IBM Watson平臺的工具，在它們的基礎上工作，同時，也將超越它們。我們也與 IBM 工程師合作開發云數據中心，這樣全世界各地的學生都可以連接到 Ali。”
圖中展示了 VST 的意義引擎是如何在 Watson 中將非結構化數據轉換成結構化數據的
Doyle說，大約 80% 的商業分析依賴于非結構化數據的分析
教 Ali 如何當老師
為了實現 enterpriseMind 平臺的教育功能，VST 團隊并不會對原有的數據庫運行模式加以設定，他們將要設定的是老師教學學生學習的模式。
為了將教學過程模式化，EIS教育機構令 Doyle 和他的知識工程師學習了他們精選的全球各種專業名師的10分鐘課程。在學習了不同老師針對不同學生在同一內容的教學后，Doyle 相信，VST 團隊可以做出一個有效的模型，體現出知識的交流過程，以及師生間應有的程序化任務。然后，Ali 可以面向世界，給學生們當老師，在教學過程中繼續學習并不斷改進她的程序。
Elkowitz 把這個過程描述為：“我們吸取老師的教學內容，并將其變成成功的模板。當其他問題提出時（這個問題可能還沒有答案），Ali會遵循這個模板過程進行思考：這里有個問題——問題內容是這樣的——我對此應該知道這些——我應該去哪里尋找答案——我找到了答案——我將答案反饋給學生。”
另外，Ali 還會借助于其他機器學習算法，對用戶的外貌或聲音數據進行處理，從而對提供相應課程。根據不同學生的學習方式，找到最適合的方式來滿足學生需求。
EIS 項目經理 Alice Hoffman 補充道：“對于有殘疾的孩子，Ali 意義重大。Ali 助教會不厭其煩地用不同的方式對殘疾孩子教授同樣的內容，直到他們完全理解。這對于盲人及聾啞人孩子來說，非常適合。”
更好的 AI 思維，只為更好的人類
VST 將與 EIS 一起在未來的幾周內訓練 Ali 成為助教，名師課程的內容也會隨之輸入進程序內來幫助訓練Ali。為了查看Ali是如何處理數據的，VST 團隊在程序中加入了插件，可以顯示出 Ali 的“知識地圖”，通過這個地圖，我們可以直觀地看到 Ali 如何形成單詞和語句。如果工程師發現 Ali 的錯誤，也可以通過地圖來追溯錯誤的來源。
事實上，這個地圖就是對 Ali 大腦的一個監控。如果可能的話，我們也可以將人類的大腦與 Ali 的大腦相比較。Doyle想要利用 fMRIs 技術來對人工智能和人類的大腦進行比較。
加州大學的心理學家 Jack Gallant 曾利用 fMIRs 技術展示出人類在聽取單詞時大腦特定區域的血量增加。Doyle 想做的是，利用 fMRIs 監測老師教學時和學生學習時的大腦血量情況。在理想情況下，這些數據應該能幫助 Ali 建立對單詞、句子、故事更好的認知，讓 Ali 的大腦像真正的人類一樣工作。
如果 Ali 最終取得成功，那么就意味著全世界數以億計的孩子們可以在沒有任何教育基礎設施的環境下擁有一個私人老師。如果2020年前全世界的互聯網真正連成一體時，那么這些學生就可以在圖書館或者只是使用父母的智能手機，就可以和 Ali 一起學習。
當然，非虛擬環境下，Ali 也為學生和老師帶來很多好處。這位“助教”將把老師從無休止的解決問題中解放出來，學生們可以自行選擇喜歡的課程內容，課程深度和教學方式。學生也無需背著重重的課本，在臺燈下苦讀，所有的一切都在 Ali 的程序里面，隨手可得。
via engineering
推薦閱讀：
在線教育初創公司Udacity創始人Sebastian Thrun談人工智能，不會顛覆教育，卻能幫助老師
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
