谷歌公司的AlphaGo與韓國(guó)棋圣李世石的人機(jī)圍棋巔峰對(duì)決，以AlphaGo 4比1的壓倒性勝利落下帷幕。這個(gè)比賽結(jié)果不僅向全世界展示了人工智能的強(qiáng)大實(shí)力與巨大應(yīng)用潛力，也在人類社會(huì)引起了不小的恐慌和憂慮。以下是學(xué)習(xí)啦小編整理分享的人工智能與倫理的相關(guān)論文的相關(guān)文章，歡迎閱讀!

　　人工智能與倫理的相關(guān)論文篇一

　　人工智能是否終將超越人類智能

　　【摘要】谷歌公司的AlphaGo與韓國(guó)棋圣李世石的人機(jī)圍棋巔峰對(duì)決，以AlphaGo 4比1的壓倒性勝利落下帷幕。這個(gè)比賽結(jié)果不僅向全世界展示了人工智能的強(qiáng)大實(shí)力與巨大應(yīng)用潛力，也在人類社會(huì)引起了不小的恐慌和憂慮。人們開始認(rèn)真思考：人工智能將會(huì)給人類社會(huì)帶來(lái)哪些進(jìn)步及挑戰(zhàn)? 機(jī)器智能最終會(huì)否超越人類智能?要想回答這些問(wèn)題，我們首先需要了解人工智能的本質(zhì)及其基本原理。本文首先對(duì)人工智能領(lǐng)域里最受世人矚目的研究成果――深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)――做一個(gè)簡(jiǎn)單描述，進(jìn)而圍繞機(jī)器學(xué)習(xí)的本質(zhì)及其基本原理進(jìn)行探討。接下來(lái)，通過(guò)對(duì)人腦認(rèn)知機(jī)理最新研究成果的概括介紹，揭示機(jī)器智能與人類智能的本質(zhì)差異，比較兩種智能的優(yōu)劣。通過(guò)優(yōu)劣勢(shì)比較，試圖找出針對(duì)上述問(wèn)題的答案。

　　關(guān)鍵詞】人工智能 AlphaGo 神經(jīng)突觸 機(jī)器學(xué)習(xí) 模式識(shí)別

　　【中圖分類號(hào)】TP18 【文獻(xiàn)標(biāo)識(shí)碼】 A

　　【DOI】10.16619/j.cnki.rmltxsqy.2016.07.002

　　2016年3月9～15日，谷歌公司研發(fā)的AlphaGo圍棋軟件與韓國(guó)棋圣李世石進(jìn)行了五場(chǎng)人機(jī)對(duì)決，AlphaGo以4比1的比分取得了壓倒性的勝利。這個(gè)比賽結(jié)果不僅震驚了整個(gè)圍棋界，也讓人工智能領(lǐng)域的許多專家學(xué)者跌破眼鏡，更讓人工智能走出象牙塔，成為許多普通百姓茶余飯后的熱點(diǎn)話題。這場(chǎng)人機(jī)圍棋巔峰對(duì)決不僅向全世界展示了人工智能的強(qiáng)大實(shí)力與巨大應(yīng)用潛力，也在人類社會(huì)引起了不小的恐慌和憂慮。人們開始認(rèn)真思考以下這些問(wèn)題：機(jī)器智能最終會(huì)超越人類智能嗎?人工智能將會(huì)如何改變?nèi)祟惿鐣?huì)?未來(lái)的智能機(jī)器會(huì)像電影《終結(jié)者》里所描述的那樣試圖主宰人類、甚至消滅人類嗎?要想回答這些問(wèn)題，我們首先需要了解人工智能的本質(zhì)及其基本原理，進(jìn)而討論其發(fā)展的規(guī)律和前景。當(dāng)前，人工智能領(lǐng)域最前沿的分支學(xué)科當(dāng)屬機(jī)器學(xué)習(xí)分支。本文首先對(duì)機(jī)器學(xué)習(xí)分支中最受世人矚目的研究成果――深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)――做一個(gè)簡(jiǎn)單綜述，進(jìn)而圍繞機(jī)器學(xué)習(xí)的本質(zhì)及其基本原理進(jìn)行探討。接下來(lái)，通過(guò)對(duì)人腦認(rèn)知機(jī)理最新研究成果的概括介紹，揭示機(jī)器智能與人類智能的本質(zhì)差異，比較兩種智能的優(yōu)勢(shì)與劣勢(shì)。通過(guò)機(jī)器智能與人類智能的優(yōu)劣勢(shì)比較，試圖找出上述幾個(gè)問(wèn)題的答案。

　　深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)

　　過(guò)去幾年里，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)所取得的成就足以使它成為人工智能王冠上最光彩奪目的明珠?；谏疃葘W(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別系統(tǒng)把語(yǔ)音識(shí)別的精度提高到了產(chǎn)品級(jí)的精度，從而為人類與計(jì)算機(jī)及各種智能終端之間提供了一種嶄新的、更為便捷的交互方式。將深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像內(nèi)容及人臉的識(shí)別，科學(xué)家們?nèi)〉昧四軌蚺c人類視覺(jué)系統(tǒng)相媲美的識(shí)別精度。戰(zhàn)勝韓國(guó)棋圣李世石的谷歌圍棋軟件AlphaGo能夠取得如此輝煌的戰(zhàn)績(jī)，深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)也發(fā)揮了關(guān)鍵性的作用。接下來(lái)，我們對(duì)深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的起源及其原理做一個(gè)簡(jiǎn)單介紹。

