重振人工智能雄心壯志的時刻已經(jīng)到了
（原文來自 MIT 科技評論，創(chuàng)投分享會評論）
在1955年夏天，4名頂級美國數(shù)學(xué)家（那時還沒有“計算機科學(xué)家”這個術(shù)語）倡議在達特茅斯學(xué)院召開了一次會議，來探討被他們稱為“人工智能”的主題?！斑@項研究是在一個猜想的基礎(chǔ)上進行，那就是學(xué)習(xí)的每一方面，或智能的任何其他特征，可以在原則上被精確地描述為，能夠造出一部機器來對其進行模仿，”倡議書說。
這次會議于1956年進行，為期一個月，通常被認為是人工智能研究的起始。倡議書作者中的三人，即表處理語言（LISP）發(fā)明者約翰·麥卡錫（John McCarthy），麻省理工學(xué)院40屆理學(xué)碩士、40屆博士、信息論先驅(qū)克勞德·香農(nóng)（Claude Shannon），以及后來的圖靈獎得主馬爾溫·明斯基（Marvin Minsky），稍后都曾在麻省理工學(xué)院授課。
麥卡錫和明斯基（55年后他仍是麻省理工學(xué)院教師）創(chuàng)立了麻省理工學(xué)院人工智能實驗室。
到1967年，計算機技術(shù)發(fā)展迅速，明斯基在他的書《計算：有限和無限的機器》（Computation: Finite and Infinite Machines）中大膽寫道，“我確信，在一代人的時間內(nèi)，智能的各個部分，鮮有哪個會在這部機器（電腦）的領(lǐng)域之外，創(chuàng)造‘人工智能’的問題將在本質(zhì)上解決?！?/div>
當(dāng)然，明斯基的預(yù)測過于樂觀。早期人工智能研究者把贏得國際象棋比賽當(dāng)成智能應(yīng)用的范例，但后來發(fā)現(xiàn)這比區(qū)分口語詞匯或識別面孔之類計算問題要容易得多。
在20世紀80、90年代，隨著復(fù)制人類智能的難度逐漸清晰化，人工智能具有了某些非常不同的含義，那就是實用的專用計算機系統(tǒng)，通?；凇皺C器學(xué)習(xí)”，這應(yīng)用到對大量訓(xùn)練示例的統(tǒng)計分析。正是這一手段給了我們語音識別和自動文本翻譯功能。
麻省理工學(xué)院的研究者們相信，現(xiàn)在是重振人工智能雄心壯志的時刻了，因為有希望開發(fā)出更好的治療神經(jīng)紊亂的療法，以及能以人類直覺預(yù)測我們需求的計算機系統(tǒng)。美國國家科學(xué)基金會（National Science Foundation）似乎也同意這一點。
去年9月，該基金會宣布為人腦及機器思維研究中心（Center for Brains, Minds, and Machines，簡稱CBMM）捐贈2千5百萬美元，該中心位于麻省理工學(xué)院的麥戈文腦科學(xué)硏究所（McGovern Institute for Brain Research）。
麻省理工學(xué)院為該中心提供12名主要研究人員，另有6人來自哈佛，還有5人來自其他機構(gòu)。
CBMM由托馬索·波焦（Tomaso Poggio）領(lǐng)導(dǎo)，他是一名腦科學(xué)和人類行為學(xué)教授，也是麥戈文研究所和計算機科學(xué)與人工智能實驗室（Computer Science and Artificial Intelligence Laboratory，簡稱CSAIL）的首席研究員。
