維納和圖靈：AI研究之路的關(guān)鍵節(jié)點(diǎn)和分歧之處

圖靈和維納的思想都對(duì)人工智能的研究之路產(chǎn)生了重要影響，本文討論了AI發(fā)展過(guò)程中的主要困難，特別是解釋了圖靈的人工智能方法和維納的人工智能方法之間的關(guān)鍵區(qū)別，啟發(fā)現(xiàn)有AI方法的未來(lái)研究方向。

艾倫·圖靈，是天才的計(jì)算機(jī)科學(xué)家、數(shù)學(xué)家、邏輯學(xué)家、密碼分析學(xué)家和理論生物學(xué)家，他被視為計(jì)算機(jī)科學(xué)與人工智能的奠基者之一。

圖靈對(duì)于人工智能的發(fā)展有諸多貢獻(xiàn)，例如圖靈曾寫(xiě)過(guò)一篇名為《計(jì)算機(jī)器和智能》的論文，提問(wèn) “機(jī)器會(huì)思考嗎？”（Can Machines Think? ），作為一種用于判定機(jī)器是否具有智能的測(cè)試方法，即圖靈測(cè)試。至今，每年都有試驗(yàn)的比賽。此外，圖靈提出的著名的圖靈機(jī)模型為現(xiàn)代計(jì)算機(jī)的邏輯工作方式奠定了基礎(chǔ)。

16歲的圖靈

早在1948 年，圖靈就寫(xiě)了一篇題為《智能機(jī)器》的論文，描繪了現(xiàn)在成為人工智能核心的許多概念，包括遺傳算法、神經(jīng)網(wǎng)絡(luò)、強(qiáng)化學(xué)習(xí)等。在沒(méi)有電子計(jì)算機(jī)的年代，圖靈用紙和鉛筆做出了這項(xiàng)開(kāi)創(chuàng)性的研究，在今天引發(fā)熱議。

諾伯特·維納，是美國(guó)著名應(yīng)用數(shù)學(xué)家，控制論的鼻祖。維納在數(shù)學(xué)、物理、工程學(xué)、哲學(xué)等領(lǐng)域都頗有建樹(shù)，但人們始終將創(chuàng)立控制論視為他對(duì)科學(xué)發(fā)展所作出的最大貢獻(xiàn)，稱(chēng)其為 “控制論之父”。

自從 1948 年諾伯特?維納發(fā)表了著名的《控制論 —— 關(guān)于在動(dòng)物和機(jī)器中控制和通訊的科學(xué)》一書(shū)以來(lái)，控制論的思想和方法已經(jīng)滲透到了幾乎有的自然科學(xué)和社會(huì)科學(xué)領(lǐng)域。

諾伯特·維納

圖靈和維納的思想都對(duì)人工智能的研究之路產(chǎn)生了重要影響。為了對(duì)當(dāng)前實(shí)現(xiàn)人工智能的方法做一個(gè)高層次的總結(jié)，本文解釋了圖靈方法和維納方法之間的關(guān)鍵共性和主要區(qū)別。

圖靈所設(shè)想的人工智能設(shè)計(jì)是一次性成型的，而維納所設(shè)想的人工智能設(shè)計(jì)是自主尋找，反復(fù)迭代多次后成型。

作者：清華大學(xué)自動(dòng)化系 李力；西安交通大學(xué)人工智能與機(jī)器人研究所 鄭南寧；中國(guó)科學(xué)院自動(dòng)化研究所復(fù)雜系統(tǒng)管理與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室 王飛躍

本文討論了AI發(fā)展過(guò)程中的主要困難，特別是解釋了圖靈的人工智能方法和維納的人工智能方法之間的關(guān)鍵區(qū)別，此外，本文還強(qiáng)調(diào)了人類(lèi)在開(kāi)發(fā)人工智能方面的作用。

特別地，對(duì)維納的觀點(diǎn)所涉及的問(wèn)題、成功的成果、局限性以及現(xiàn)有方法的未來(lái)研究方向分別進(jìn)行了闡述，旨在為讀者提供一個(gè)良好的起點(diǎn)和路線圖。

