1956年，由數(shù)學(xué)系年輕的助理教授John McCarthy領(lǐng)導(dǎo)的科學(xué)家小組齊聚新罕布什爾州的達(dá)特茅斯學(xué)院，計(jì)劃進(jìn)行一個(gè)為期六周且雄心勃勃的項(xiàng)目：創(chuàng)建一種能夠“使用語言、形式抽象與概念，幫助人類解決各類現(xiàn)存問題并自我改善”的計(jì)算機(jī)。

隨著項(xiàng)目帷幕的徐徐開啟，人工智能（AI）領(lǐng)域也正式出現(xiàn)在世界之上。當(dāng)時(shí)的科學(xué)家們認(rèn)為，“只需要2個(gè)月時(shí)間加10名研究人員”，就足以解決AI謎團(tuán)中的核心難題。在第一份AI提案中，赫然寫道“只要能組織一批精心挑選的科學(xué)家共同研究一個(gè)夏天，我們就能夠在一個(gè)或者多個(gè)問題上取得重大進(jìn)展?！比欢?jīng)歷了六十多年的探索，真-人工智能的時(shí)代仍然遙遙無期。

我們?nèi)詻]能打造出擁有與人類兒童相近思維與解決問題能力的思考機(jī)器，更遑論成年人。但是，探索的腳步從未停歇，突破也在持續(xù)來臨——時(shí)至今日，人工智能領(lǐng)域已經(jīng)呈現(xiàn)出人工通用智能（AGI）與人工窄智能（ANI）并立的局面。

通用AI與窄AI之間有何不同？

正如McCarthy和他的同事們所設(shè)想，AI代表著一種人工智能系統(tǒng)，有能力學(xué)習(xí)任務(wù)并解決問題，且全程無需人類為其明確指示操作細(xì)節(jié)。這類系統(tǒng)需要能夠進(jìn)行推理與抽象，并輕松將已經(jīng)掌握的知識(shí)從一個(gè)領(lǐng)域轉(zhuǎn)移到另一個(gè)領(lǐng)域。

研究人員經(jīng)歷了數(shù)十年攻堅(jiān)，并意識(shí)到AI系統(tǒng)確實(shí)很難滿足以上提到的所有條件。而能夠模仿人類思維過程的計(jì)算機(jī)AI這一原始愿景，也被更名為“人工通用智能”。

根據(jù)維基百科的說明，AGI是指“一種能夠理解或?qū)W習(xí)人類方式并完成任意智能任務(wù)的機(jī)器?！蹦壳?，科學(xué)家、研究人員以及意見領(lǐng)袖的普遍觀點(diǎn)是，我們距離真正的AGI至少還有數(shù)十年的發(fā)展歷程。但在實(shí)現(xiàn)這一創(chuàng)造思維機(jī)器夢想的持續(xù)努力當(dāng)中，科學(xué)家們還是設(shè)法發(fā)明出各種實(shí)用的技術(shù)。而窄AI，正是這類技術(shù)的統(tǒng)稱。所謂窄AI，是指那些特別擅長處理單一任務(wù)或者特定范圍內(nèi)工作的系統(tǒng)。在大多數(shù)情況下，它們在特定領(lǐng)域中的表現(xiàn)遠(yuǎn)優(yōu)于人類。

不過一旦它們遇到的問題超過了適用空間，效果則急轉(zhuǎn)直下。換言之，它們無法將自己掌握的知識(shí)從一個(gè)領(lǐng)域轉(zhuǎn)移到另一個(gè)領(lǐng)域。例如，谷歌下轄AI研究實(shí)驗(yàn)室DeepMind開發(fā)的機(jī)器人能夠在即時(shí)戰(zhàn)略游戲《星際爭霸2》當(dāng)中屠殺人類選手;而一旦將對抗平臺(tái)換成《魔獸爭霸》或者《命令與征服》等其他同類游戲，它的競技水平會(huì)立刻下降至智障級(jí)別。

盡管窄AI無法全面執(zhí)行需要人類智能的任務(wù)，但在特定場景中仍然非常實(shí)用，而且已經(jīng)在諸多應(yīng)用之內(nèi)發(fā)揮著自己的作用。谷歌搜索查詢現(xiàn)在可以利用窄AI算法回答問題;窄AI系統(tǒng)會(huì)在YouTube及Netflix中推薦用戶可能感興趣的視頻，并在Spotify中按喜好整理出周推音樂列表。事實(shí)上，在大多數(shù)情況下，每當(dāng)我們聽說某家企業(yè)“利用AI解決了某些問題”，或者是在新聞?lì)^條里看到與AI相關(guān)的消息，他們指的都是人工窄智能。