　　腦神經(jīng)科學(xué)領(lǐng)域的大量研究表明，人腦由大約1011個(gè)神經(jīng)細(xì)胞及1015個(gè)神經(jīng)突觸組成，這些神經(jīng)細(xì)胞及其突觸構(gòu)成一個(gè)龐大的生物神經(jīng)網(wǎng)絡(luò)。每個(gè)神經(jīng)細(xì)胞通過(guò)突觸與其它神經(jīng)細(xì)胞進(jìn)行連接與信息傳遞。當(dāng)通過(guò)突觸所接收到的信號(hào)強(qiáng)度超過(guò)某個(gè)閾值時(shí)，神經(jīng)細(xì)胞便會(huì)進(jìn)入激活狀態(tài)，并通過(guò)突觸向上層神經(jīng)細(xì)胞發(fā)送激活信號(hào)。人類所有與意識(shí)及智能有關(guān)的活動(dòng)，都是通過(guò)特定區(qū)域神經(jīng)細(xì)胞之間的相互激活與協(xié)同工作而實(shí)現(xiàn)的。

　　早于1943年，美國(guó)心理學(xué)家W.S. McCulloch和數(shù)學(xué)家W. A. Pitts就在他們的論文中提出了生物神經(jīng)元的計(jì)算模型(簡(jiǎn)稱M-P①模型)，為后續(xù)人工神經(jīng)網(wǎng)絡(luò)的研究奠定了基礎(chǔ)。M-P模型的結(jié)構(gòu)如圖1(a)所示，它包含n個(gè)帶有權(quán)重的輸入，一個(gè)輸出，一個(gè)偏置b和一個(gè)激活函數(shù)組成。n個(gè)輸入代表來(lái)自下層n個(gè)神經(jīng)突觸的信息，每個(gè)權(quán)重W)代表對(duì)應(yīng)突觸的連接強(qiáng)度，激活函數(shù)通常采用擁有S-型曲線的sigmoid函數(shù)(參見(jiàn)圖1(b))，用來(lái)模擬神經(jīng)細(xì)胞的激活模式。

　　早期的人工神經(jīng)網(wǎng)絡(luò)大都是基于M-P神經(jīng)元的全連接網(wǎng)絡(luò)。如圖2所示，此類網(wǎng)絡(luò)的特點(diǎn)是，屬于同一層的神經(jīng)元之間不存在連接;當(dāng)前層的某個(gè)神經(jīng)元與上一層的所有神經(jīng)元都有連接。然而，人們很快發(fā)現(xiàn)，這種全連接神經(jīng)網(wǎng)絡(luò)在應(yīng)用于各種識(shí)別任務(wù)時(shí)不但識(shí)別精度不高，而且還不容易訓(xùn)練。當(dāng)神經(jīng)網(wǎng)絡(luò)的層數(shù)超過(guò)4層時(shí)，用傳統(tǒng)的反向傳遞算法(Back Propagation)訓(xùn)練已經(jīng)無(wú)法收斂。

　　1983年，日本學(xué)者福島教授基于Hubel-Wiese的視覺(jué)認(rèn)知模型提出了卷積神經(jīng)網(wǎng)絡(luò)計(jì)算模型(Convolution Neural Network，簡(jiǎn)稱CNN)。早在1962年，Hubel和Wiesel通過(guò)對(duì)貓視覺(jué)皮層細(xì)胞的深入研究，提出高級(jí)動(dòng)物視覺(jué)神經(jīng)網(wǎng)絡(luò)由簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞構(gòu)成(如圖3所示)。神經(jīng)網(wǎng)絡(luò)底層的簡(jiǎn)單細(xì)胞的感受野只對(duì)應(yīng)視網(wǎng)膜的某個(gè)特定區(qū)域，并只對(duì)該區(qū)域中特定方向的邊界線產(chǎn)生反應(yīng)。復(fù)雜細(xì)胞通過(guò)對(duì)具有特定取向的簡(jiǎn)單細(xì)胞進(jìn)行聚類，擁有較大感受野，并獲得具有一定不變性的特征。上層簡(jiǎn)單細(xì)胞對(duì)共生概率較高的復(fù)雜細(xì)胞進(jìn)行聚類，產(chǎn)生更為復(fù)雜的邊界特征。通過(guò)簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞的逐層交替出現(xiàn)，視覺(jué)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了提取高度抽象性及不變性圖像特征的能力。

