1
編者按：本文由胡祥杰編譯，來自新智元
導讀：哥倫比亞大學工程系的教授、機器創新實驗室主任Hod Lipson認為，Alphago戰勝人類代表了機器學習得到完美的應用，接下來人工智能和機器人領域的最大挑戰是創造具有創造力的機器人，這也是通向自我意識的途徑之一。
我們做的是生物驅動型的項目。我們努力從生物學中學習如何處理問題，我們關注的焦點是一般情況下，人們認為只有自然可以做到的事情。
生物驅動型的項目指的是從自然中學習，然后使用學習到的東西，嘗試去解決最困難的問題。這涉及到所有的領域。這并不是在表面復制自然，它可以在更深層次復制學習過程，比如，學習自然如何使用材料，或者學習自然演進的過程。
我們在做的研究中，我最喜歡的一個主題是：你能不能做出可以自我復制的機器人？自我復制并不是傳統上人與機器的那種關系。比如說，大多數的機器都不能自己從受到的損害中恢復，或者說治愈，或是適應。至少到目前為止，機器還不能從自己的經歷中進行學習。
我們正在研究，我認為是人工智能和機器人領域最大的挑戰，即創造具有創造能力的機器：機器能創造新的東西，機器能有新的創意。
創造力是AI要攻克的最后幾個陣線之一。許多人仍然認為，人類擁有創造事物的能力，所以比機器強。我們正在研究這一問題。
從某種程度上來說，Alphago是AI一個時代結束的標志。從上世紀50年代開始，人們就在用AI玩棋類游戲，而圍棋可能是AI攻克的最后一個棋類游戲。現在，我們可以向著更大和更有挑戰性的東西前進，那就是現實生活。比如，電腦仍然很難學會如何在曼哈頓車水馬龍的十字路口駕駛。顯然，這比圍棋要難得多。
目前的AI非常善于決策，通過對大數據進行處理，進行篩選，從而得到最后的決定。比如，獲得所有的股票市場數據，然后決定“我該買進，或者拋出？”，或者獲得所有攝像頭、雷達和無人駕駛車中的數據，然后決定該直走或者轉彎。這一切都是關于獲取數據然后把這些數據變成決策。
但是另一種的智能是，有新的創意，或者新的需要的時候，從中發散，并創造新的觀點，是一種擴展。
這是一種完全不一樣的AI，它是探究性的。我們把其稱為發散型AI，而不是聚合型的AI。這是我們實驗室在努力的東西。
我覺得對于AI來說，最新的挑戰是創造力。創造新的想法，這是下一個重要的前線。
可以是任何事，比如，設計新的電子電路，或者是設計新的機器人。我們會問諸如“一個AI產品，或者新的機器人跟我們此前見到過的東西有何不同嗎？它具有創造力嗎？”或者“機器人能繪畫嗎？它能創作出我們人類喜歡的音樂嗎？”此類的問題。
我認為，自我意識是機器人最后的難題。我們都在為此奮斗。
一些從事AI研究的人，會有短期的目標，比如“我們能讓機器人下象棋嗎，能下圍棋嗎或者是能開車嗎？”
但是從長遠來看，如果你展望AI最后的戰場，在那你會看見什么？我認為，是創造自我意識。
這幾乎是一個哲學上的問題。正如道士一直希望煉出長生不老藥一樣。但是，我認為，最終，至少對一些人來說，這是智能的最終形式。
幾個世紀以來，哲學家、神學家和心理學家都一直在爭論：“什么是自我意識？”，我認為機器人專家和AI領域的人可以繼續這一討論，并展開一個不一樣的視角。這一視角是更加量化和更加實際的。我們想說的是：“我們并不打算討論什么是自我意識，實際上，我們要創造自我意識。
如果我們可以做到，我想我們最終會理解什么是自我意識。對我來說，這是一個很大的挑戰。對于AI來說， 這也是一個重大的挑戰。
創造力是一個很大的挑戰，但是比它更難的是自我意識。長久以來，在機器人和AI領域，我們有時會稱其為“C”世界，也就是知覺（consciousness）。