維納和圖靈：AI研究之路的關(guān)鍵節(jié)點(diǎn)和分歧之處

萊布尼茨（Gottfried Leibniz）在1676年提出通用語(yǔ)言(universal language)的思想。他希望創(chuàng)造一種通用語(yǔ)言來(lái)將所有的任務(wù)進(jìn)行計(jì)算式的描述。同時(shí)，萊布尼茨還設(shè)想了一種機(jī)器，能夠根據(jù)這種通用語(yǔ)言來(lái)計(jì)算數(shù)學(xué)論斷是否正確。

之后，希爾伯特（David Hilbert）于1928 年提出了著名的“判定性問(wèn)題”（Entscheidungs problem）：是否存在一系列有限的步驟，它能判定任意一個(gè)給定的數(shù)學(xué)命題的真假？

邱奇（Alonzo Church）和圖靈（Alan Turing）在1936-1937年各自獨(dú)立解決了這一問(wèn)題。他們的主要貢獻(xiàn)在于將“判定性問(wèn)題”形式化，詳細(xì)定義了何為“一系列有限的步驟”。邱奇描述“有限的步驟”的模型為算子（-Calculus），而圖靈描述“有限的步驟”的模型為圖靈機(jī)（Turing Machine）。

從現(xiàn)代的角度來(lái)看，“判定性問(wèn)題”中的“有限的步驟”指的就是由條件語(yǔ)句、循環(huán)語(yǔ)句等元素搭建而成的一系列可以由機(jī)械執(zhí)行的過(guò)程。而這一執(zhí)行過(guò)程也就是我們常說(shuō)的“算法”。

邱奇和圖靈還探討了“可計(jì)算性”的概念，并提出了“丘奇－圖靈論題”（Church–Turing thesis），斷言：假設(shè)不考慮計(jì)算資源（腦力體力等）的限制，定義在自然數(shù)域，能被人通過(guò)算法計(jì)算的函數(shù)，也能被圖靈機(jī)計(jì)算；反之亦然。

令人欣喜的是，圖靈敏銳的意識(shí)到了計(jì)算和智能之間的密切聯(lián)系，并開(kāi)始了關(guān)于人工智能的研究。1950年，圖靈發(fā)表了“計(jì)算機(jī)器與智能”一文，提出機(jī)器可以“模仿”人的思維活動(dòng)(Turing, 1950)。圖靈認(rèn)為在沒(méi)有真正理解人的心理和意識(shí)活動(dòng)之前，我們只能以“模仿”方式進(jìn)行機(jī)器思維的研究和測(cè)驗(yàn)。很遺憾，圖靈在其有生之年，沒(méi)有進(jìn)一步對(duì)該思想進(jìn)行更為透徹的闡述。

圖靈提出機(jī)器可以“模仿”人的思維活動(dòng)

而另一方面，維納（Norbert Wiener）于1950年出版《人有人的用處: 控制論與社會(huì)》一書(shū)，將自動(dòng)機(jī)器和人進(jìn)行了對(duì)比，認(rèn)為兩者均由感知裝置，信息傳遞裝置和行動(dòng)裝置等構(gòu)成一個(gè)相對(duì)獨(dú)立的系統(tǒng)。這一系統(tǒng)接受、處理、儲(chǔ)存和傳遞信息，并籍此做出一系列行動(dòng)，以實(shí)現(xiàn)與系統(tǒng)之外世界的互動(dòng)。

如果將圖靈和維納的想法比較，我們不難看出兩者對(duì)于人的智能的抽象方式有著某些共同之處，更有著顯著不同之處。

維納(前排左起第4位)與清華大學(xué)電機(jī)系師生合影(1936年)