　　卷積神經(jīng)網(wǎng)絡(luò)可以看作是實(shí)現(xiàn)上述Hubel-Wiesel視覺(jué)認(rèn)知模型的第一個(gè)網(wǎng)絡(luò)計(jì)算模型。如圖4所示，卷積神經(jīng)網(wǎng)絡(luò)是由卷積層(Convolution Layer)與降采樣層(Sampling Layer)交替出現(xiàn)的多層神經(jīng)網(wǎng)絡(luò)，每層由多個(gè)將神經(jīng)元排列成二維平面的子層組成(稱為特征圖，F(xiàn)eature Map)。每個(gè)卷積層和上層降采樣層通常擁有相同數(shù)量的特征圖。構(gòu)成卷積層x的每個(gè)神經(jīng)元負(fù)責(zé)對(duì)輸入圖像(如果x=1)或者x-1降采樣層的特征圖的特定小區(qū)域施行卷積運(yùn)算，而降采樣層y的每個(gè)神經(jīng)元?jiǎng)t負(fù)責(zé)對(duì)y-1卷積層的對(duì)應(yīng)特征圖的特定小區(qū)域進(jìn)行Max Pooling(只保留該區(qū)域神經(jīng)元的最大輸出值)。卷積運(yùn)算中所使用的卷積核系數(shù)都是通過(guò)學(xué)習(xí)訓(xùn)練自動(dòng)獲取的。卷積層中屬于同一個(gè)特征圖的神經(jīng)元都共享一個(gè)卷積核，負(fù)責(zé)學(xué)習(xí)和提取同一種圖像特征，對(duì)應(yīng)Hubel-Wiesel模型中某種特定取向的簡(jiǎn)單細(xì)胞。卷積層中不同的特征圖負(fù)責(zé)學(xué)習(xí)和提取不同的圖像特征，對(duì)應(yīng)Hubel-Wiesel模型中不同類型的簡(jiǎn)單細(xì)胞。而降采樣層y中神經(jīng)元的Max Pooling操作等同于Hubel-Wiesel模型中復(fù)雜細(xì)胞對(duì)同類型簡(jiǎn)單細(xì)胞的聚類，是對(duì)人腦視覺(jué)皮層復(fù)雜細(xì)胞的簡(jiǎn)化模擬。 　　上世紀(jì)90年代初期，貝爾實(shí)驗(yàn)室的Yann LeCun等人成功應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了高精度手寫數(shù)字識(shí)別算法，所提出的系列LeNet，都達(dá)到商用級(jí)識(shí)別精度，被當(dāng)時(shí)美國(guó)郵政局和許多大銀行用來(lái)識(shí)別信封上的手寫郵政編碼及支票上面的手寫數(shù)字。然而，受制于90年代計(jì)算機(jī)有限的內(nèi)存和弱小的運(yùn)算能力，LeNet網(wǎng)絡(luò)采用了較淺的網(wǎng)絡(luò)結(jié)構(gòu)，每層使用的特征圖數(shù)目也很少。盡管它在小規(guī)模圖像識(shí)別問(wèn)題上取得了較好的效果，但與傳統(tǒng)機(jī)器學(xué)習(xí)算法(如SVM，AdaBoost等)相比，優(yōu)勢(shì)并不十分明顯。此外，由于卷積神經(jīng)網(wǎng)絡(luò)擁有很高的自由度，設(shè)計(jì)出一款性能優(yōu)異的網(wǎng)絡(luò)需要靈感并配合豐富的經(jīng)驗(yàn)積累，是一項(xiàng)極具挑戰(zhàn)性的工作。因此卷積神經(jīng)網(wǎng)絡(luò)在被提出后的很長(zhǎng)一段時(shí)間里并未得到足夠的重視和廣泛的應(yīng)用。

　　2012年，加拿大多倫多大學(xué)Geoffrey Hinton教授的團(tuán)隊(duì)提出了一個(gè)規(guī)模比傳統(tǒng)CNN大許多的深度卷積神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱AlexNet)。該網(wǎng)絡(luò)擁有5個(gè)卷積與降采樣層、3個(gè)全連接層，每個(gè)卷積與降采樣層擁有96384個(gè)特征圖，網(wǎng)絡(luò)參數(shù)達(dá)到6000多萬(wàn)個(gè)。利用AlexNet，Hinton團(tuán)隊(duì)在國(guó)際上最具影響力的圖像內(nèi)容分類比賽(2012 ImageNet ILSVRC)中取得了壓倒性勝利，將1000類圖像的Top-5分類錯(cuò)誤率降低到15.315%。在這次比賽中，獲得第二、三、四名的團(tuán)隊(duì)均采用了傳統(tǒng)機(jī)器學(xué)習(xí)算法。三個(gè)團(tuán)隊(duì)的Top-5圖像分類錯(cuò)誤率分別是26.17%、26.98%和27.06%，相差不到1個(gè)百分點(diǎn)，而他們的成績(jī)和第一名相比卻低了超過(guò)10個(gè)百分點(diǎn)，差距十分明顯。當(dāng)前，深度卷積神經(jīng)網(wǎng)絡(luò)(Deep CNN)相對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)算法的優(yōu)勢(shì)還在不斷擴(kuò)大，傳統(tǒng)學(xué)習(xí)方法在多個(gè)領(lǐng)域已經(jīng)完全無(wú)法與Deep CNN相抗衡。

　　機(jī)器學(xué)習(xí)算法的基本原理及其本質(zhì)

　　在幾千年的科學(xué)探索與研究中，科學(xué)家們提出了許多描述自然界及人類社會(huì)中各種事物與現(xiàn)象的數(shù)學(xué)模型。這些模型主要可以被歸納為以下三大類別。

　　歸納模型：由少數(shù)幾個(gè)參數(shù)(變量)構(gòu)成，每個(gè)變量都具有明確的物理意義。這類模型能夠真正揭示被描述對(duì)象的本質(zhì)及規(guī)律，許多數(shù)學(xué)和物理定律都是典型的歸納模型。