對他的雙重身份展示了新中心的首要理念：如果能夠把計算、生理和心理的方法相結(jié)合，我們就能比孤立研究更快地理解人類智能。
“這個中心嘗試的是，為了復(fù)制人類智能，需要對大腦和認知了解更多，而不是像50年前那樣僅僅依靠計算機科學(xué)，”波焦說。
帕特里克·溫斯頓（Patrick Winston）是電子工程和計算機科學(xué)系教授和CBMM的研究協(xié)調(diào)員，他補充說，調(diào)查問題的技術(shù)在近年來有著顯著的提升。
溫斯頓說，首先，“計算是自由的，不論需要何種類型的計算，都能夠做到。”他還說，其次，“fMRI 現(xiàn)在已成常規(guī)?！眆MRI 是指功能性磁共振成像，可用于研究大腦活動。
他還指出了一些技術(shù)，例如經(jīng)顱磁刺激，能夠在認知測試中擾亂特定大腦區(qū)域的活動，以及光遺傳學(xué)，這種技術(shù)利用光來選擇性地激活或沉默大腦中的轉(zhuǎn)基因神經(jīng)元。
光遺傳學(xué)的先驅(qū)是99屆工程碩士埃德-博伊登（Ed -Boyden），他是麻省理工學(xué)院媒體實驗室（Media Lab）的教授，也是麥戈文研究所和新中心的首席研究員。
中心的研究圍繞幾個主要的主題或要點包括：視覺智力，其中集成了視覺、語言和運動技巧；智力回路，將包括神經(jīng)生物學(xué)和電氣工程學(xué)的研究；智能發(fā)展；以及社會智能。
波焦是視覺智力的主要研究者之一，他還將領(lǐng)導(dǎo)一個理論平臺的開發(fā)，旨在將研究結(jié)合在其他領(lǐng)域。
對于每一個要點，CBMM研究者們正致力于定義一組基準的問題，令他們可以以此來評估他們的進展。
波焦提供了一個例子，與他之前在視覺系統(tǒng)的研究相關(guān)。面對一副人們互動的圖像，一臺智能計算機應(yīng)當(dāng)能為5個問題提供合理的答案，從易到難分別是：圖像里有什么？圖像里都是誰？人們在做什么？誰在對誰做什么？接下來會發(fā)生什么？
不變量
探索圍繞著人類智能的所有問題的理論框架，是一個艱巨的任務(wù)。但是波焦對于大腦如何回答他列表上的第一個問題的研究，為這一框架可能的樣子提供了一張草圖。
“圖像里有什么？”是人工智能研究的一個蓬勃發(fā)展的領(lǐng)域，需開發(fā)物體識別的電腦系統(tǒng)來能夠回答這個問題。
通常，物體識別系統(tǒng)會使用某些種類的機器學(xué)習(xí)。人類標(biāo)記樣本圖像，指示哪些物體出現(xiàn)在哪里，接著系統(tǒng)會嘗試識別該物體在所有圖像上所共有的一些常見特性。
“這與人類學(xué)習(xí)或動物學(xué)習(xí)完全不同，”他說?！爱?dāng)一個孩子學(xué)習(xí)認識一只熊或一只獅子，你無需為他展示一百萬次獅子的照片。大概兩到三次就夠了?！?/div>
波焦認為與機器學(xué)習(xí)系統(tǒng)不同的是，人腦是以一種“不變”的方式描繪物體：不論物體有多大，是在視覺區(qū)域的何處，還是在旋轉(zhuǎn)的，描繪出的都是一樣的。他還相信，自己對這種描述的可能構(gòu)成有一個看上去合理的理論。
波焦的理論需要大腦或嘗試模擬大腦的電腦系統(tǒng)存儲一些物體的一塊模板，其中包含這些物體的每一種變化——類型、位置和在平面上的旋轉(zhuǎn)。例如，大腦可能會存儲一張人臉的幾十張圖像，描繪出其360°的旋轉(zhuǎn)角度。