1956年Dartmouth會(huì)議之后，人工智能研究取得了持續(xù)不斷的進(jìn)展。不同研究者提出了多種模型來(lái)解決特定的問(wèn)題。特別的，麥卡洛特（Warren Sturgis McCulloch）和皮茨（Walter Pitts）于1943年首先提出的所謂“神經(jīng)網(wǎng)絡(luò)”人工智能模型的極大關(guān)注。在經(jīng)歷了多次低潮之后，Geoffrey Hinton等提出了深度神經(jīng)網(wǎng)絡(luò)，對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，訓(xùn)練方式等進(jìn)行了重要變革，極大的提升了模型的能力，在圖像識(shí)別，語(yǔ)音處理等領(lǐng)域取得了顯著的進(jìn)展。

目前，人工智能取得了飛速發(fā)展和顯著成就，已成為學(xué)界和社會(huì)關(guān)注的焦點(diǎn)。然而，經(jīng)過(guò)了60多年的發(fā)展，我們?nèi)匀粺o(wú)法準(zhǔn)確的回答“什么是人工智能？”“如何用算法實(shí)現(xiàn)人工智能？”“如何判定機(jī)器是否具有智能”等問(wèn)題。因此，我們有必要回顧人工智能研究之路的一些關(guān)鍵節(jié)點(diǎn)和分歧之處，進(jìn)一步深入考慮人工智能的本質(zhì)。

在本文中，我們?cè)噲D闡述如下幾個(gè)話題：

1）圖靈機(jī)（通用計(jì)算），圖靈測(cè)試和人工智能之間的關(guān)系；

2）維納的控制論與人工智能的關(guān)系；

3）人類(lèi)智能與人工智能之間的關(guān)系。

為了表達(dá)方便，我們將自然的方式順序展開(kāi)我們的討論，并在這一過(guò)程中插入我們對(duì)于這些話題的思考和觀點(diǎn)。

計(jì)算和人工智能：圖靈的方法

維基百科給出的人工智能定義是人工智能是指機(jī)器表現(xiàn)出“智能”。不過(guò)這一定義沒(méi)有點(diǎn)出“任務(wù)”這一概念的重要地位。

有鑒于此，我們提出一個(gè)更為明確的人工智能定義：人工智能是指機(jī)器（在同樣的任務(wù)中）表現(xiàn)出（和人類(lèi)似或一樣的）“智能”。需要指出的是這里的任務(wù)是不是指一般計(jì)算理論中的計(jì)算過(guò)程，而是指的是：希望人或者機(jī)器做出一系列行動(dòng)（activities）來(lái)實(shí)現(xiàn)某種目的。

和這一定義相比較，我們不難發(fā)現(xiàn)圖靈認(rèn)為的實(shí)現(xiàn)人工智能需要大致三步：

Step 1. 使用一種通用語(yǔ)言將現(xiàn)實(shí)任務(wù)描述成特定的數(shù)學(xué)命題。(智能的表述)

Step 2. 找到一種算法(也即一臺(tái)能夠根據(jù)這種算法進(jìn)行計(jì)算的機(jī)器)解決用這種通用語(yǔ)言描述的數(shù)學(xué)命題問(wèn)題。(智能的設(shè)計(jì))

Step 3. 找到一種算法驗(yàn)證所提算法的正確性。(智能的測(cè)試)

如何實(shí)現(xiàn)Step 2已有諸多論述。然而，解決Step 1的“描述性問(wèn)題”并不比Step 2的“解決問(wèn)題”更加容易。如果我們使用某種圖靈機(jī)來(lái)完成Step 2，則Step 1需要首先確定構(gòu)成這一圖靈機(jī)的各個(gè)組成元素（例如輸入，狀態(tài)，運(yùn)行規(guī)則等）。但實(shí)際上，無(wú)論那個(gè)元素都不能簡(jiǎn)單的得到其描述方式。茲舉一例。

類(lèi)似于著名的“猴子和香蕉問(wèn)題”（Monkey and banana problem），假設(shè)我們讓機(jī)器人進(jìn)入一個(gè)天花板上掛著香蕉，地上放在椅子和棍子的房間，完成摘取香蕉的任務(wù)。機(jī)器人的高度無(wú)法夠到香蕉；但如果站到椅子上揮動(dòng)棍子，機(jī)器人可以摘到香蕉。

