不久前，一篇題為《AI寒冬將至》的文章火了，引發(fā)AI領(lǐng)域?qū)＜覍W(xué)者、研究人員、學(xué)生甚至吃瓜群眾的大量討論。該文認(rèn)為就像股市會崩盤，AI的寒冬一定會來臨。

那么，被人工智能領(lǐng)衍的許多新技術(shù)所賦能的醫(yī)藥新零售會遵遁同樣的發(fā)展軌跡嗎？剛剛冒出勃勃生機的“未來藥店”未來會走向哪里呢？

最近幾周，我被迫重新思考和總結(jié)我對AI的看法。在《AI寒冬將至》那篇帖子廣為傳播后，很多人通過電子郵件和twitter聯(lián)系我，提出了很多好的建議。因此，我決定以簡潔的方式寫一下我認(rèn)為我們的人工智能方法存在什么問題，以及我們可以解決什么問題。以下是十個要點：

01我們被圖靈對智能的定義所束縛了

圖靈有關(guān)智能構(gòu)想很著名，他將智力限制為一種和人類進(jìn)行語言游戲的解決方案。具體來說，圖靈將智能設(shè)定為：

游戲的解決方案

將人類置于判斷的位置

這個定義非常具有迷惑性，并很適合人工智能領(lǐng)域。狗，猴子，大象，甚至嚙齒類動物都是非常聰明的生物，但它們沒有語言，因此也不可能通過圖靈測試。

02人工智能的核心問題莫拉維克悖論

（Moravec'sparadox）

這個問題在今天要比1988年它剛被提出時要明顯得多，而我們在過去30年里幾乎沒有采取任何行動來解決這個問題，這是令人羞愧的。莫拉維克悖論的核心論點是，現(xiàn)實中最簡單的問題比最復(fù)雜的游戲更難解。

注：如莫拉維克所寫；“要讓電腦如成人般地下棋是相對容易的，但是要讓電腦有如一歲小孩般的感知和行動能力卻是相當(dāng)困難甚至是不可能的。“

我們沉迷于令A(yù)I在游戲中超越人類（以及其他受限且定義明確的話語領(lǐng)域，如數(shù)據(jù)集），將其作為智能的指標(biāo)，作為一種與圖靈測試一致的標(biāo)準(zhǔn)。我們完全忽略這樣一個事實：對智能的最終判斷由現(xiàn)實本身，而不是由一個人類組成的委員會作出。

03我們的模型甚至可能起作用

但往往是出于錯誤的原因

我在其他文章詳細(xì)闡述過這點，深度學(xué)習(xí)就是一個很好的例子。深度學(xué)習(xí)顯然已經(jīng)解決了物體識別問題，但是大量研究表明，深度神經(jīng)網(wǎng)絡(luò)能識別物體的原因與人類能觀察到物體的原因大不相同。

對于用圖靈測試精神欺騙人類的人來說，這可能并不重要。但對于關(guān)注人工智能體處理非預(yù)期（域外）現(xiàn)實的能力的人來說，這是至關(guān)重要的。

04現(xiàn)實不是游戲

就算跟游戲有關(guān)，它也是一個無限的游戲集合，其中的規(guī)則不斷變化。任何時候只要出現(xiàn)了重大發(fā)展，游戲規(guī)則都會要重寫，所有玩家都需要作出調(diào)整，否則就會死亡。

智能是一種機制，它會進(jìn)化以令智能體能夠解決問題。

由于智能是一種輔助我們玩“規(guī)則不斷變化的游戲”的機制，因此作為一種副作用，它能讓我們玩有一套固定規(guī)則的實際游戲也就不足為奇了。但反過來就不成立了：構(gòu)建在玩固定規(guī)則游戲時勝過人類能力的機器，跟構(gòu)建一個能夠玩“規(guī)則不斷變化的游戲”的系統(tǒng)差得遠(yuǎn)了。

05物理現(xiàn)實中有一些規(guī)則是不變的

——即物理定律

我們用語言描述他們，并利用它們來做預(yù)測，從而建立文明。但是為了在這個物理環(huán)境中行動，這個星球上的每一種生物體都掌握了這些定律，并不需要語言。小孩子在學(xué)會牛頓運動定律之前，就知道蘋果會從樹上掉下來。

06我們的視覺統(tǒng)計模型其實是非常不足的

因為它們僅依賴于某一時間的事物和人類指定的抽象標(biāo)簽進(jìn)行識別。深度神經(jīng)網(wǎng)絡(luò)能夠看到數(shù)以百萬計的蘋果掛在樹上的圖像，但永遠(yuǎn)不可能發(fā)現(xiàn)萬有引力定律（以及許多對我們來說很顯然的東西）。