我們不會拿出來說。這有點……這對我們來說這有點像個神話。不是大多數人會承認他們在尋找的東西，這是一種榮耀。
我們的團隊就是那些為此努力的隊伍之一，我想，我們正在開始打開自我意識和知覺。我們肯定能做到，但是問題是，我能在有生之年看到嗎？這是大多數人都希望知道的問題。
談到工業，有兩個角度。
一個是簡單的自動化。我們已經看到機器人能夠跟人一起協作。把機器人和自動化引入工廠將變得越來越簡單。過去，你需要有熟練的程序員和昂貴的機器人，以及為機器人定制的工作場所。
理論上講，你可以買到相對便宜的機器人，或者一個成本低于一個普通人年薪的機器人，然后把機器人和工人放在一起，這就保證了安全問題。你可以像教人一樣教機器如何工作。現在，許多這樣的限制已經在消失，我們也在工業中看到了這樣的現象。這些許多都跟AI有關，我想說，大部分都跟AI有關，但是它跟其它方面比較迅速的發展也有關，比如更便宜、更迅速和更加好的硬件。
工業中的另一個方面，也就是被AI摧毀的方面，就是設計。工業和設計通常是攜手并進的。雖然工業對于我們來說更容易看到，但是其背后的設計，也是跟其緊緊相連的。
當AI通過這些新型的創造型AI進入設計領域時，你可以在短時間擴展可以制造的東西，因為AI在設計方面能夠利用一些新的生產方式。
它的發展比我想象的要快。在AI領域，有兩個學派的觀點在政治上和經濟上產生了強烈的碰撞。其中一派是自上而下的，邏輯的編程化研究道路，另一種是機器學習派。
機器學習派說，“忘掉程序機器人吧，忘掉程序AI吧，你只需要讓機器學習，它自然會從數據中自己找到解決問題的方法。另一派則說：”我們要坐下來，寫算法，然后讓程序告訴機器人該做什么。”
長久以來，人類編程都比機器學習好得多。你可以讓機器學習做一些無關緊要的事。但是設計一些大事，一些重要或者困難的事，你可能會要求助于一名專家，讓他或她來編程序。
但是在過去的10年間，也就是從我在TED上發表演講到現在，機器學習優于人類編程的例子開始不斷涌現。
一直以來，人們都在討論無人駕駛汽車，但是在2012年以前，沒人能夠寫出能夠讓機器知道路面情況的程序。沒有人能做到。但是最后，深度學習算法出現，現在機器能辨認并理解它們看到的東西，在這方面甚至比人類還要優秀。這也是為什么我們會在接下來幾年內可以擁有無人駕駛汽車的原因。
我認為機器學習方法得到了完美的應用，并且我們才處在開始階段。這一過程將會得到加速。
在過去的一兩年間，知覺是得到解決的一個大難題之一。計算機是瞎的，它不能理解“看到”的東西。我們有相機，有快速的計算機，有我們需要的一切東西，但是計算機不能理解它們看到的東西。這是一個大的難題。這也就是說，計算機不能在非確定的開放環境中處理問題，只能在工廠、礦井、農田或者相對靜態的場景中工作。但是不能在家中工作、不能駕駛或者在跟人一起外出干活。
現在所有這些難題都被機器學習解決了。我們現在擁有的計算機不僅有“眼睛”，還有“大腦”可以理解看到的東西。這為新的應用打開了許多的大門。我認為這在過去是一個很大的阻礙。
這就是我為什么一直在這方面努力的原因。我想這是一種能力，不僅是分析和理解看到的事物，還有創造和想象的能力。最終，這是一個通往自我意識的道路。
Hod Lipson 最喜歡的機器人PIX18畫的油畫。圖片來源：singularityhub.com
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。