猴子和香蕉問(wèn)題

如果我們不設(shè)定機(jī)器人具有移動(dòng)椅子和站到木塊上這兩種行動(dòng)，而只設(shè)定機(jī)器人具有移動(dòng)自身和摘香蕉的行動(dòng)；則機(jī)器人只能遵循著避撞規(guī)則在房間里面逡巡不已，卻一直摘不到香蕉，導(dǎo)致這個(gè)任務(wù)無(wú)法完成。而讓成年人類(lèi)進(jìn)入同樣的房間完成摘取香蕉的任務(wù)，可能不費(fèi)吹灰之力就能做到移動(dòng)椅子到合適的位置、站到椅子上、揮動(dòng)棍子、完成摘取香蕉的任務(wù)這一系列行動(dòng)。這是因?yàn)槿祟?lèi)已經(jīng)通過(guò)經(jīng)驗(yàn)積累和學(xué)習(xí)，潛意識(shí)中完成了對(duì)所允許行動(dòng)集合更為合理的設(shè)定。

縱觀過(guò)去多年的人工智能研究可以發(fā)現(xiàn)，目前尚未有一種方法能將所有任務(wù)自動(dòng)地轉(zhuǎn)化為計(jì)算式的描述，都需要人先將任務(wù)轉(zhuǎn)為機(jī)器可以理解的特定圖靈機(jī)模型，才能進(jìn)行計(jì)算和求解。

基于上述以任務(wù)為核心的人工智能定義，我們可以得到如下的推論：

其一，特定的人工智能對(duì)應(yīng)特定的任務(wù)。

其二，通過(guò)特定的測(cè)試只代表實(shí)現(xiàn)特定的人工智能。茲舉兩例：受過(guò)高等教育的盲人無(wú)法駕駛普通車(chē)輛；而目不識(shí)丁的健康人也可以駕車(chē)行駛（假定我們不去關(guān)心其是否識(shí)別交通標(biāo)識(shí)）。

其三，通過(guò)特定任務(wù)的測(cè)試是實(shí)現(xiàn)特定人工智能的充分必要條件。該論斷的充分性不言自明。如果機(jī)器完成了測(cè)試，則表明做出一系列行動(dòng)來(lái)實(shí)現(xiàn)某種目的。而該論斷的必要性則來(lái)自于定義本身。

這3條推論表明，實(shí)現(xiàn)人工智能Step 3必不可少。實(shí)際上，算法測(cè)試這一問(wèn)題，其實(shí)非常類(lèi)似于圖靈機(jī)的“停機(jī)判定”問(wèn)題。只不過(guò)對(duì)于人工智能而言，我們通常期望和描述的是：需要檢驗(yàn)一臺(tái)特定機(jī)器（也即該機(jī)器所運(yùn)行的算法）是否能夠完成特定的任務(wù)。

事實(shí)上，智能的驗(yàn)證同樣困難重重。圖靈提出的圖靈測(cè)試這一試驗(yàn)是研究者為解決這一問(wèn)題所做出的最早努力(Turing, 1950)。結(jié)合近年來(lái)的深入探討，(Li et al., 2018)一文指出智能測(cè)試的難點(diǎn)主要有四：

1）與之前的分析類(lèi)似，在當(dāng)前的人工智能研究中，我們經(jīng)常面臨因?yàn)闊o(wú)法精確將問(wèn)題表述為數(shù)學(xué)命題，因此也就難以對(duì)設(shè)計(jì)用于完成某項(xiàng)任務(wù)的機(jī)器的智能進(jìn)行正確判定。

