人工智能极简史，以及它为何正朝着错误的方向前进

由哈里森 · 2016年1月29日

Churchill先生经常将第二次世界大战比作「精灵战争」，无论是同盟国和轴心国都希望在电子信息中获得优势，从而能够赢得战场上的主动权。许多技术也是在这段时间诞生的，其中之一便是破译编码消息。能够完成这项使命的装置成为了现代计算机的前身。1946年，美国军方开发了电子数字积分计算机（ENIAC），ENIAC使用了超过17000个真空管，其计算能力要比之前的电子—机械计算机快几个数量级。而真正让科学家兴奋的是它是可编程的。也正是这种可编程计算机，激发了人工智能（AI）的概念。

随着时间的推移，计算机变得越来越小，速度也越来越快。半导体晶体管的发明使得微处理器开始诞生，从而大大加速了电脑编程的发展。人工智能逐渐开始变成主流，专家们也开始纷纷宣称，计算机智能将会很快超过我们人类。一些程序例如ELIZA和Blocks World让公众非常着迷，同时也开始让人们感觉到，在未来当电脑变得更加快速的时候，它们或许可以像人类一样思考。

神经网络

20世纪80年代，当人工智能日薄西山之时，很多神经网络的研究人员获得很了更多急需的资助。神经网络诞生于20世纪60年代，但是却受到了人工智能研究人员的压制。由于资源匮乏，并没有多少研究投入到神经网络，直到人们发现人工智能并不像炒作的那么完美。和电脑（这是早期人工智能的基础）不同，神经网络并没有处理器或者中心位置来储存内存。

深蓝计算机

神经网络和计算机的编程方式也不一样。它们的连接方式使得它们有能力学习输入的信息。通过这种方式，它们更像是哺乳动物的大脑。毕竟，人类的大脑看起来就像是很多神经元相互连接而形成的具体模式。神经网络和大脑的这种相似性使得它们获得了那些对基于计算机的人工智能失望的人们的注意。

在20世纪80年中期，一家名叫NETtalk的公司建立了一个神经网络，它具有学习阅读的能力（至少从表面上看是这样）。它们可以通过学习字母的图样来讲话。一段时间之后，它已经学会了阅读单词。NETtalk被认为是人类创造力的一次胜利，成为了世界各地的头条新闻。但是从工程的角度出发，该神经网络的工作其实一点都不复杂。事实上它并没有理解任何东西。它只是将图样和声音进行匹配。然而，它确实是通过学习获得的，而这对于以人工智能为基础的电脑来说却要困难很多。最终，神经网络遭遇了和人工智能一样的命运——有很多的设想和兴趣，但是当它不能满足人们的期望的时候，便逐渐退去。

新世纪

进入21世纪前夕，我们看到了人工智能领域的些许变化。1997年，IBM的「深蓝」计算机在一系列的国际象棋比赛中击败了Garry Kasparov，从而成为了头条新闻。但是深蓝并不是因为聪明而赢，它赢仅仅是因为它更快。深蓝并不能理解象棋，就像计算器并不理解数学一样。

现代社会中也有很多相同的方式来利用人工智能。谷歌使用神经网络和一种分层结构相结合，获得了很多有趣的发现，其中包括一个名为Inceptionism的程序。神经网络非常有前途，但是它并没有显示出通往人工智能的清晰路径。

Google的Inceptionism

IBM的Waston则有可能成为该领域的顶级玩家。我们可以认为Waston非常聪明，但除此之外并无更多。通过快速搜索万亿字节的信息，Waston可以从中获得想要的答案。但是它也不能理解其实际内容。

人们可以说，过去的这些年创造人工智能的过程已经影响了我们如何定义它，甚至直到今天也是。虽然我们都同意「人工」的含义，但对「智能」却有很多困惑。看看过去对于智能的定义或许可以让我们明白我们是如何失败的。

阿兰·图灵和中文屋

阿兰·图灵是现代计算机之父，他开发了一个简单的测试，来验证一台电脑是否智能，即「图灵测试」：如果电脑和人类交谈的时候让人类觉得他是在和另一个人类交谈，那么我们就可以说电脑能模仿人类，从而可以说它拥有智能。前面提到的ELIZA程序在该测试中成功愚弄了很多人。图灵的这种定义是以行为为基础的，多年来一直被人们接受。直到1980年，当John Searle提出了中文屋论证，这一切才开始改变。

让我们想象一下，当一个讲英语的人被锁在了一个房间里，房间中有一个桌子，桌子上面有一大本书。该书是用英语书写的，同时也有关于如何操作汉语字符的指导。他并不知道它们的意思，但是他可以读懂这些指导。然后，有人在门下放了一张纸，这张纸上是用汉语写的一个故事和关于这个故事的问题。这个人并不理解这些单词，但是可以使用这本书来查找这些汉语字符。他可以通过这本书来回答所有的问题，然后将这张纸放回到门口。在门的另一边，讲汉语的人阅读这些答案，然后决定其是否正确。随后她会决定在房间中的人是否懂汉语。很显然，我们知道房间里的人并不懂汉语。那么这个实验的关键点是什么？

这个房间里的人就是处理器，而这个房间就是一个程序，门下面的字条就是输入。处理器将程序应用到输入上，然后产生一个输出。这个简单的思想实验表明，电脑将永远不会理解智能，因为它永远不知道究竟发生了什么，它只是遵循指导而已。真正有智能的是这本书的作者或者编程序的人，而不是房间里的这个人或者处理器。

智能的新定义

所有在追求人工智能的人都在寻找符合人工智能定义的行为。但是John Searle已经告诉我们电脑虽然可以产生智能行为，但是也并不是智能的。如果这个房间里的人或者处理器并不理解发生了什么，那它如何才能是智能的？

上面所有的讨论都清晰地区分了行为和理解之间的区别。智能并不能简单地通过行为来定义。行为只是智能的一种表现形式，仅此而已。想象一下你躺在一个黑暗房间中，你可以思考，因此你是智能的，但是你并不产生任何行为。

智能应该定义为理解能力。《On Intelligence》作者Jeff Hawkins认为通过预测行为可以实现这一点。他将之称为「存储预测框架」（Memory Prediction Framework）。想象这样一个系统：它会不断地尝试预测接下来要发生的事情。当一项预测成功了，这个功能就是合理的；如果预测失败，那么就将重点聚焦在失败的地方，直到其能预测成功为止。例如，当你坐在办公桌前时，你听到你的宠物项圈的叮铃声，你打开门，预期会看到你的宠物。如果你的预测成功了，那么一切正常，这就好像是无意识地在做一些事情；但是，如果预测不对，那么这个场景会成为关注的焦点，而你将去寻找你没有看见宠物走进去的原因。

对环境的持续预测能让你理解环境。预测是智能的必要条件，而不是行为。如果我们可以编写程序让电脑或者神经网络具有预测能力，那么它就可以真正地理解其环境。正是这种理解使得机器变得智能。

那么你将如何定义人工智能的「智能」呢？