窄AI技術(shù)的不同類型

目前市面上存在的窄AI技術(shù)可以大體分為兩類：符號(hào)型AI與機(jī)器學(xué)習(xí)。符號(hào)型人工智能（又稱傳統(tǒng)AI，GOFAI）在很長一段歷史時(shí)期中都是學(xué)術(shù)研究的主要領(lǐng)域。符號(hào)型AI要求程序員精心定義規(guī)則，借此引導(dǎo)智能系統(tǒng)的行為，符號(hào)AI適用于那些具備可預(yù)測且規(guī)則明確的應(yīng)用場景。盡管過去幾年當(dāng)中，符號(hào)型AI的關(guān)注熱度有所下降，但我們目前的大部分應(yīng)用程序仍然以這類方案為基礎(chǔ)。

機(jī)器學(xué)習(xí)則屬于窄人工智能的另一分支，通過示例建立起智能系統(tǒng)。機(jī)器學(xué)習(xí)系統(tǒng)的開發(fā)者負(fù)責(zé)創(chuàng)建模型，并為其提供大量示例以完成“訓(xùn)練”過程。機(jī)器學(xué)習(xí)算法將處理這些示例，并建立起通過數(shù)據(jù)中的數(shù)學(xué)表示執(zhí)行預(yù)測與分類任務(wù)的能力。例如，經(jīng)過訓(xùn)練的機(jī)器學(xué)習(xí)算法能夠從成千上萬條銀行交易操作及結(jié)果（包括合法及欺詐行為）中學(xué)習(xí)知識(shí)，并據(jù)此預(yù)測新的銀行交易活動(dòng)是否存在欺詐嫌疑。

機(jī)器學(xué)習(xí)一派還包含多種不同風(fēng)格。深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)內(nèi)的一種特殊類型，并在過去幾年中得到全球各界的關(guān)注。深度學(xué)習(xí)特別擅長執(zhí)行那些數(shù)據(jù)內(nèi)容較為混亂的任務(wù)，例如計(jì)算機(jī)視覺與自然語言處理。強(qiáng)化學(xué)習(xí)又是機(jī)器學(xué)習(xí)的另一個(gè)子集，大部分游戲機(jī)器人使用的正是這種窄AI類型。其核心實(shí)質(zhì)，在于通過反復(fù)試驗(yàn)嘗試解決問題。我們?yōu)槭裁磿?huì)長期停留在窄AI階段？符號(hào)型AI與機(jī)器學(xué)習(xí)只能各自反映出人類智能中的一個(gè)側(cè)面，但卻無法將各個(gè)必要部分組合起來，共同建立起涵蓋完整人類智能的AI系統(tǒng)。也正因?yàn)槿绱?，我們才長期停留在窄AI階段，再難前進(jìn)一步。符號(hào)操縱是人類思維過程中的重要組成部分。

但是，單靠符號(hào)操縱并不足以反映完整的思維體系。我們會(huì)在童年時(shí)期學(xué)到多種技能（走路、奔跑、系鞋帶、搬運(yùn)、刷牙等等），這些技能徹底融入了我們的血液當(dāng)中——無需任何形式的符號(hào)操縱，我們都能隨時(shí)隨地利用潛意識(shí)將其掌握。符號(hào)AI系統(tǒng)非常脆弱，開發(fā)者需要對其面對的每一項(xiàng)任務(wù)做出精確指導(dǎo)，而系統(tǒng)也只能在嚴(yán)格符合定義的規(guī)則范圍之內(nèi)運(yùn)行。在另一方面，機(jī)器學(xué)習(xí)算法則比較擅長模仿那些符號(hào)推理捕捉不到的行為，例如人臉及語音識(shí)別，并通過示例掌握人類熟知的各類技能。在這方面，深度神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)算法中使用的結(jié)構(gòu)）表現(xiàn)尤為出色。其能夠攝取大量數(shù)據(jù)，并開發(fā)出數(shù)學(xué)模型以表征其中的模式。但同樣的，人類的學(xué)習(xí)過程也并不能簡單概括為純粹的模式匹配。