一個(gè)典型例子是無(wú)人車(chē)的智能測(cè)試經(jīng)常采用所謂場(chǎng)景測(cè)試。如果受試車(chē)輛能夠自主行駛通過(guò)由眾多交通參與者和特定道路環(huán)境共同構(gòu)成的交通系統(tǒng)，則稱(chēng)為通過(guò)該特定場(chǎng)景的駕駛測(cè)試。例如DARPA 2005 年無(wú)人車(chē)挑戰(zhàn)賽便選取了212 公里的沙漠道路作為測(cè)試場(chǎng)景；DARPA 2007 年無(wú)人車(chē)挑戰(zhàn)賽則選取了96 公里的城市道路作為測(cè)試場(chǎng)景(Urban Challenge 2007)。但實(shí)際上，無(wú)人車(chē)到底需要完成什么樣的特定任務(wù)并未進(jìn)行細(xì)化。因此，這樣的智能測(cè)試難以量化，也不易分析測(cè)試的有效性和可靠性(Li et al., 2016; Li et al., 2018)。

另外一個(gè)典型例子則是圖靈測(cè)試。早期的圖靈測(cè)試并未明確的規(guī)定測(cè)試任務(wù)以及何種答案可以視為正確。這導(dǎo)致一些試圖通過(guò)圖靈測(cè)試的機(jī)器經(jīng)常采用摸棱兩可，王顧左右而言他的方式來(lái)試圖避免直接回答(Ackerman, 2014; Levesque, 2017)。

圖靈測(cè)試一個(gè)標(biāo)準(zhǔn)的模式：C 使用問(wèn)題來(lái)判斷 A 或 B 是人類(lèi)還是機(jī)械

2）隨著任務(wù)的難度提升，我們很難驗(yàn)證受試機(jī)器對(duì)于任務(wù)中出現(xiàn)的任何情況都能做出正確的行動(dòng)。雖然研究者提出了多種算法來(lái)盡量測(cè)試可能是最難的特定情況或者盡量覆蓋可能可能出現(xiàn)的所有情況，但我們尚無(wú)完善的理論保證受試機(jī)器的無(wú)懈可擊。

3）為了解決場(chǎng)地實(shí)測(cè)費(fèi)時(shí)費(fèi)錢(qián)的問(wèn)題，研究者開(kāi)始在一些人工智能應(yīng)用中大量使用仿真虛擬測(cè)試的方法。然而，如何保證仿真的真實(shí)性和所呈現(xiàn)各種情況的豐富性依舊是目前研究的難點(diǎn)問(wèn)題之一。

4）在很多應(yīng)用中，很難直接給出一個(gè)非常明確的性能指標(biāo)來(lái)評(píng)估所測(cè)試的機(jī)器是否達(dá)到了預(yù)期的指標(biāo)。這個(gè)難點(diǎn)經(jīng)常和難點(diǎn)2）共同出現(xiàn)，且和所考慮的具體人工智能應(yīng)用密切相關(guān)。目前尚不能找到一個(gè)通用的模式來(lái)建模這一指標(biāo)。

人工智能的嘗試-測(cè)試-調(diào)整：維納的方法

維納將1935在中國(guó)清華大學(xué)的任教和研究經(jīng)歷視為Cybernetics思想的發(fā)軔之初(Wiener, 1964)。最初，Cybernetics研究被設(shè)想為：創(chuàng)造一整套表述方法和分析技術(shù)，以便統(tǒng)一且有效研究一般的信息、通信和控制問(wèn)題(Wiener, 1961)。但由于維納使用連續(xù)系統(tǒng)的方式來(lái)對(duì)信息論和通信技術(shù)進(jìn)行建模，導(dǎo)致分析難度很大。而香農(nóng)（Claude Shannon）使用離散系統(tǒng)的方式來(lái)對(duì)信息論和通信技術(shù)進(jìn)行建模，獲得了巨大成功(Shannon, 1948)。但維納對(duì)于控制技術(shù)提出的反饋、穩(wěn)定和鎮(zhèn)定等概念和理論卻獲得了廣泛認(rèn)可，導(dǎo)致了現(xiàn)代控制科學(xué)理論的誕生。