07常識的困難之處在于

它對我們而言是在太顯而易見了

常識實在是太顯而易見了，甚至很難用語言去描述它，進(jìn)而在數(shù)據(jù)中給它打標(biāo)簽。對于所有“顯而易見”的東西，我們存在巨大的盲點。

因此，我們無法教計算機常識，不僅因為這可能不切實際，更根本的原因是我們甚至沒有意識到“常識”是什么。直到我們發(fā)現(xiàn)機器人做了一些很愚蠢的事情，我們才頓悟：“哦，原來它不懂......[這里可以填任何顯而易見的常識]......”。

08解決“莫拉維克的悖論”

如果我們想解決“莫拉維克的悖論”（我認(rèn)為應(yīng)該是當(dāng)今任何嚴(yán)肅的AI工作的焦點），我們就多少需要模仿生物體純粹依靠觀察世界學(xué)習(xí)的能力，而不需要標(biāo)簽。實現(xiàn)這一目標(biāo)的一個有希望的想法是構(gòu)建一個系統(tǒng)，對未來的事件進(jìn)行預(yù)測，并通過將實際的發(fā)展與系統(tǒng)的預(yù)測進(jìn)行比較來學(xué)習(xí)。

大量的實驗表明，這確實是生物大腦中發(fā)生的事情，并且從許多角度來看這樣做都很有意義，因為這些系統(tǒng)必須要學(xué)習(xí)物理定律。預(yù)測視覺模型（predictivevisionmodel）是朝這個方向邁出的一步，但肯定不是最后一步。

09我們迫切需要在圖靈的定義之外

定義“智能”的特征

一個不錯的想法來自非平衡態(tài)熱力學(xué)（non-equilibriumthermodynamics），并與預(yù)測假設(shè)一致。我們需要這樣做，因為我們需要構(gòu)建智能體，這些智能體肯定通不過圖靈測試（因為它們沒有語言智能），但我們需要一個框架來衡量我們的進(jìn)展。

10我們今天所做的幾乎所有稱之為AI的事情

都是可以用語言表達(dá)的某種形式的自動化

在許多領(lǐng)域，這些所謂AI可能有用，但這與用Excel取代紙質(zhì)表格來幫助會計師，實際上沒有什么不同。有問題（并且問題始終存在）的領(lǐng)域是自主（autonomy）。

自主不是自動化（automation）。自主不僅僅意味著自動化。

如果是要求比人類更安全的自主的話，那么它意味著更多，比如說自動駕駛汽車。自主應(yīng)該是廣義智能的同義詞，因為它假設(shè)能夠處理意外的、未經(jīng)訓(xùn)練的，未知的事物。

以上是我想傳達(dá)的核心要點。這些論點有細(xì)微的差別，這就是我寫這篇文章的原因。當(dāng)然，如果你承認(rèn)這些要點，我們的觀念就基本上是一致的?！禔I寒冬將至》那篇文章還有其他許多細(xì)節(jié)受到激烈的辯論，雖然我認(rèn)為這些細(xì)節(jié)不是必要的，但為了完整起見，讓我就其中的一些表達(dá)我的看法：

Q：天生的還是后天習(xí)得的？

A：當(dāng)然，有的生物具有天生的能力，但無疑也有后天學(xué)習(xí)的東西。不過，這是一個與實現(xiàn)（implementation）相關(guān)的問題，我認(rèn)為它沒有明確的答案。在我們未來的發(fā)展中，我確信我們會使用兩者的結(jié)合。

Q：學(xué)習(xí)特征還是人工構(gòu)建的特征？

A：這是一個相關(guān)的問題。我的觀點是，“皮層計算”（corticalcomputation）的絕大部分會被習(xí)得，這是在AI和自主的背景下（但這并不意味著如果它被證明有用，或由于某種原因難以學(xué)習(xí)，我們就不能人工構(gòu)建它）。大腦里還有很大一部分很可能預(yù)置的。

在更具體的自動化應(yīng)用中，這兩種情況都可能會有。在某些情況下，學(xué)習(xí)的特征可能明顯優(yōu)于人工構(gòu)建的特征（這是深度學(xué)習(xí)的賣點所在），但在許多應(yīng)用中，人工精心制作和開發(fā)的特征絕對、毫無疑問優(yōu)于任何學(xué)習(xí)的東西?？偟膩碚f，我認(rèn)為這是一個偽命題。

Q：脈沖，連續(xù)，數(shù)字還是模擬，又或是量子？

A：我對此沒有非常強烈的主張，每一種都有優(yōu)點和缺點。數(shù)字簡單，確定并且易于獲得。模擬很難控制但功耗要低得多。脈沖（spiking）也是，雖然它的額外好處是更接近生物學(xué)，這可能意味著它是更好的解決方案。量子？我不確定是否有強有力的證據(jù)證明量子計算在解決智能問題方面有必要性，盡管我們可能會發(fā)現(xiàn)它是必要的。這些都是“如何做？”（how）的問題，但我的主要興趣還是“是什么？”（what）的問題。