AIR 016丨牛津計算機系主任講的兩個AI研究方法是啥？

對于計算機來說，它在執行任務時需要非常準確的指令，AI目前能做的也只是按照指令來執行，人們在為AI編程的時候，就必須把任務分解成低階、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，牛津大學計算機系教授Michael Wooldridge在演講中說，目前人工智能已經解決了游戲、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，目前學術界主要有兩種方式：神經型AI解決方式和符號型AI解決方式。

▎神經方法AI

神經方法的AI可謂是目前最流行的研究方法，現階段很多單任務人工智能所做的，基本上都是基于“神經網絡”的可深度學習的人工智能，包括前些時間擊敗李世石的Alpha Go也屬于神經型AI。

神經型AI 的特點是，計算機會“鋪開一張網絡”，在網絡中計算所有的可能性，并作出合理的判斷。其優勢在于，只要在算法上進行突破，把神經網絡合理組織，并進行大量的數據訓練，并結合較高的運算能力，就能夠去處理一些復雜的問題。

不過，盡管Alpha Go十分成功，但并沒有實現通用的人工智能，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并不是神經網絡能夠做到的。

▎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系的認識、運行的機制和背景知識的。簡單的神經網絡并不能做到這一點，因為神經網絡的AI缺乏這種知識。除此之外，在文學、藝術的創作和鑒賞上，人工智能都缺乏理解和洞察的能力。

所以，Michael Wooldridge介紹說，在神經網絡和深度學習之外，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？

關于符號方法AI的研究歷史，維基百科上顯示的是：

20世紀50年代，當數字計算機研制成功，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。基于控制論或神經網絡的方法則置于次要。60－70年代的研究者確信符號方法最終可以成功創造強人工智能的機器，同時這也是他們的目標。

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：

認知模擬：經濟學家赫伯特·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，同時他們為人工智能的基本原理打下基礎，如認知科學、運籌學和經營科學。他們的研究團隊使用心理學實驗的結果開發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，計算機科學家約翰·麥卡錫認為機器不需要模擬人類的思想，而應嘗試找到抽象推理和解決問題的本質，不管人們是否使用同樣的算法。他在斯坦福大學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，智能規劃和機器學習。

“反邏輯”: 斯坦福大學的研究者 （如馬文·閔斯基和西摩爾·派普特）發現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雜的概念。

基于知識：大約在1970年出現大容量內存計算機，研究者分別以三個方法開始把知識構造成應用軟件。這場“知識革命”促成專家系統的開發與計劃，這是第一個成功的人工智能軟件形式。“知識革命”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能夠實現跟人類認知水平相差不多的AI。除此之外，很多學者還提出了“子符號方法”、“統計學方法”、“集成方法”等。直到目前為止，都沒有統一的原理或范式指導人工智能研究，在許多問題上研究者都存在爭論。而Michael Wooldridge所說的神經方法AI和符號方法AI，則是目前主流的研究方向，神經方法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：

第一個是轉換能力。比如說在一個復雜的現實當中，怎么把復雜變化簡單的符號，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。

▎還需解決的問題

對于人工智能的研究方法，其中幾個長久以來仍沒有結論的問題是：

是否應從心理或神經方面模擬人工智能?

像鳥類生物學對于航空工程一樣，人類生物學對于人工智能研究是沒有關系的？

智能行為能否用簡單的原則（如邏輯或優化）來描述，還是必須解決大量完全無關的問題？

這些問題解決之后，相信人工智能的發展會有一個明晰的方向。

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。