一個陌生的物體將被描繪成一個“點積”的集合，介于其圖像和模板之間。點積是線性代數(shù)的一種標(biāo)準算法。不論該物體的大小、位置或方向如何，該集合總會維持原樣。
該理論具有說服力的一點是，點積把兩組復(fù)雜數(shù)據(jù)集（例如視覺圖像）的對比，減少到一個數(shù)字。點積的各個集合，即便是為多個模板，也不會在記憶中占據(jù)太多空間。波焦說，另一個具有說服力的一點是，“對于神經(jīng)元來說，點積是最簡單的計算之一，或許就是最簡單的?！?/div>
在實驗中，波焦的系統(tǒng)或許無法超越機器學(xué)習(xí)系統(tǒng)。但它需要較少的訓(xùn)練例子，這表明它更好地復(fù)制了人腦的運作。對于大多數(shù)計算任務(wù)，人腦的方法通常是更好的。
波焦相信，積點的集合還能鎖定更抽象的概念。包括不同形狀物體集群的模板，就像一個骰子一面上的點一樣排列，或者排成一列或是圓形，能夠加強數(shù)字的概念。一個從不同透視關(guān)系觀察的平行線的模板，能夠加強平行或透視關(guān)系的概念?！翱赡軙懈嘤腥さ氖虑橛写剿?，”他說。
模糊思維
和波焦一樣，喬希·特南鮑姆（Josh Tenenbaum）是腦與認知科學(xué)系（Department of Brain and Cognitive Sciences，簡稱BCS）的教授和CSAIL的首席研究員。
他領(lǐng)導(dǎo)的CBMM開發(fā)要點，集中于直觀把握孩子也能展示的物理現(xiàn)象，同時他也進行有助于波焦領(lǐng)導(dǎo)的理論工作的研究。
特南鮑姆解釋說，最早的人工智能研究集中在構(gòu)建數(shù)學(xué)語言上，例如可以為“鳥能夠飛”和“鴿子是鳥類”等論斷編碼。
研究者們認為，如果語言足夠嚴謹，計算機算法將能夠梳理編寫在其中的論斷，并計算出所有邏輯上有效的推論。
但是，理解語言論斷所需要的背景信息被證明遠比預(yù)期中要多。例如，并不是所有鳥都能飛。
在不能飛的鳥類中，關(guān)在籠子中的知更鳥和翅膀斷了的知更鳥是有區(qū)別的，另一種區(qū)別是各種類型的知更鳥和一只企鵝的區(qū)別。
以手工編寫出足夠的這類常識性例外，以使最基礎(chǔ)類型的推理成為可能，被證明過分耗時。
相比之下，通過機器學(xué)習(xí)，電腦可以自行學(xué)習(xí)某種東西的大量例子，并推斷這些例子的共同點。
例如，通過1百萬張一只獅子的圖像，機器學(xué)習(xí)算法可以量化自身的猜測：77%擁有這類視覺特征的圖像是獅子的圖像。
但是，雖然這種方法對于明確定義的問題處理得不錯，例如識別鳥類的圖像，但在處理更抽象的概念時會遇到麻煩，例如飛行這種鳥類、直升機、風(fēng)箏和超級英雄共有的能力。而比起語法和母性來說，飛行還算是一個具體化的概念。
特南鮑姆和他的學(xué)生們已經(jīng)開發(fā)出一種新型工具，名為概率性編程語言，其中融合了新舊人工智能的最佳特色。
如同早期人工智能語言一樣，它包含了推理規(guī)則。但這些規(guī)則是概率性的。例如說食火雞是一種鳥，以特南鮑姆的語言編寫的程序估計會得出這樣的結(jié)論：食火雞可能可以飛。
但假如程序隨后被告知食火雞的體重將近200磅，它大概就會把飛行可能性降低。