　　預(yù)測(cè)模型：用一個(gè)擁有大量參數(shù)的萬(wàn)能函數(shù)來(lái)擬合用戶所提供的訓(xùn)練樣本。萬(wàn)能函數(shù)的參數(shù)一般不具備任何物理意義，模型本身往往只能用來(lái)模擬或預(yù)測(cè)某個(gè)特定事物或現(xiàn)象，并不能揭示被描述事物或現(xiàn)象的本質(zhì)及內(nèi)在規(guī)律。當(dāng)代的大多數(shù)機(jī)器學(xué)習(xí)算法都是構(gòu)建于預(yù)測(cè)模型之上的。例如，單隱層全連接神經(jīng)網(wǎng)絡(luò)所使用的數(shù)學(xué)模型是：

　　上式中，x代表神經(jīng)網(wǎng)絡(luò)的輸入，代表神經(jīng)網(wǎng)絡(luò)的參數(shù)集，M是隱層神經(jīng)元的個(gè)數(shù)。這個(gè)數(shù)學(xué)模型如同一個(gè)橡皮泥，可以通過(guò)變換它的參數(shù)集被塑造成任何形狀。給定一個(gè)訓(xùn)練樣本集，其中分別代表訓(xùn)練樣本i以及人工賦予該樣本的標(biāo)簽(標(biāo)簽表示樣本的類別或某種屬性)，通過(guò)利用T進(jìn)行訓(xùn)練，我們就能夠得到一個(gè)優(yōu)化的參數(shù)集，使神經(jīng)網(wǎng)絡(luò)能夠很好地?cái)M合訓(xùn)練樣本集T。當(dāng)新的未知樣本x出現(xiàn)時(shí)，我們就能夠利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出它的標(biāo)簽y。顯而易見(jiàn)，神經(jīng)網(wǎng)絡(luò)的參數(shù)集規(guī)模與神經(jīng)元的數(shù)目及輸入x的維數(shù)成正比，所有參數(shù)沒(méi)有任何物理意義，模型本身也不具備揭示被描述對(duì)象的本質(zhì)及內(nèi)在規(guī)律的能力。

　　直推模型：沒(méi)有明確的數(shù)學(xué)函數(shù)，利用所采集的大數(shù)據(jù)預(yù)測(cè)特定輸入的標(biāo)簽。此類模型認(rèn)為針對(duì)某個(gè)事物或現(xiàn)象所采集的大數(shù)據(jù)就是對(duì)該事物或現(xiàn)象的客觀描述。大數(shù)據(jù)的規(guī)模越大，對(duì)事物或現(xiàn)象的描述就越全面和準(zhǔn)確。當(dāng)新的未知樣本x出現(xiàn)時(shí)，我們可以在大數(shù)據(jù)中找到x的K近鄰，根據(jù)K近鄰的標(biāo)簽或?qū)傩詠?lái)決定x的標(biāo)簽或?qū)傩?。顯而易見(jiàn)，由于不需要定義明確的數(shù)學(xué)模型，與其它模型相比，直推模型最簡(jiǎn)單直接，但因?yàn)橐揽看髷?shù)據(jù)來(lái)決定未知樣本的標(biāo)簽，直推模型往往需要較高的計(jì)算量及使用成本。同樣，直推模型也不能被用來(lái)揭示事物或現(xiàn)象的本質(zhì)及內(nèi)在規(guī)律。

　　應(yīng)當(dāng)指出，隨著互聯(lián)網(wǎng)用戶數(shù)量的不斷增長(zhǎng)以及互聯(lián)網(wǎng)技術(shù)的快速進(jìn)步，利用互聯(lián)網(wǎng)獲取內(nèi)容或用戶大數(shù)據(jù)變得越來(lái)越簡(jiǎn)單廉價(jià)，利用直推模型來(lái)預(yù)測(cè)某個(gè)事物或現(xiàn)象也變得越來(lái)越普及。例如，許多互聯(lián)網(wǎng)搜索引擎利用每個(gè)網(wǎng)頁(yè)的用戶點(diǎn)擊率來(lái)改進(jìn)搜索網(wǎng)頁(yè)的排序精度，就是直推模型在互聯(lián)網(wǎng)內(nèi)容搜索領(lǐng)域的一個(gè)成功應(yīng)用。

　　綜上所述，機(jī)器學(xué)習(xí)算法的本質(zhì)就是選擇一個(gè)萬(wàn)能函數(shù)建立預(yù)測(cè)模型。利用用戶提供的訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練的目的，就是選擇最優(yōu)的參數(shù)集，使模型能夠很好地?cái)M合訓(xùn)練樣本集的空間分布。通過(guò)訓(xùn)練得到的預(yù)測(cè)模型，實(shí)際上把訓(xùn)練樣本集的空間分布提取出來(lái)并編碼到其龐大的參數(shù)集中。利用這個(gè)訓(xùn)練好的預(yù)測(cè)模型，我們就能夠預(yù)測(cè)新的未知樣本x的標(biāo)簽或?qū)傩浴．?dāng)今大多數(shù)機(jī)器學(xué)習(xí)算法都是基于這個(gè)原理，谷歌公司的AlphaGo也不例外。

