AIR 016丨牛津计算机系主任讲的两个AI研究方法是啥？

对于计算机来说，它在执行任务时需要非常准确的指令，AI目前能做的也只是按照指令来执行，人们在为AI编程的时候，就必须把任务分解成低阶、简单的定义的指令，并把人工智能归纳到这种指令上。而目前能解决的问题也有限。

在今天开幕的CCF-GAIR大会上，牛津大学计算机系教授Michael Wooldridge在演讲中说，目前人工智能已经解决了游戏、固定程式计算、开车等问题。而像“口语翻译”这种较难的人工智能研究也在未来很快会被解决，但像“理解一个故事”、“讲一个笑话”这种高阶的人工智能还没有被解决。之所以没有解决，主要是因为目前的AI并不能做到“复杂推理”、“处理定义不清的问题”、 “对事物做出判断”以及“对外界环境的感知”，这些问题如何解决，就涉及到了人工智能研究方法的问题。

Michael Wooldridge在演讲中提到：

为了能够让人工智能去理解更高阶段的信息，目前学术界主要有两种方式：神经型AI解决方式和符号型AI解决方式。

▎神经方法AI

神经方法的AI可谓是目前最流行的研究方法，现阶段很多单任务人工智能所做的，基本上都是基于“神经网络”的可深度学习的人工智能，包括前些时间击败李世石的Alpha Go也属于神经型AI。

神经型AI 的特点是，计算机会“铺开一张网络”，在网络中计算所有的可能性，并作出合理的判断。其优势在于，只要在算法上进行突破，把神经网络合理组织，并进行大量的数据训练，并结合较高的运算能力，就能够去处理一些复杂的问题。

不过，尽管Alpha Go十分成功，但并没有实现通用的人工智能，因为阿尔法狗不能去沟通它所使用的策略和技巧，这并不是它不够智能，只是因为意识理解的AI并不是神经网络能够做到的。

▎符号方法AI和其他

要想做到更强的AI，就需要计算机有推理解释的能力。

Michael Wooldridge在演讲中举了一个简单的例子：

Bob：“I’m leaving you”

Ann：“Who is she?”

从这段情侣分手的对话中就可以看出，人类对语言是有分析推理能力的，这种推理能力是基于对人类社会关系的认识、运行的机制和背景知识的。简单的神经网络并不能做到这一点，因为神经网络的AI缺乏这种知识。除此之外，在文学、艺术的创作和鉴赏上，人工智能都缺乏理解和洞察的能力。

所以，Michael Wooldridge介绍说，在神经网络和深度学习之外，符号方法AI解决方式在理解方面起到了重要作用，然而这个符号方法AI具体是什么呢？

关于符号方法AI的研究历史，维基百科上显示的是：

20世纪50年代，当数字计算机研制成功，研究者就开始探索人工智能是否能简化成符号处理。60年代，符号方法在小型证明程序上模拟高级思考有很大的成就。基于控制论或神经网络的方法则置于次要。60－70年代的研究者确信符号方法最终可以成功创造强人工智能的机器，同时这也是他们的目标。

为了进行符号方法的人工智能研究，在早前研究者们就分别用不同方法进行了尝试：

认知模拟：经济学家赫伯特·西蒙和艾伦·纽厄尔研究人类问题解决能力和尝试将其形式化，同时他们为人工智能的基本原理打下基础，如认知科学、运筹学和经营科学。他们的研究团队使用心理学实验的结果开发模拟人类解决问题方法的程序。

基于逻辑：不像艾伦·纽厄尔和赫伯特·西蒙，计算机科学家约翰·麦卡锡认为机器不需要模拟人类的思想，而应尝试找到抽象推理和解决问题的本质，不管人们是否使用同样的算法。他在斯坦福大学的实验室致力于使用形式化逻辑解决多种问题，包括知识表示，智能规划和机器学习。

“反逻辑”: 斯坦福大学的研究者 （如马文·闵斯基和西摩尔·派普特）发现要解决计算机视觉和自然语言处理的困难问题，需要专门的方案：他们主张不存在简单和通用原理（如逻辑）能够达到所有的智能行为。罗杰·单克（Roger Schank）描述他们的“反逻辑”方法为“scruffy”。常识知识库（如道格拉斯·莱纳特的Cyc）就是“scruffy”AI的例子，因为他们必须人工一次编写一个复杂的概念。

基于知识：大约在1970年出现大容量内存计算机，研究者分别以三个方法开始把知识构造成应用软件。这场“知识革命”促成专家系统的开发与计划，这是第一个成功的人工智能软件形式。“知识革命”同时让人们意识到许多简单的人工智能软件可能需要大量的知识。

以上都是符号方法人工智能的尝试，简单的说，符号方法AI能够实现跟人类认知水平相差不多的AI。除此之外，很多学者还提出了“子符号方法”、“统计学方法”、“集成方法”等。直到目前为止，都没有统一的原理或范式指导人工智能研究，在许多问题上研究者都存在争论。而Michael Wooldridge所说的神经方法AI和符号方法AI，则是目前主流的研究方向，神经方法AI是时下比较时髦主流的，而符号方法AI则并不是十分流行，对此，Michael Wooldridge解释道：

符号方法AI还是有缺点的，其有非常难的问题还需解决：

第一个是转换能力。比如说在一个复杂的现实当中，怎么把复杂变化简单的符号，这个描述用一个简单的语句来表达是非常难的。

第二个问题你要把这个过程推理出来，把这个推理的过程表述出来，这个目前也是极为困难的。

▎还需解决的问题

对于人工智能的研究方法，其中几个长久以来仍没有结论的问题是：

是否应从心理或神经方面模拟人工智能?

像鸟类生物学对于航空工程一样，人类生物学对于人工智能研究是没有关系的？

智能行为能否用简单的原则（如逻辑或优化）来描述，还是必须解决大量完全无关的问题？

这些问题解决之后，相信人工智能的发展会有一个明晰的方向。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。