机器学习能力能否媲美人类？ - UG爱好者

3月中旬，机器人AlphaGo打败围棋高手李世石的消息刷新了人工智能领域的纪录。不过，近期的人工智能领域可谓喜忧参半，大约一周后的3月23日，微软开发的聊天机器人Tay在接入“推特”（Twitter）使用不到24小时后，因被网民“教坏”发表过激言论，被宣布下线进行修复。AlphaGo和Tay都运用了人工智能中最为核心的技术——“机器学习”。机器学习如何实现？它达到或者超过人类的学习能力了吗？又该如何突破目前的研究瓶颈？中国社会科学报记者对人工智能研究领域的学者进行了采访。

　　人类在学习中获得新知识和新技能。如果机器可以像人类一样拥有学习能力，是否也意味着其越来越智能？“在人工智能领域，让机器通过学习获得尽量多且足够高级的知识与技能正是机器学习的终极目标。”山东大学哲学与社会发展学院教授王华平告诉记者，机器学习旨在赋予计算机没有显性编码情况下的学习能力。

　　美国人工智能学家汤姆·米歇尔给出的机器学习定义被学界普遍认可：“一个计算机程序被称之为从与某类任务T和性能度量P有关的经验E中学习，当在任务T中它的以P为度量的性能因为经验E得到了提升。”“根据这一定义，机器学习必须具备三个要素：任务、性能度量和训练经验。”王华平举例说，比如一个电子邮件程序通过监视你将哪些邮件标为垃圾邮件这样一个训练经验，而学会了更好地过滤垃圾邮件。AlphaGo之所以能够打败围棋高手，是因为研究人员在AlphaGo身上运用了深度学习技术，让它受到了3000万步棋的训练。

　　“机器学习技术意味着人工智能从基于规则的套路演化为基于统计，或者基于规则与统计结合的思路。”复旦大学哲学学院教授徐英瑾介绍说，当代人工智能采用的深度学习技术，在输入、输出值之间设置了更丰富的中间层，使人工智能的神经元网络，对于外部对象抽象层次的丰富度有了重大提升，使它的行为具有一定的容错性、灵活性和模糊性。比如，运用于人脸识别技术时，即使对象脸部在不同时间发生一些变化，它依然可以识别。

　　相比较于AlphaGo的近乎完美胜利，Tay则得失兼有。正如王华平所说，两者都试图用机器学习的利剑来敲开人类智能的硬核，即基于直觉的计算和基于语言的思想表达。

　　20世纪主要基于规则的人工智能让机器的一些对人类的智能需要反馈显得生硬，基于概率与统计的机器学习让机器更加人性化。“要在技术上建构能够像人类那样获取新知识和新技能的人工系统，面临的难题却远非技术层面。”正如华东师范大学哲学系教授郦全民所提出的，这项技术首先是基于对人类智能本身的理解，而这其中却包含着很多难题。

　　“按照现在神经认知科学有望达到的理想状态，如果我们可以用数学建模的方法，把人类的大脑神经元网络基于仿生学原理进行重构，就有望在机器身上实现人工大脑。”徐英瑾紧接着又质疑说，人的神经元总数庞大，而如此之多的神经元它们两两的联系在数学上非常复杂。不是大脑任何功能都能还原到单个神经元层面。当我们陷入这些庞杂信息，最终可能丧失了对于这个问题本质关联的洞见。

　　为何一个幼儿只是在父母很少的语言交流样本中就能学习语言，但若要让机器学会使用语言，即便有海量的经验，却只能摸出一点点规律，而且达不到像孩子在学习语言中的创造力？在徐英瑾看来，这一对比恰恰反映基于统计的机器学习并未能实现对人类智能本身的理解。

　　聊天机器人Tay的“学坏”背后同样反映了机器学习对人类智能理解的力不从心。“人工智能目前无法理解语言意义是其一大难题。语言不只是一串声音，也不只是一堆符合句法的字符，它是表达说话者心理状态的语义实体。语言的意义就在于它负载了说者的思想与意图。”王华平认为，Tay虽然通过学习，向对话者输出了一大堆符合句法的字符，但它根本没有赋予这些字符以意义。

　　正如受访学者所说，人工智能目前首要攻克的难题是其赖以支撑的基础理论的缺失。郦全民认为，因为建构具有学习能力的人工系统是一门很复杂的技术，所以需要大量的基础学科的研究成果作为支撑，这些学科包括认知神经科学、认知心理学、语言学和理论计算机科学等，而不同领域的专家要能够理解对方的“语言”。

　　“比如我们人类语言的心理机制是如何形成的？我们首先需要把基础理论搞清楚。”徐英瑾建议，现有的语言学、心理学家们应该加强对宏观问题的研究，比如提供大量关于我们心灵工作机制的理论假说，并让不同假说的主张者和特定的实践派进行结合，让不同的假说都有一个被实践化的机会，继而在实践层面上加以研究和验证。

　　王华平也提出，到目前为止，机器学习主要依赖于计算机科学与统计学，它从人类学习中获得的启示远逊于它从上述两个学科所获得的启示。一个重要原因是，我们对人类学习的了解还不够。在他看来，人类学习的一个重要特征是概念化，即用概念去表达意识的内容。目前的机器学习并不能让机器做到这一点。无论是Tay还是AlphaGo都不知道自己说了什么，做了什么。

　　王华平建议，机器学习如果真的要做到与人类相媲美，那么它就应该更多地向人类学习。它需要学会像人类一样进行概念化，学会像人类一样拥有对自我意识的二阶状态。只有这样，机器才能拥有自己的价值体系，才能甄别那些与它们的“基本原则与价值相冲突的不良意图”。而要做到这一点，就需要认知科学揭示出更多的人类认知细节，还需要哲学勾画出更加饱满的人类价值体系。总之，机器学习要有一个质的飞跃，就需要加强与认知科学和哲学的合作。