　　針對(duì)某個(gè)事物或現(xiàn)象所采集的訓(xùn)練樣本，是對(duì)該事物或現(xiàn)象的直觀描述，蘊(yùn)藏著大量與之相關(guān)的先驗(yàn)知識(shí)。例如，ImageNet ILSVRC國(guó)際圖像內(nèi)容分類比賽所提供的訓(xùn)練樣本集擁有1000類、總共一百多萬(wàn)張彩色圖像。每一類都對(duì)應(yīng)自然界中的一種常見(jiàn)物體，如汽車、飛機(jī)、狗、鳥，等等，包含大約1000張從不同場(chǎng)景及不同角度拍攝的該種物體的彩色圖像。利用這個(gè)訓(xùn)練樣本集訓(xùn)練出來(lái)的深度卷積神經(jīng)網(wǎng)絡(luò)，實(shí)際上是將每類物體的共性特征及個(gè)體差異等進(jìn)行信息提取與編碼，并記憶到其龐大的參數(shù)集中。當(dāng)新的未知圖像出現(xiàn)時(shí)，神經(jīng)網(wǎng)絡(luò)就能夠利用已編碼到參數(shù)集中的這些先驗(yàn)知識(shí)，對(duì)輸入圖像進(jìn)行準(zhǔn)確的識(shí)別與分類。

　　同樣，谷歌公司在訓(xùn)練AlphaGo時(shí)，收集了20萬(wàn)個(gè)職業(yè)圍棋高手的對(duì)局，再利用AlphaGo不同版本間的自我對(duì)弈生成了3000多萬(wàn)個(gè)對(duì)局。3000多萬(wàn)個(gè)圍棋對(duì)局包含了人類在圍棋領(lǐng)域所積累的最為豐富和全面的知識(shí)與經(jīng)驗(yàn)。當(dāng)新的棋局出現(xiàn)時(shí)，AlphaGo利用被編碼于其龐大參數(shù)集中的這些先驗(yàn)知識(shí)，預(yù)測(cè)出勝率最高的一步棋，以及這步棋所產(chǎn)生的最終勝率。由于AlphaGo針對(duì)3000多萬(wàn)個(gè)對(duì)局進(jìn)行了學(xué)習(xí)與編碼，它對(duì)每一步棋的勝負(fù)判定甚至比九段棋手還要準(zhǔn)，人類棋圣輸給AlphaGo也就不足為奇了。 　　人類智能的本質(zhì)與特性

　　對(duì)于人腦及其高度復(fù)雜的智能，人類至今還所知甚少。關(guān)于“智能”這個(gè)名詞的科學(xué)定義，學(xué)術(shù)文獻(xiàn)中就存在著許多個(gè)版本。即使是少數(shù)幾個(gè)被深入研究的認(rèn)知功能(如人腦的視覺(jué)認(rèn)知功能)的工作機(jī)理，也還存在著各種各樣的假說(shuō)和爭(zhēng)議。在這里，我們列出若干較具代表性、認(rèn)可度相對(duì)較高的關(guān)于人腦智能的假說(shuō)及闡述。

　　人類智能的本質(zhì)是什么?這是認(rèn)知科學(xué)的基本任務(wù)，也是基礎(chǔ)科學(xué)面臨的四大難題(Simon)中最后、最難解決的一個(gè)。每門基礎(chǔ)科學(xué)都有其特定的基本單元，例如高能物理學(xué)的基本粒子，遺傳學(xué)的基因、計(jì)算理論的符號(hào)、信息論的比特等。因此，“人類智能的本質(zhì)是什么”這個(gè)問(wèn)題在某種程度上取決于“什么是認(rèn)知基本單元”。眾所周知，適合描述物質(zhì)世界的變量并不一定適合描述精神世界。因此，認(rèn)知基本單元是什么這個(gè)問(wèn)題，不能靠物理的推理或計(jì)算的分析來(lái)解決，根本上只有通過(guò)認(rèn)知科學(xué)的實(shí)驗(yàn)來(lái)回答。大量實(shí)驗(yàn)結(jié)果顯示，認(rèn)知基本單元不是計(jì)算理論的符號(hào)，也不是信息論的比特，而是知覺(jué)組織形成的“知覺(jué)物體”。例如，實(shí)驗(yàn)表明，當(dāng)人的視覺(jué)系統(tǒng)注意一只飛鳥的時(shí)候，它所注意的是整只鳥(即一個(gè)知覺(jué)物體)，而不是鳥的某個(gè)特性(形狀、大小、位置等)。盡管在飛行過(guò)程中鳥的各種特征性質(zhì)在改變，但它是同一個(gè)知覺(jué)物體的性質(zhì)始終保持不變。諾獎(jiǎng)得主Kahneman認(rèn)為，知覺(jué)物體概念的直覺(jué)定義正是在形狀等特征性質(zhì)改變下保持不變的同一性。中科院陳霖院士領(lǐng)導(dǎo)的團(tuán)隊(duì)在發(fā)展了30多年的拓?fù)湫再|(zhì)知覺(jué)理論的基礎(chǔ)上，提出大范圍首先的知覺(jué)物體拓?fù)鋵W(xué)定義：知覺(jué)物體的核心含義，即在變換下保持不變的整體同一性，可以被科學(xué)準(zhǔn)確地定義為大范圍拓?fù)洳蛔冃再|(zhì)。應(yīng)當(dāng)指出，上述大范圍首先知覺(jué)物體的概念，與人工智能領(lǐng)域廣為認(rèn)同與采納的由局部到整體，由特征到物體，由具體到抽象的認(rèn)知計(jì)算模型是完全背道而馳的，因而在人工智能領(lǐng)域并沒(méi)有得到足夠的重視及應(yīng)用。