特別的，Rosenblueth，Wiener和Bigelow三人于1943年發(fā)表了一篇文章，將控制看作是一個(gè)在原因和目的之間隨機(jī)試探，不斷驗(yàn)證和反復(fù)調(diào)節(jié)的過(guò)程。在1950年，維納在其著作中將自動(dòng)機(jī)器和人進(jìn)行了對(duì)比，認(rèn)為這一探索——驗(yàn)證——調(diào)節(jié)過(guò)程也是人學(xué)習(xí)新知識(shí)，完成各種任務(wù)的基本原則(Wiener, 1950)。因此，一些研究者認(rèn)為維納將反饋控制和智能系統(tǒng)聯(lián)系到了一起(Albus and Meystel, 2001; Boden, 2006)。

我們可以根據(jù)維納的思路，給出一個(gè)新的人工智能的定義：人工智能是指機(jī)器通過(guò)反復(fù)的探索——驗(yàn)證——調(diào)節(jié)所獲得的，和人類(lèi)似或一樣完成特定任務(wù)的“智能”。

結(jié)合上文的分析，我們不難發(fā)現(xiàn)，圖靈所設(shè)想的實(shí)現(xiàn)人工智能的3個(gè)步驟是單向依次進(jìn)行的。而維納所設(shè)想的實(shí)現(xiàn)人工智能的3個(gè)步驟中，步驟2和步驟3是循環(huán)迭代進(jìn)行，直至所有任務(wù)都能被正確解決；參見(jiàn)下圖。換而言之，圖靈所設(shè)想的人工智能設(shè)計(jì)是一次性成型的，而維納所設(shè)想的人工智能設(shè)計(jì)是自主尋找，反復(fù)迭代多次后成型。

圖靈的人工智能方法和維納的人工智能方法的比較

維納的這一思想為在更少人類(lèi)智能參與的情況下，實(shí)現(xiàn)人工智能帶來(lái)了新的解決途徑。但和圖靈一樣，維納未能指明到底應(yīng)該用何種方式來(lái)具體實(shí)現(xiàn)人工智能。

踐行維納思想獲得成功的研究首推神經(jīng)網(wǎng)絡(luò)的反向傳播算法在神經(jīng)網(wǎng)絡(luò)中的應(yīng)用(Werbos, 1975; Rumelhart et al., 1986)。神經(jīng)網(wǎng)絡(luò)一般由多個(gè)非線性映射的多層組合構(gòu)成。我們主要通過(guò)不斷修正這些組合之間的初始隨機(jī)設(shè)定的加權(quán)系數(shù)來(lái)使得使得所研究的神經(jīng)網(wǎng)絡(luò)擬合特定的函數(shù)映射。誤差反向傳播是一種根據(jù)映射誤差，結(jié)合優(yōu)化方法調(diào)整加權(quán)系數(shù)的方法。神經(jīng)網(wǎng)絡(luò)，特別是深度神經(jīng)網(wǎng)絡(luò)獲得的巨大成功表明維納的探索——驗(yàn)證——調(diào)節(jié)框架具有很強(qiáng)的靈活性和適用性(Schmidhuber, 2015; LeCun et al., 2015)。

最近20年來(lái)，更值得關(guān)注的維納思想成功應(yīng)用是強(qiáng)化學(xué)習(xí)(Sutton and Barto, 1998)。強(qiáng)化學(xué)習(xí)首先界定了機(jī)器可能的狀態(tài)和所能執(zhí)行行動(dòng)的集合；然后借鑒了行為主義理論，界定了行動(dòng)所獲得的回報(bào)函數(shù)，并設(shè)定任務(wù)完成所獲得的匯報(bào)最大。接著，機(jī)器將按照某種較為簡(jiǎn)單的規(guī)則來(lái)進(jìn)行探索不同行動(dòng)獲得的回報(bào)如何，驗(yàn)證當(dāng)前機(jī)器所采取的行動(dòng)策略是否需要優(yōu)化，調(diào)節(jié)更新機(jī)器下一步所采取的行動(dòng)策略，反復(fù)迭代直至任務(wù)完成。

