论文详情

反思“人工智能革命”

关注“壹学者”微信 >>
767 18  
第一作者认领本论文 邀请作者认领本论文

第一作者:金观涛

作者简介:金观涛,中国美术学院,台湾政治大学,香港中文大学中国文化研究所。

人大复印:《科学技术哲学》2017 年 10 期

原发期刊:《文化纵横》2017 年第 20174 期 第 20-29 页

柯洁和AlphaGo的对决,再次掀起人工智能的讨论。伴随大数据时代的来临,互联网、人工智能、虚拟现实互相融合进而有可能重塑社会,特别是人工智能的蓬勃发展,似乎正在颠覆人类社会现有的组织、生产和生活形态。

本文力图从人类智能和社会长时段发展的视角,审视当下这场人工智能革命的实质,及其对现代社会的冲击。进一步来说,今天有必要在认识论层面上,理解“什么是人类智能”,重新界定人类智能的进步与社会形成、演变的关系。当前对这些问题的认识空前混乱,恰恰反映出科学被技术异化和人文精神的丧失。

一场退回到原点的革命

当前正在发生的这场人工智能革命,实质是一场“退回到原点的运动”,由此所引发的讨论,在某种意义上也是对人类“智能”认识的大倒退。所有这一切都和人文精神的沦丧有关,特别是对人工智能的发展历史的忽略。

其实,早在“人工智能”这一观念出现以前,AlphaGo的工作原理已经被数学家和生理学家发现了。1948年,美国应用数学家诺伯特·维纳提出了“控制论”,促使智能研究的行为主义大转向。与今日人工智能研究直接相关的,是当时的自动机理论,麦克卡洛和匹茨的神经网络模型就是这类自动机之一,其被视作人工智能研究的连接主义学派(其对智能的认识也是行为主义的)的开创者。神经网络模型的基本思想极为简单——大脑神经元的工作原理和电脑工程师所说的逻辑门一样,一个CPU就是一个逻辑门的集合体。①在此基础上可以得到神经元的计算模型:系统的输入为I1,I2,…,IN,接受这些输入的神经元输出用如下法则规定:将这些信号经过加权(W1,W2,…,WN),如果其强度超过了一定的阈值(T),则该神经元就会发放一个信号y给其他神经元或者直接输出到外界。②这样,阈值的改变意味着输入和输出关系的变化。当阈值的改变由输出引起时,我们可以说这部自动机在“学习”。

简言之,复杂的智能行为被简化成机器对外界刺激的反应和反馈。低层次的反馈是达到目的的行动;高层次的反馈,因存在代表网络连接方式之参数随输出结果变化而不断地调整,其可以解释神经网络结构和相应行为模式的变化,也就是学习机制。

作为神经网络自动机的AlphaGo,其工作原理早已一清二楚,在今天没有新的内容。20世纪40~50年代,因电脑刚刚出现,加上数据量的限制,AlphaGo不可能被制造出来。近年来,伴随计算机硬件的发展,以及海量数据的积累,使得神经网络自动机的研究和制造突破了物质和技术条件的限制,这就是今天的人工智能“革命”。

AlphaGo接连战胜人类棋手,掀起人工智能的持续讨论

仿生学和AlphaGo

既然早在20世纪40~50年代,AlphaGo的工作原理已得到清晰认知,为什么当时神经网络自动机的功能没有被冠以人工智能之名呢?因为神经网络模型对应的是生物本能,而不是人类智能。

举个例子。1959年,麦克卡洛、匹茨与美国认知心理学家杰罗姆·莱特文等合作完成了一篇论文——《蛙眼告诉蛙脑什么》。他们发现,蛙眼能看到的是相对于背景运动着并具有特定形态的物体,而对背景视而不见。如一只昆虫或者天敌的“影子”只要从眼前掠过,青蛙会立即做出反应:扑向食物或者逃进水中。麦克卡洛等人用一个神经网络的数学模型来解释青蛙看到了什么。蛙眼神经网络的功能是青蛙的本能,不能被视为智能。但是从神经网络来讲,它和AlphaGo没有区别。正因如此,当时神经网络自动机的研究对应的是仿生学。