　　大量認(rèn)知科學(xué)領(lǐng)域的實(shí)驗(yàn)研究表明，人類智能具有以下幾個(gè)特性。

　　人類智能的目標(biāo)不是準(zhǔn)確。人類智能并不追求在精神世界里客觀準(zhǔn)確地再現(xiàn)物理世界。上帝設(shè)計(jì)人類智能時(shí)，不假思索地直奔“生存”這一終極目標(biāo)而去：用最合理的代價(jià)，獲取最大的生存優(yōu)勢(shì)。人類大腦的平均能耗大約只有20瓦，相對(duì)于龐大的計(jì)算機(jī)系統(tǒng)來(lái)說(shuō)只是九牛一毛。盡管人腦的重量只有1400克左右，約占人體重量的2.3%，但它的血液供應(yīng)量卻占到了全身的15.20%，耗氧量超過(guò)全身的20%，對(duì)于人類已經(jīng)接近其生理可以負(fù)擔(dān)的極限。在這種資源極其有限的條件下，人腦通過(guò)以下幾種方式實(shí)現(xiàn)了最有效的資源調(diào)配，由此來(lái)保障最有意義的生理和智能活動(dòng)。

　　第一，主觀能動(dòng)的選擇性。精神世界不是對(duì)物理世界的簡(jiǎn)單映射，而是非常扭曲和失真的。體積相對(duì)較小的手指、舌頭等重點(diǎn)區(qū)域，在感覺(jué)運(yùn)動(dòng)中樞里卻占據(jù)大部分的皮層區(qū)域。同樣，在視覺(jué)上只有對(duì)應(yīng)中央視野的視網(wǎng)膜具有很高的空間、顏色分辨率，而更廣泛的外周視野只對(duì)物體的突然出現(xiàn)或消失，以及物體的運(yùn)動(dòng)更敏感。人類視覺(jué)處理的通常方式是，外周視野的顯著變化會(huì)在第一時(shí)間被捕獲，做出應(yīng)激反應(yīng)，然后再把中央視野移動(dòng)到目標(biāo)上進(jìn)行后續(xù)的處理。

　　人類通過(guò)知覺(jué)組織的選擇性注意機(jī)制，直接感知輸入信號(hào)中的大范圍不變性質(zhì)，而忽略大量的局部特征性質(zhì)。大量視而不見(jiàn)的現(xiàn)象，在實(shí)驗(yàn)室研究中表現(xiàn)為注意瞬脫、變化盲視等等。比如，盡管可以清晰地分辨出霓虹燈中的色塊顏色、形狀各不相同，甚至在空間和時(shí)間上都不連續(xù)，人腦仍然把這些色塊看成是同一個(gè)物體，從而產(chǎn)生運(yùn)動(dòng)的感覺(jué)。研究表明，這種運(yùn)動(dòng)錯(cuò)覺(jué)本質(zhì)上不是運(yùn)動(dòng)，其生態(tài)意義在于對(duì)知覺(jué)對(duì)象進(jìn)行不變性抽提。另一方面，人腦會(huì)主動(dòng)把忽略的部分補(bǔ)充回來(lái)。而通過(guò)經(jīng)驗(yàn)知識(shí)，上下文關(guān)系等補(bǔ)充回來(lái)的信息，難免有錯(cuò)。所謂錯(cuò)覺(jué)就是精神世界和物理世界的錯(cuò)位。這些錯(cuò)覺(jué)的生態(tài)意義在于在有限資源條件下，快速直接地形成穩(wěn)定的感知。這種機(jī)制既是人類天馬行空的聯(lián)想能力和創(chuàng)造力的源泉，同時(shí)也是各種精神心理疾患的生物學(xué)基礎(chǔ)。

　　第二，模塊化的層次結(jié)構(gòu)和分布式表征。當(dāng)前認(rèn)知科學(xué)越來(lái)越依賴于腦成像技術(shù)的發(fā)展。功能模塊化假設(shè)認(rèn)為，大腦是由結(jié)構(gòu)和功能相對(duì)獨(dú)立、專司特定認(rèn)知功能的多個(gè)腦區(qū)組成。這些模塊組成復(fù)雜的層次結(jié)構(gòu)，通過(guò)層次間的傳遞和反饋實(shí)現(xiàn)對(duì)輸入信號(hào)的主動(dòng)調(diào)節(jié)。大量腦成像的研究實(shí)驗(yàn)也支持了這一假設(shè)，特別是視覺(jué)研究發(fā)現(xiàn)了非常詳細(xì)而復(fù)雜的功能模塊及其層次結(jié)構(gòu)。另一方面，分布式表征的假說(shuō)認(rèn)為，認(rèn)知功能的神經(jīng)機(jī)制是相對(duì)大范圍的分布式腦狀態(tài)，而不是特定腦區(qū)的激活與否。當(dāng)前研究認(rèn)為，人腦是模塊化和分布式表達(dá)共存的自能系統(tǒng)。