強(qiáng)化學(xué)習(xí)首先在維納創(chuàng)立的控制理論中取得了豐碩成果(Wang et al., 2009)，接著和人工智能、機(jī)器學(xué)習(xí)的很多領(lǐng)域中都獲得了成功應(yīng)用。近年來(lái)，強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)相結(jié)合，使用深度神經(jīng)網(wǎng)絡(luò)來(lái)儲(chǔ)存所習(xí)得知識(shí)，甚至籍此推測(cè)未驗(yàn)證的情況應(yīng)采取何種行動(dòng)(Wang, 2016; Wang et al., 2016a; 2016b; 2017; Li et al., 2017)。而這一點(diǎn)又和維納曾經(jīng)非常關(guān)注的神經(jīng)網(wǎng)絡(luò)和聯(lián)結(jié)主義研究聯(lián)系了起來(lái)。AlphaGo的大獲成功表明，采用探索——驗(yàn)證——調(diào)節(jié)這一框架可以解決一些之前認(rèn)為難以解決的難題(Silver et al., 2016; 2017a; 2017b)。

但是，目前這一人工智能實(shí)現(xiàn)框架依然存在著很多研究問(wèn)題需要解決，特別是：

1）我們尚沒(méi)有很好的方式判斷機(jī)器是否已經(jīng)足夠智能。換而言之，我們經(jīng)常不能保證機(jī)器已經(jīng)探索和驗(yàn)證了足夠多的情況，無(wú)法保證機(jī)器不會(huì)遇到不能處理的情況。例如，AlphaGo 雖然打敗了多位人類(lèi)棋手，但卻在2016年意外犯下錯(cuò)誤輸給李世石一局(Silver et al., 2016; 2017a; 2017b)。

2）機(jī)器可能會(huì)記住錯(cuò)誤的啟發(fā)式知識(shí)，如何找出這些錯(cuò)誤的記憶并剔除依然困難。AlphaGo Zero拋棄人類(lèi)棋手的對(duì)弈棋譜似乎避免了記住錯(cuò)誤的知識(shí)(Silver et al., 2016; 2017a; 2017b)，但對(duì)于其它問(wèn)題應(yīng)該如何處理我們尚不得而知。

3）強(qiáng)化學(xué)習(xí)強(qiáng)烈依賴于我們探索和驗(yàn)證的情況的數(shù)目，如果所需的數(shù)據(jù)量巨大，則整個(gè)問(wèn)題的求解難度依然不容忽視。AlphaGo Zero雖然能夠在數(shù)天內(nèi)學(xué)會(huì)下棋，但這是建立在Deepmind公司依靠強(qiáng)大的硬件資源積累了海量模擬對(duì)局?jǐn)?shù)據(jù)的結(jié)果。如何減少對(duì)于數(shù)據(jù)的依賴是今后我們需要深入研究的方向之一。

4）很多問(wèn)題我們難以直接定義合適的回報(bào)函數(shù)。為了解決這一問(wèn)題，研究者提出了很多設(shè)想。例如模仿學(xué)習(xí)就是先從外在表現(xiàn)上模仿人類(lèi)解決同樣問(wèn)題的行動(dòng)，然后籍此建立初步的啟發(fā)式知識(shí)(Hussein et al., 2017)。但這些研究結(jié)果還不具有很廣的普適性。

不難發(fā)現(xiàn)，由于探索和驗(yàn)證是維納設(shè)想的實(shí)現(xiàn)人工智能的重要步驟，本節(jié)提到的很多問(wèn)題與上節(jié)討論圖靈實(shí)現(xiàn)人工智能所做測(cè)試中遇到的問(wèn)題有本質(zhì)的相似性。

人工智能還離不開(kāi)人類(lèi)智能的幫助

在當(dāng)前階段，設(shè)計(jì)和實(shí)現(xiàn)人工智能還不能離開(kāi)人類(lèi)智能的幫助。

首先，在智能表述部分，只有人類(lèi)將特定任務(wù)轉(zhuǎn)為為機(jī)器可以理解的特定圖靈機(jī)模型，才能將計(jì)算和求解的工作留給機(jī)器來(lái)完成。

