通用人工智能的时代已经来临本文旨在向读者指出通用性A

文章图片
本文旨在向读者指出通用性AI发展面临的许多挑战和误解。短期应用成果应与长远蓝图相得益彰。我们需要渊思寂虑，精进系统研发，从而理解主体感知，并使之实时适应不断变化的环境。
撰文|PatrickHammer（TempleUniversity ， USA）,TonyLofthouse（EvolvingSolutionsLtd.,UK）
翻译|刘凯（渤海大学教育科学学院、渤海大学通用人工智能研究所）
能记忆和推理不同情境信息的个人AI助手总似“呼之欲出” ，但直至鼠年年末，这样的AI助手竟仍未实现。同样，机器学习尽管进展斐然，可一旦离开“人工”协助，自主系统依旧难言“智能”——无法在不同学习中贯通数据并整合模型，以实现经验的跨领域迁移。
若将AI的目标设定为优化函数来解决领域问题，那么我们一直在与日俱进。很多曾被视作难如登天的特定问题（参考文献[1][6][11]），用最优化——尤其是深度神经元网络（DL）的反向传播来解决，已被证实立见成效，且远超人力之际。计算机视觉、机器翻译、语音识别、棋艺博弈、电子竞技等诸多领域焕然如新——人工智能正迅速被全面“驯化” 。
正所谓“莫为风波羡平地，人间处处是危机” ，此类“驯化”的共同缺陷是：学习仅发生在模型部署之前。可事实上，实时学习才是动物获得生存优势的智能展现。相较而言，支撑机器学习的脊檩则是狭隘的学习理念。更深入地看，所有的离线优化（OfflineOptimization）问题，本质上都是基于进化而非个体智慧。例如，假定被植入某种遗传密码，转基因萤火虫就能准确探测特定猎物并成功捕食。这种情况下，萤火虫无需实时学习便可拥有相应技能。类似地，只要预装导航、定位、目标检测（ObjectDetection）等预置功能的模块或经离线优化设定参数，自动驾驶汽车就应该能够即开即走。
时至今日，如何从离线优化转向快速可靠的实时学习，主流人工智能仍未给出令人信服的回答。但这既是对智能本质之叩问，也是人工智能的初心所向。与荒野生存的动物一样，通用人工智能（Artificialgeneralintelligence ， AGI）能够在运行时应对无法预见的情况。快速和可靠的适应力不仅能够推动新一代机器人及个人助手的实践发展，也理应被视为智能理论的那块“核心拼图” 。

文章图片
对“智能”一词的理解万别千差、百口不一，王培为此专门撰写《人工智能定义专论》一文，并刊发于《通用人工智能》（JGAI ， 2019年第10卷）。这篇文章被认为是解决人工智能领域核心历史遗留争议最给力的尝试之一，受邀的同行评议专家多达110位，且广泛来自多所著名大学以及DeepMind、GoogleBrain等知名业界公司。文章标靶为智能的“非主流”定义，即“智能是知识和资源不足情况下，主体对环境的适应能力” 。尽管该定义在另一项对567名人工智能专家的调研中高票获选，但对资源限制和实时适应必要性的质疑之声也同样存在。有些质疑源自人工系统与生物系统的差异，认为后者总是在知识和资源不足的条件下通过演化进行适应，但部署后的AI系统则无需再配备这种能力。
对智能本质的不少误解都为忽视实时学习所致。比如，遗传算法（GA ，参考文献[5]）有时被当做强化学习（RL ，参考文献[12]）的“替身” 。诚然，根据前文所述，遗传算法之于强化学习，正如进化之于智能。但只有当学习发生在海量的代际实例模拟中，上述类比方才成立。而这对自主机器人或动物毫不适用，因为二者都能在单次生命周期内以最快速度适应未知环境。很显然，只要致命事件发生一次，个体学习也就戛然而止。这也正是高度模拟领域（如参考文献[11]）取得了巨大成功却难以“变现”的主要原因。于是，与实时的适应性系统相比，离线优化这位“同学”着实有些志大材疏。