第2章-为什么人脑的学习能力比目前的人工智能机器更强-1

人工智能近几年的迅猛发展，也许意味着我们已经发现了如何复制甚至超越人类学习能力和智力的奥秘。一些预言家甚至认为，机器即将统治人类。然而，这与事实相去甚远。事实上，许多认知心理学家在赞赏人工神经网络最近的发展的同时，也清楚这些机器的能力仍然十分有限。大部分人工神经网络实际上只能进行人脑在前零点几秒内进行的无意识的运作，比如接收、识别、分类一个图像并理解其含义。[注]但是，我们的脑法力无边，它能有意识地、仔细地、一步一步地，在几秒钟内搜索这个图像，它还能构建这个图像在真实世界的符号表征，并通过语言与他人分享。


这样缓慢地、理智地、符号化地运作是人脑的特权。现有的机器学习无法进行这样的运作。虽然机器翻译与逻辑推理领域的研究一直在进步，但关于人工神经网络的一个常见批评是它们尝试在同一水平上学习所有事物，就好像任何问题都属于自动分类一般。这就好比对一个拿着锤子的人来说，任何东西看起来都像钉子！但是我们的脑要灵活得多，它能够很快掌握信息并分清主次，它还能在任何可能的时候提取具有普遍性、逻辑性的明确的原则。

人工智能缺少了什么

找到人工智能的缺陷是个有趣的任务，因为这也是分辨人类独特的学习能力的方法。下面是一份简短的，可能还不完整的功能清单。这些功能甚至连婴儿都具备，而目前的大多数人工智能却缺乏这些能力。

学习抽象概念。大部分人工神经网络只能掌握信息处理的初级阶段，就像脑的视觉区域在1/5秒内解析一幅图。深度学习算法的运算深度也远不及一些人宣称的那样。深度学习算法的发明者之一约书亚·本吉奥(Yoshua Bengio)认为，深度学习实际上更倾向于学习数据中浅显的统计规则，而非高层次的抽象概念。[注]比如说，在识别一个物件时，它们经常依赖于视图中几个浅显特征的呈现，如具体的颜色或形状等。改变这些细节，深度学习算法就会崩溃。因为现在的卷积神经网络无法识别物件的核心组成，它们很难理解一张椅子不管有四只脚还是一只脚，不管是由玻璃、金属还是可伸缩塑料做成的，它都只是一张椅子。倾向于关注肤浅的特征使这些网络更容易产生大规模的差错。有许多关于如何忽悠人工神经网络的文献，比如用一根香蕉的图像，对像素做些许改变或贴上一个特殊标签，人工神经网络就会误以为该图片是一台烤面包机！


当你将一张图在某人眼前快速闪过时，人们大概率会像机器一样犯下相同错误——把狗当成猫。[注]但是，只要给他们多一点时间，他们就会纠正自己的错误。与电脑不同，我们具有质疑自己所相信的并将注意力重新聚焦到图像中与我们第一印象不相符的部分的能力。这样的二次分析是有意识且聪慧的，它利用了我们推理与提取抽象概念的综合能力。人工神经网络忽视了一个核心要点，即人类学习并不是图像识别过滤器的装置，而是对世界抽象模式的构建。比如，通过阅读学习，我们掌握了每一个字母的抽象概念，从而能够认出它的各种形态，还可以创造出它的各种新的形态（见图2-1）。


图2-1 字母的各种形态

认知科学家侯世达[注]曾经说过，人工智能的真正挑战在于识别字母A！这一嘲讽无疑是夸张的，但也触及了问题的核心，即便在这最微小的问题背景下，人类都能施展自己无与伦比的抽象化本领。这个壮举来源于日常生活中的一个有趣物件——验证码，即一小段字母，一些网站会让你识别它，来证明你是人类而不是机器。但计算机科学迭代迅速，2017年，一个人工智能系统以几乎拟人的程度成功识别了验证码。[注]不出所料，这种算法从多个方面模仿了人脑。这绝对是一次精心的杰作，因为它能够提取每个字母的架构，如字母A内部的短横线，并使用了所有统计推理资源来认证一个抽象概念是否适用于当前的图像。然而，无论这个算法多么精密，也只能运用于验证码。我们的脑则能将抽象化本领用于日常生活的方方面面。