其次，圖靈所設(shè)想的人工智能算法設(shè)計(jì)必須人類(lèi)的參與。而維納所設(shè)想的探索——驗(yàn)證——調(diào)節(jié)框架中，人類(lèi)的參與可以大大減少。但目前還沒(méi)有一種方式能夠自動(dòng)定義探索的行動(dòng)集合，驗(yàn)證方式和調(diào)節(jié)方式。

最后，即使是人類(lèi)可以較少參與的智能驗(yàn)證部分，尚有評(píng)價(jià)函數(shù)，停止條件等諸多內(nèi)容需要人類(lèi)專(zhuān)家來(lái)設(shè)置。

因此，從這一角度來(lái)看，目前的人工智能研究都屬于人類(lèi)智能和人工智能的混合(Zheng et al., 2017)。人類(lèi)的奇思妙想和機(jī)器的高速低誤差計(jì)算的結(jié)合，才早就了現(xiàn)在人工智能的成功。

此外需要注意的是，人工智能已經(jīng)在某些特定的任務(wù)上超越了人類(lèi)。因此，我們對(duì)于人工智能的定義或可改為：人工智能是指機(jī)器（在同樣的任務(wù)中）表現(xiàn)出（和人類(lèi)似或一樣的，甚至是超越的）“智能”。

但今后人工智能機(jī)器是否能在所有任務(wù)中完全超越人類(lèi)尚不得而知。圖靈認(rèn)為“根據(jù)哥德?tīng)柖苫蛘咂渌?lèi)似論據(jù)，一個(gè)人可以明白，無(wú)論機(jī)器構(gòu)造如何，總會(huì)遇到一些無(wú)法給出答案的情況；但另一方面，一個(gè)數(shù)學(xué)家總可以得到他想得到的東西）”而維納則暗示人和機(jī)器是并列甚至等同的地位，兩者實(shí)現(xiàn)智能的方式本質(zhì)并無(wú)不同。

因此，如何探究人類(lèi)智能和人工智能的分野是今后需要關(guān)注的方向之一。值得指出的是，雖然研究者在過(guò)去幾個(gè)世紀(jì)中投入了大量的人力物力，但迄今依然不能很好的解釋人腦的運(yùn)作機(jī)制和智能產(chǎn)生的內(nèi)部過(guò)程。也許借鑒人腦的研究成果有助發(fā)展出更為強(qiáng)效的人工智能。

一切為了人類(lèi)心智的榮耀！

本文探討了分別從圖靈和維納而來(lái)的，實(shí)現(xiàn)人工智能的兩大類(lèi)思想?？梢钥吹?，圖靈的想法接近功能主義，著眼于智能機(jī)器內(nèi)部，主要研究智能機(jī)器的內(nèi)在結(jié)構(gòu)和運(yùn)行方式，把機(jī)器和環(huán)境的關(guān)系放在次要地位。而維納的想法接近行為主義，強(qiáng)調(diào)智能機(jī)器和環(huán)境的關(guān)系，著眼于外部，研究機(jī)器與環(huán)境各種輸入輸出的關(guān)系以及根據(jù)這些關(guān)系來(lái)調(diào)節(jié)機(jī)器。

這兩種不同的思想帶來(lái)不同的人工智能理論和實(shí)現(xiàn)方法，也各自有困難尚未解決。我們希望本文對(duì)于圖靈和維納實(shí)現(xiàn)人工智能的兩大類(lèi)思想的對(duì)比，能有助于研究者開(kāi)闊思路，建立更為強(qiáng)勁的新一代人工智能機(jī)器。

在精密加工領(lǐng)域，我們使用粗糙的加工工具（如斧頭和銼刀）制造了最早的機(jī)床。然后我們不斷用低級(jí)的機(jī)床迭代更新制造出更加精密的機(jī)床，直到現(xiàn)在我們可以制造CPU和GPU。

類(lèi)似的，我們也正在用低級(jí)的人工智能幫助制造更為高級(jí)的人工智能。在這些人工智能的幫助下，人類(lèi)所能解決的任務(wù)也越來(lái)越多。

從這個(gè)角度來(lái)看，人類(lèi)智能也在不斷的提高。而這一切，正是“為了人類(lèi)心智的榮耀！”