生物神经网络的本能源于遗传,而AlphaGo的能力是通过学习获得的,两者似乎不可同日而语。青蛙对运动物体的反应快过人,狗的嗅觉是人不可能有的。这都是自古就广为人知的事实,从来没有人会认为它们能超过人类,因为人具有智能,生物本能不是智能。智能是一种学习能力,这正是AlphaGo引起广泛注意的原因。其实,上述疑问之所以产生,是出于对智能和学习关系的混淆。生物的本能亦是通过“学习”获得的,只是不被称为学习罢了。

什么是深度学习?其本质是神经网络结构(规定神经元联接之阈值)因网络功能而改变,它与生物本能因自然选择而形成的过程相同。AlphaGo通过人喂给它的大数据或下棋的胜负来修改网络结构,青蛙则通过适者生存进化出对运动物体做出迅速反应的神经网络,从结果规定网络结构这一点上看,两者一模一样。换言之,今日所谓系统的深度学习,其理论基础是行为主义和连接主义。学习机制为“自下而上”的选择路径,这只是生物学意义上“自然选择”导致物种形成的过程。只是生物界不需要某一物种以下围棋来生存,故自然选择这一“深度学习机制”没有创造出人所不能匹敌的围棋高手。

任何一种达到目的的过程和学习都需要不同层次的反馈,但这些高层次的反馈绝不等同于智能。其实,神经网络自动机在60年前并未被视作有智能的,人工智能研究的出现正是立足于对智能和本能的区分。

深度学习的基础是神经网络研究

如何定义“智能”?长期以来,关于人类智能的思考,基本上是思辨性的。人们从自明的意识出发,通过内省来认识“记忆”、“学习”甚至是自我的形态。行为主义开创了用行为模式来定义智能的全新思路。举个例子,一只狗被汽车撞了,下次见了汽车就会害怕,通常人们是用狗有记忆来说明这一点的(心理学称之为生物对外界刺激的敏感化);行为主义认为,狗有记忆等价于其行为模式改变。因为行为模式是可以通过观察来研究的,甚至可以定量地加以测量,故行为主义开启了心理学科学化、定量化的转向。③如前所说,“控制论”的出现使得学习所依靠的反馈机制被发现,它促使智能研究的行为主义大转向。实际上,用图林实验判别机器会不会思考,其基础也是智能的行为主义定义。毫无疑问,这是智能研究的一大进步。借用维纳唯一的学生阿尔贝勃的说法来概括:这是在智能甚至意识解释中赶走鬼魂的工作。但是,智能的行为主义定义正确吗?

就记忆本身而言,AlphaGo通过人喂给它的大数据或下棋的胜负得到的记忆,只是智能所具有的各种记忆中的一种,即最初等的“默会知识”。心理学研究早就指出:记忆分“陈述性记忆”和“非陈述性记忆”。默会知识是非陈述性记忆,比如骑自行车、游泳等,人们可以通过实践(反馈学习)来获得,但却不能用语言来描述它,甚至主体都不知道自己“为何知道”。另一种是陈述性的,也就是人类能够以符号系统予以表述的知识,其可以被传递、重构、遗忘甚至歪曲。行为主义和连接主义对智能的认识很大程度上只停留在其非陈述性的一面。然而,如果没有陈述性记忆,知识不能经理性加工、传递,亦不能社会化。也就是说,仅仅用非陈述性记忆是无法理解最简单的智能的。事实上,20世纪50年代末,心理学的行为主义学派受到广泛地批评,控制论研究的第二阶段开始了。智能有了更为深入也较为准确的定义,人工智能的研究从此起步。在此意义上,今日忽略对行为主义的批评、回到控制论刚兴起时状态的“人工智能革命”,是某种对智能认识的倒退。

什么是“智能”?

什么是陈述性记忆?这是主体使用符号来表达对象及形成的记忆,它比行为主义更接近智能之本质,这就进入到智能研究的另一个学派——符号主义。

艾什比是早期控制论的另一位代表人物,他对智能研究最大的贡献是,第一次给出了“智能”的较准确的定义。什么是智力?艾什比认为智力是进行正确(合适)选择的能力,选择能力的放大即为智力的放大,整个智能行为包含着符号(一种特殊的信息)之选择、编码、传输和解码,以及上述过程

上一篇

下一篇

*非会员只能阅读30%的内容,您可以单篇购买,也可以订购全年电子版,或成为壹学者高级会员,畅用壹学者站内优质学术资源和服务。

近期0位学者阅读过本论文

回应区(0条)

确定

回应