例如，我們只需要看過幾張小貓的圖像，就能借此識(shí)別出一生當(dāng)中見到過的形形色色的小貓。對人來說，從意識(shí)到什么是貓到準(zhǔn)確識(shí)別出貓是個(gè)一氣呵成的過程，但AI系統(tǒng)還遠(yuǎn)做不到、且必須在學(xué)習(xí)中引入許多符號(hào)操縱因素（貓有四條腿、一根尾巴、體表大多布滿茸毛、長著尖耳朵和三角形的鼻子等等）。符號(hào)操縱的缺失，限制了深度學(xué)習(xí)與其他機(jī)器學(xué)習(xí)算法的功能。深度學(xué)習(xí)算法需要大量數(shù)據(jù)，才能達(dá)到人類僅通過極少示例就掌握的任務(wù)執(zhí)行能力。

具體來講，用于計(jì)算機(jī)視覺的卷積神經(jīng)網(wǎng)絡(luò)（CNN）往往需要通過成千上萬張圖像，才能完成對各類對象的識(shí)別訓(xùn)練。即使如此，在遇到新的光照條件或者相同物體的不同呈現(xiàn)角度時(shí)，這些模型還是會(huì)快速敗下陣來。諸如AlphaGo、AlphaStar以及OpenAI Five等AI游戲系統(tǒng)必須經(jīng)過數(shù)百萬場比賽或者數(shù)千小時(shí)的訓(xùn)練，才能弄明白某一款游戲究竟該如何操作。

單從訓(xùn)練強(qiáng)度來看，這一數(shù)量已經(jīng)遠(yuǎn)遠(yuǎn)超過任何人（甚至十個(gè)人）一輩子的游戲時(shí)長。機(jī)器學(xué)習(xí)系統(tǒng)還嚴(yán)格受限于訓(xùn)練示例所涉及的上下文范圍，窄AI一詞也正源于此。例如，無人駕駛汽車當(dāng)中使用的計(jì)算機(jī)視覺算法在遇到異常狀況時(shí)，例如非正常停放的消防車或翻倒的汽車，很容易做出錯(cuò)誤的決定。

窄AI之后，下一個(gè)時(shí)代是什么？

科學(xué)家們一致認(rèn)為，我們目前擁有的任何AI技術(shù)中都尚不包含人工通用智能的任何必要部分。更要命的是，大家甚至對AI接下來該往何處去都各執(zhí)一詞。

下面來看擴(kuò)展人工窄智能的幾種主流思路：認(rèn)知科學(xué)家Gary Marcus建議應(yīng)該將基于規(guī)則的系統(tǒng)與神經(jīng)網(wǎng)絡(luò)結(jié)合起來，建立起混合型AI系統(tǒng)。

已經(jīng)有部分工作示例表明，神經(jīng)符號(hào)AI系統(tǒng)確實(shí)有望克服窄AI面臨的數(shù)據(jù)約束。Marcus寫道，“建立架構(gòu)的第一步，是將符號(hào)化方法的優(yōu)勢與來自機(jī)器學(xué)習(xí)的洞見相結(jié)合，據(jù)此開發(fā)出更強(qiáng)大的技術(shù)，進(jìn)而從充斥著大量噪音信號(hào)的大型數(shù)據(jù)集內(nèi)提取并歸納抽象知識(shí)?！庇?jì)算機(jī)科學(xué)家Richard Sutton合作撰寫過一本關(guān)于強(qiáng)化學(xué)習(xí)技術(shù)的開創(chuàng)性著作，在他看來超越窄AI的解決方案在于進(jìn)一步擴(kuò)展學(xué)習(xí)算法。Sutton認(rèn)為，人工智能行業(yè)的進(jìn)步主要?dú)w功于“單位計(jì)算成本呈指數(shù)下降這一持續(xù)性趨勢”，而非我們真的找到了將人類知識(shí)與推理更好地編碼到計(jì)算機(jī)軟件中的方法。