“在人工智能的兩個早期階段，最大的分歧在于符號對抗統(tǒng)計，”特南鮑姆說?！拔覀冊跀?shù)學(xué)方面的發(fā)現(xiàn)之一是如何將這兩點相結(jié)合，如何以這類符號語言進行統(tǒng)計推斷和概率推理。”
讀懂人們
波焦的五個基準問題中的第二個是“圖像里都是誰？”。
這個問題長期以來一直與BCS教授南?！た簿S舍（Nancy Kanwisher）的工作相關(guān)，她最知名的領(lǐng)域是，使用功能性核磁共振成像來識別和分析大腦的面部感知專門區(qū)域。
坎維舍領(lǐng)導(dǎo)著CBMM的社會智能要點研究，她把這當(dāng)成自己先前研究的自然延伸。“當(dāng)你看一張臉時，你感興趣的不僅是基本的人口統(tǒng)計方面信息，例如那具體是誰，他們是男是女，他們年齡多大，”她說?！澳隳苷f出的不僅是這個人快樂或悲傷，還有他們是自信還是躊躇，精力充沛還是被動。通過非常簡短的一瞥，我們能夠從一張臉上看出極為豐富的東西?！?/div>
坎維舍說，人類通過肢體語言，同樣可以推斷出很多關(guān)于人們情緒、意圖，以及與他人的關(guān)系。肢體語言有著符合計算建模的優(yōu)勢。
她還援引了已故的納莉尼·阿姆巴迪（Nalini Ambady）的研究，后者是斯坦福大學(xué)的社會心理學(xué)家，曾開發(fā)出“薄片判斷”理論。
“在學(xué)期開始時，她錄下了哈佛課程助教在班級前講課，”坎維舍說?！叭缓笏堰@些視頻非常簡短的片段向心理學(xué)實驗的對象展示，并說‘為這名教師的效率打分’。這些人都是看到一個人在教室前對一個班級講話的幾秒鐘，甚至都沒聽到在說什么。而她發(fā)現(xiàn)，這些評分結(jié)果，與那個人的實際學(xué)生的評分非常接近?！?/div>
坎維舍說，CBMM社會智能要點的第一個項目，將是設(shè)計一組實驗任務(wù)，令研究人員能夠量化人類社會知覺。一旦研究人員建立一條基線，他們就能進行一些研究，例如童年期間各項任務(wù)的表現(xiàn)，或是自閉癥兒童不同于其他兒童的表現(xiàn)。
他們還能確認參與社會知覺的大腦區(qū)域，方法是通過功能性核磁共振成像來測量神經(jīng)活動，或是通過經(jīng)顱磁刺激來干擾表現(xiàn)。在收集所有這些數(shù)據(jù)之后，他們將嘗試為大腦運行進行精確計算機建模。
聽懂故事
波焦的列表上后邊的問題是“誰在對誰做什么？”和“接下來會發(fā)生什么？”這些問題吸引著帕特里克·溫斯頓（Patrick Winston）。
他認為，定義人類智能的特征就是講述和理解故事。
這種能力甚至在標(biāo)記圖像過程中發(fā)揮作用。正如溫斯頓喜歡指出的一樣，一個人類能夠把一個人拿起杯子放到嘴邊的圖像識別為他在喝酒。如果這個人拿著杯子向前幾英寸，那他就是在敬酒。不過一只貓頭朝上接著水龍頭里的幾滴水的圖像，也會被人們識別為喝水的實例。
“你必須思考你所看到的是一個故事，”溫斯頓說?！八鼈兊玫较嗤臉?biāo)簽，因為這是相同的故事，而不是因為看起來一樣?！?/div>
這就是把一個研究要點貢獻給視覺、語言，以及社會和運動技能的一個原因。
為說明另一個原因，溫斯頓援引了發(fā)展心理學(xué)家伊麗莎白·斯皮克（Elizabeth Spelke）進行的一項實驗，她是前麻省理工學(xué)院教員，目前在哈佛，是發(fā)展要點的主要研究者之一。