　　第三，反應(yīng)性活動(dòng)和內(nèi)生性活動(dòng)。人腦不是一個(gè)簡(jiǎn)單的刺激―反應(yīng)系統(tǒng)，大量的內(nèi)生性活動(dòng)甚至比反應(yīng)性活動(dòng)還多。人腦在所謂的靜息狀態(tài)下的耗氧量與任務(wù)狀態(tài)下相比差別很小。然而幾乎所有的經(jīng)典認(rèn)知科學(xué)研究都是建立在刺激反應(yīng)實(shí)驗(yàn)范式的基礎(chǔ)之上。這種實(shí)驗(yàn)范式是讓實(shí)驗(yàn)對(duì)象在特定的條件下完成特定的認(rèn)知任務(wù)，收集并分析實(shí)驗(yàn)對(duì)象的行為或生理反應(yīng)，通過(guò)對(duì)實(shí)驗(yàn)數(shù)據(jù)的充分比照，建立人腦某種活動(dòng)模式或認(rèn)知機(jī)理的假設(shè)。內(nèi)生性活動(dòng)因其往往只能通過(guò)內(nèi)省的方式進(jìn)行研究，而被長(zhǎng)期排除在認(rèn)知科學(xué)的研究主流之外。隨著腦成像技術(shù)的發(fā)展，功能連接成為分析靜息態(tài)大腦自發(fā)活動(dòng)的有力工具。特別是默認(rèn)網(wǎng)絡(luò)的發(fā)現(xiàn)，創(chuàng)立了強(qiáng)調(diào)內(nèi)生性活動(dòng)的全新腦功能成像研究范式。默認(rèn)網(wǎng)絡(luò)被認(rèn)為涉及警覺(jué)狀態(tài)、自我意識(shí)、注意調(diào)控以及學(xué)習(xí)記憶等心理認(rèn)知過(guò)程，已被廣泛應(yīng)用于社會(huì)認(rèn)知、自我、注意、學(xué)習(xí)、發(fā)育、衰老機(jī)制的研究，有力推動(dòng)了各種腦生物指標(biāo)的完善和腦疾病的治療，這些疾病包括阿爾茲海默病、帕金森病、抑郁癥、精神分裂癥和自閉癥等等。

　　因此，整合現(xiàn)有研究中有關(guān)分布式表達(dá)和內(nèi)生性活動(dòng)的最新研究成果，可能會(huì)帶來(lái)對(duì)人腦活動(dòng)模式(人類智能的物質(zhì)基礎(chǔ))一種全新的理解。

　　人類智能的本質(zhì)不是計(jì)算。人類智能體現(xiàn)在對(duì)外部環(huán)境的感知、認(rèn)知、對(duì)所觀察事物或現(xiàn)象的抽象、記憶、判斷、決策等。然而，這些智能并不是人類所獨(dú)有。許多高等動(dòng)物，如狗、猴子、猩猩，也或多或少具有類似的能力。同時(shí)，計(jì)算并不是人類智能的強(qiáng)項(xiàng)。真正將人類與其它動(dòng)物區(qū)分開來(lái)的，是人類的邏輯推理能力、想象力、創(chuàng)造力以及自我意識(shí)。人類利用這類能力能夠想象并且創(chuàng)造出自然界中不存在的東西，如汽車、飛機(jī)、電視、計(jì)算機(jī)、手機(jī)，互聯(lián)網(wǎng)。這類能力是推動(dòng)人類社會(huì)不斷發(fā)展與進(jìn)步的源泉，是生物智能的圣杯。

　　而對(duì)代表生物智能最高水平的上述能力，人類目前還所知甚少，對(duì)其機(jī)理的研究還處于啟蒙階段。研究表明，這些能力不是依靠計(jì)算得來(lái)的，而似乎是與聯(lián)想記憶及人類豐富的精神世界有關(guān)?；谀X信號(hào)的分析實(shí)驗(yàn)發(fā)現(xiàn)，人腦的海馬回、海馬旁回、杏仁核等腦區(qū)中存在著大量專司特定聯(lián)想記憶的神經(jīng)細(xì)胞。例如，上述腦區(qū)中存在單個(gè)或一小簇神經(jīng)細(xì)胞，會(huì)被與美國(guó)前總統(tǒng)克林頓相關(guān)的所有刺激信號(hào)所激活，無(wú)論刺激信號(hào)是關(guān)于克林頓的圖片，還是Clinton這個(gè)英語(yǔ)單詞，還是克林頓本人的語(yǔ)音回放。顯然，這些神經(jīng)細(xì)胞并不是被某個(gè)模態(tài)的特定特征所激活，它們所對(duì)應(yīng)的是克林頓這個(gè)抽象概念。此外，腦成像研究表明，圍棋專業(yè)棋手相對(duì)于業(yè)余棋手更多的是依賴聯(lián)想記憶系統(tǒng)，而非邏輯推理來(lái)下棋。實(shí)際上，圍棋界訓(xùn)練棋手的最常用方法就是將高手對(duì)局中的關(guān)鍵部分拆解成許多死活題，棋手通過(guò)大量死活題的解題訓(xùn)練來(lái)提高自己聯(lián)想記憶的經(jīng)驗(yàn)和效率。

　　機(jī)器智能與人類智能的優(yōu)勢(shì)與劣勢(shì)