深度學(xué)習(xí)先驅(qū)Yoshua Bengio在去年的NeurIPS大會(huì)上談到了系統(tǒng)二深度學(xué)習(xí)算法。根據(jù)Bengio的介紹，系統(tǒng)二深度學(xué)習(xí)算法將能夠在無需集成符號(hào)AI元素的前提下，執(zhí)行某種形式的變量運(yùn)算。Bengio指出，“我們希望打造出能夠理解真實(shí)世界的機(jī)器，建立起良好的環(huán)境模型，使其能夠理解因果關(guān)系，并在這樣的真實(shí)環(huán)境下采取行動(dòng)來獲取知識(shí)。”另一位深度學(xué)習(xí)先驅(qū)Yann LeCun在今年的AAAI大會(huì)上談到了自我監(jiān)督學(xué)習(xí)。

自我監(jiān)督學(xué)習(xí)AI應(yīng)該能夠通過觀察世界來學(xué)習(xí)，而不再需要大量標(biāo)記數(shù)據(jù)。LeCun在會(huì)上解釋道，“我認(rèn)為自我監(jiān)督學(xué)習(xí)代表著未來。它將讓我們的AI系統(tǒng)，特別是深度學(xué)習(xí)系統(tǒng)進(jìn)入一個(gè)新的水平，有望通過觀察來了解關(guān)于這個(gè)真實(shí)世界的背景知識(shí)，甚至深化出某種認(rèn)知常識(shí)?！?/p>

我們?nèi)绾闻袛嘧约菏欠窨邕^了窄AI這道“坎”？

目前，人工智能面臨的一大挑戰(zhàn)，在于人們總會(huì)為其設(shè)下持續(xù)發(fā)展的目標(biāo)。只要還有問題未得到解決，我們就不能盲目斷言關(guān)于通用智能的宏愿已經(jīng)實(shí)現(xiàn)。而從另一個(gè)角度出發(fā)，只要能夠解決所有問題，那么計(jì)算機(jī)就將擁有真正的人工智能。不過其中的悖論在于，對于機(jī)器能夠解決的問題，我們又往往認(rèn)為該問題的解決并不需要智能。這方面的典型例子就是國際象棋，這項(xiàng)棋類運(yùn)動(dòng)曾被視為人工智能領(lǐng)域的試金石，在重要性方面堪比二十世紀(jì)初引發(fā)遺傳研究突破的果蠅基因破譯。但1996年，計(jì)算機(jī)“深藍(lán)”成功在棋盤上擊敗了國際象棋世界冠軍卡斯帕羅夫。

此后，人們開始認(rèn)為國際象棋不足以證明計(jì)算機(jī)是否擁有真正的智能——相反，它是純粹利用計(jì)算能力檢查所有可能的棋步，并選擇其中最有利于取勝的選項(xiàng)。這就在原理層面束縛了AI系統(tǒng)的意義，而且目前在特定任務(wù)中表現(xiàn)出色的窄AI系統(tǒng)（例如在餐廳中接聽預(yù)約電話的聊天機(jī)器人）也存在相同的問題。

窄AI的發(fā)展，從多方面證明了我們原本認(rèn)為必須依靠人類智能解決的問題，實(shí)際上完全可以拆分成數(shù)學(xué)方程式加簡單算法的形式。就在最近，人們開始更多通過更常規(guī)、更具一般性的問題衡量AI系統(tǒng)的能力。這方面，我向大家推薦由Fran?ois Chollet撰寫的《關(guān)于智能的度量（On the Measure of Intelligence）》，這篇論文是這位Keras深度學(xué)習(xí)庫的創(chuàng)造者帶給全人類的又一份寶貴財(cái)富。

在論文中，Chollet探討了如何衡量AI系統(tǒng)在解決未經(jīng)明確訓(xùn)練或指示的問題方面表現(xiàn)出的能力這個(gè)核心議題。在這篇論文中，Chollet提出了抽象推理語料庫（ARC），用于對能力假設(shè)做出一系列提問式檢驗(yàn)。就在今年早些時(shí)候，谷歌組織的數(shù)據(jù)科學(xué)與機(jī)器學(xué)習(xí)競賽平臺(tái)Kaggle也發(fā)起了針對ARC數(shù)據(jù)集的挑戰(zhàn)項(xiàng)目。

雖然問題難度過高，幾乎沒人能在短時(shí)間內(nèi)攻克難關(guān)并拿到資金，但項(xiàng)目的提出仍然給了我們一把衡量AI真實(shí)智能水平的重要標(biāo)尺。從窄AI到能夠與人類相比肩的真-思維機(jī)器，我們到底還有多長的道路要走？這個(gè)問題的解決，同樣是通往人工通用智能的一級(jí)關(guān)鍵基石。