斯皮克曾被一些實驗引起了興趣，在那些實驗中，研究人員把老鼠放在一間房間中心的一個旋轉(zhuǎn)平臺上。食物被明顯地放在一個角落，但隨后被擋板遮住。相同的擋板被安置在其余三個角落，平臺則被旋轉(zhuǎn)。
斯皮克決定將該研究擴展到人類兒童和成人上，隱藏物改為一個玩具或一串鑰匙而非食物。
對于所有動物、兒童和成人來說，一旦旋轉(zhuǎn)停止，實驗對象或者走向被遮蔽物的角落，或者走向?qū)堑慕锹洌雌饋砗捅徽诒挝锏慕锹湟粯樱?，兩者概率相等?/div>
研究者們還改變了實驗，為目標(biāo)物體對角角落的墻上涂上不同的顏色。動物和兒童仍然以相等的概率選擇正確角落或?qū)墙锹洌赡耆藙t可以相對可靠地找到目標(biāo)。
這就是事情變得有趣的地方。如果成年人在前往目標(biāo)前，被要求聽一段文本并背誦，那么他們又會被截然相反的角落所混淆。收聽和背誦文本“消耗了人類的語言處理器，把他們降到了老鼠的級別，”溫斯頓說?！爸笏麄儠f，‘是的，我可以看到藍色的墻，但卻沒能記住?！?/div>
回答CBMM的基準列表上最高級別的問題，大概會比NSF最初資助的5年需要長得多的時間。不過波焦說，“是時候再試一次了。已經(jīng)過了50年。我們不清楚這一次能否成功。但如果我們不去嘗試，就無從知道?！?/div>
知名風(fēng)險投資公司
紅杉資本|瑞華投資|同創(chuàng)偉業(yè)|達晨創(chuàng)投|深創(chuàng)投|IDG|創(chuàng)東方|君聯(lián)資本|中科招商|經(jīng)緯中國|啟明創(chuàng)投|松禾資本|英特爾投資|優(yōu)勢資本|東方富海|天堂硅谷|九鼎投資|晨興創(chuàng)投|江蘇高科投|北極光創(chuàng)投|德同資本|凱雷投資|中國風(fēng)投|天圖資本|真格基金|DCM|IFC|凱鵬華盈|高盛投資|啟迪創(chuàng)投|戈壁|荷多投資|紀源資本|鼎暉投資|華平投資|金沙江投資|海納亞洲|永宣創(chuàng)投|險峰華興創(chuàng)投|中投|海通開元|中信資本|力鼎資本|平安創(chuàng)新資本|天使灣創(chuàng)投|和君資本|祥峰集團|招商湘江投資|元禾控股|力合創(chuàng)投|復(fù)星創(chuàng)富|陜西高投|光速創(chuàng)投|富達亞洲|成為資本|中信產(chǎn)業(yè)基金|GIC|基石資本|金茂資本|富坤創(chuàng)投|盈富泰克|重慶科投|鼎暉創(chuàng)投|北工投資|海富投資|招商局資本|新天域資本|中路集團|摩根士丹利|青云創(chuàng)投|建銀國際|德豐杰|弘毅投資|CVC|藍馳創(chuàng)投|寬帶資本|秉鴻資本|金石投資|天創(chuàng)資本|證大投資|中經(jīng)合|信中利|蘭馨亞洲|淡馬錫|浙商創(chuàng)投|華睿投資|景林資產(chǎn)|摯信資本|高特佳|清科創(chuàng)投|華登國際|山東高新投|集富亞洲|騰訊|無錫創(chuàng)投|創(chuàng)新工場|智基創(chuàng)投|策源創(chuàng)投|軟銀中國|
創(chuàng)業(yè)聯(lián)合網(wǎng)是創(chuàng)業(yè)者和投資人的交流平臺。平臺擁有5000+名投資人入駐。幫助創(chuàng)業(yè)企業(yè)對接投資人和投資機構(gòu)，同時也是創(chuàng)業(yè)企業(yè)的媒體宣傳和交流合作平臺。
熱門標(biāo)簽
精華文章
商務(wù)與客服聯(lián)系微信