　　當(dāng)代的計(jì)算機(jī)擁有強(qiáng)大的存儲(chǔ)與運(yùn)算能力。伴隨著計(jì)算技術(shù)的不斷發(fā)展與進(jìn)步，這些能力的增長(zhǎng)似乎還遠(yuǎn)沒(méi)有到達(dá)盡頭。早在1997年，IBM的“深藍(lán)”超級(jí)電腦就戰(zhàn)勝了國(guó)際象棋冠軍卡斯帕羅夫。但這次勝利在人工智能領(lǐng)域并沒(méi)有產(chǎn)生太大的反響，原因在于，“深藍(lán)”幾乎純粹是依靠強(qiáng)大的運(yùn)算能力遍歷所有的可能性，利用“蠻力”取勝的。“深藍(lán)”所遵循的，就是“人工智能即是計(jì)算加記憶”這個(gè)簡(jiǎn)單法則。由于圍棋的搜索空間比國(guó)際象棋大很多，“深藍(lán)”的這種制勝策略針對(duì)圍棋是行不通的。與“深藍(lán)”相比，AlphaGo的最大進(jìn)步就是從“計(jì)算加記憶”進(jìn)化到“擬合加記憶”法則。它利用深度卷積神經(jīng)網(wǎng)絡(luò)這個(gè)萬(wàn)能函數(shù)，通過(guò)學(xué)習(xí)來(lái)擬合兩千多年來(lái)人類所積累的全部經(jīng)驗(yàn)及制勝模式，并將其編碼到神經(jīng)網(wǎng)絡(luò)的龐大參數(shù)集中。對(duì)于當(dāng)前棋局的任何一個(gè)可能的落子，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)都能夠預(yù)測(cè)出它的優(yōu)劣，并通過(guò)有限數(shù)量的模擬搜索，計(jì)算出最終的獲勝概率。這樣的戰(zhàn)略不需要對(duì)棋局的所有可能性做遍歷搜索，更像人類棋手所使用的策略。然而，由于AlphaGo對(duì)每個(gè)落子以及最終勝率的預(yù)測(cè)，是建立在圍棋界兩千多年來(lái)所形成的完整知識(shí)庫(kù)之上的，它的預(yù)測(cè)比人類最優(yōu)秀的棋手更準(zhǔn)確。與其說(shuō)李世石輸給了機(jī)器系統(tǒng)，不如說(shuō)輸給了人類棋藝的集大成者。由此推斷，AlphaGo取勝也是情理之中的事。

　　與機(jī)器相比，人類智能的最大優(yōu)勢(shì)當(dāng)屬它的邏輯推理能力、想象力、創(chuàng)造力及其高效性。人腦功耗只有20多瓦，處理許多感知及認(rèn)知任務(wù)(如圖像識(shí)別、人臉識(shí)別、語(yǔ)音識(shí)別等)的精度與擁有龐大內(nèi)存、運(yùn)算速度達(dá)到萬(wàn)億次的超級(jí)電腦相比卻毫不遜色。盡管機(jī)器智能很可能在不遠(yuǎn)的將來(lái)在棋牌類競(jìng)賽中全面超越人類，但現(xiàn)有的機(jī)器學(xué)習(xí)框架并不能模擬出人類的想象力和創(chuàng)造力。因此，在當(dāng)前情況下，機(jī)器智能全面超越人類智能的預(yù)測(cè)是不會(huì)成為現(xiàn)實(shí)的。

　　隨著機(jī)器學(xué)習(xí)算法的不斷發(fā)展與進(jìn)步，計(jì)算機(jī)借助強(qiáng)大的存儲(chǔ)與運(yùn)算能力，學(xué)習(xí)人類幾千年來(lái)發(fā)展與進(jìn)化過(guò)程中所積累的完整知識(shí)的能力越來(lái)越強(qiáng)，借助完整知識(shí)庫(kù)對(duì)復(fù)雜事務(wù)進(jìn)行預(yù)測(cè)與判斷的準(zhǔn)確度將會(huì)全面超越人類。由此推斷，在未來(lái)幾十年里，不僅是那些簡(jiǎn)單重復(fù)性的體力勞動(dòng)將會(huì)全面被機(jī)器取代，而且那些需要對(duì)復(fù)雜事務(wù)進(jìn)行評(píng)估與判斷的工作，如金融投資、企業(yè)管理、軍事指揮等，也有可能被讓位于機(jī)器智能。甚至大到整個(gè)國(guó)家，也可能會(huì)越來(lái)越依靠機(jī)器智能預(yù)測(cè)政治、經(jīng)濟(jì)、外交發(fā)展趨勢(shì)，制定最優(yōu)的政策方針及發(fā)展規(guī)劃。實(shí)際上，許多發(fā)達(dá)國(guó)家的智囊機(jī)構(gòu)已經(jīng)在利用各種評(píng)估及預(yù)測(cè)模型為政府提供對(duì)各種事物的預(yù)測(cè)與判斷，提出政策建議或解決方案。

　　然而，當(dāng)前的機(jī)器學(xué)習(xí)框架無(wú)法模擬人類的想象力及創(chuàng)造力，科學(xué)研究與發(fā)明創(chuàng)造仍將是人類的優(yōu)勢(shì)所在。不難預(yù)測(cè)，在未來(lái)人類社會(huì)的發(fā)展進(jìn)程中，將有越來(lái)越多的人從事科學(xué)研究以及新產(chǎn)品的設(shè)計(jì)研發(fā)工作。社會(huì)對(duì)每個(gè)人的知識(shí)能力、智慧以及發(fā)明創(chuàng)造力的要求將會(huì)越來(lái)越高，不具備這些能力的人們將會(huì)無(wú)法找到滿意的工作，逐漸成為處于社會(huì)底層的貧困階層。了解并解決科技迅速發(fā)展所帶來(lái)的社會(huì)挑戰(zhàn)，仍然是人類需要面對(duì)的任務(wù)，而機(jī)器是無(wú)法替代人類解決這些問(wèn)題的。

下一頁(yè)分享更優(yōu)秀的>>>人工智能與倫理的相關(guān)論文