帶你深入了解人工智能與機(jī)器人技術(shù)

　　對于人工智能的理解，基本上來自于科幻電影。那么，致力于人工智能領(lǐng)域的世界頂尖專家究竟在做什么、在想什么。今年是美國人工智能協(xié)會 （ AAAI – the Association for the Advance of Artificial Intelligence）組織首次在冬天舉辦旗幟性年會：AAAI 2015大會。鑒于此，我們共同探討人工智能與機(jī)器人技術(shù)相關(guān)問題。

　　人工智能研究的道德問題：與人工智能有關(guān)的職業(yè)和社會道德問題是主題演講中最熱門的話題。最近一段時間這個問題似乎確實受到了整個社會的廣泛關(guān)注。一些為大眾所熟知的科技明星，如 Stephen Hawking和Elon Musk，表達(dá)了人工智能技術(shù)的突破會對人類自身構(gòu)成威脅的擔(dān)憂。而加州大學(xué)伯克利分校計算機(jī)系教授Stuart Russell（目前最權(quán)威的人工智能專著的作者）則在他的主題演講中表示：現(xiàn)有人工智能技術(shù)水平距離引發(fā)“機(jī)器人統(tǒng)治人類”之類的風(fēng)險還為時尚早。不過，他也認(rèn)為人工智能技術(shù)的研究和應(yīng)用與核武器、生化技術(shù)、基因技術(shù)等其他影響巨大的技術(shù)一樣，應(yīng)該受到規(guī)范化約束?！?a target="_blank">ACM通訊”雜志的主編Moshe Vardi教授做了一個關(guān)于人工智能技術(shù)進(jìn)步引發(fā)的失業(yè)問題的主題演講。他提到以往的幾次技術(shù)革命在導(dǎo)致失業(yè)的同時也創(chuàng)造了大量新型工作。但人工智能技術(shù)的發(fā)展有可能從本質(zhì)上對創(chuàng)造新工種貢獻(xiàn)有限，從而在整體上對就業(yè)產(chǎn)生負(fù)面影響。另外，大會還組織了一個關(guān)于自治武器的倫理問題的公開辯論也相當(dāng)有趣。

　　對人工智能技術(shù)的這一波“擔(dān)憂”浪潮實際上反映了外界對人工智能技術(shù)近年來進(jìn)步的認(rèn)可（我猜一些人工智能領(lǐng)域的學(xué)者在聽到這些“質(zhì)疑”時其實是欣慰遠(yuǎn)大于困擾吧）。也許與“機(jī)器是否會過于聰明”相比，“機(jī)器是否已經(jīng)真如公眾想象的那樣聰明”才是更值得人工智能學(xué)界擔(dān)心的問題。從歷史上看，人們對機(jī)器智能水平的理解似乎極易產(chǎn)生偏差，往往一開始過于高估，覺得它們無所不能，然而在發(fā)現(xiàn)機(jī)器能力達(dá)不到他們的想象之后又轉(zhuǎn)向過于低估，覺得現(xiàn)有的技術(shù)什么都不是。這兩種看法又經(jīng)常在媒體的推波助瀾下走向極端化，長期來看無論是哪種極端化看法都會對正常嚴(yán)謹(jǐn)?shù)娜斯ぶ悄苎芯吭斐韶?fù)面影響。

　　人工智能與機(jī)器人技術(shù)

　　“人工智能與機(jī)器人技術(shù)”是AAAI 2015大會的一個主題。從學(xué)科基礎(chǔ)看，人工智能學(xué)科從“什么是智能”的哲學(xué)問題出發(fā)，從原理上研究在“智能行為機(jī)械化”過程中的一些根本限制和技術(shù)原則。另一方面機(jī)器人學(xué)科則從工程應(yīng)用的角度出發(fā)，考慮如何實際制造滿足特定“智能化”要求的機(jī)器。兩個領(lǐng)域本應(yīng)是相輔相成的關(guān)系，機(jī)器人領(lǐng)域為人工智能領(lǐng)域提供實驗和實踐的機(jī)會，而人工智能領(lǐng)域為機(jī)器人領(lǐng)域提供知識儲備和技術(shù)工具?！钡聦嵣蟽蓚€領(lǐng)域的研究在很大程度上是相互脫節(jié)獨(dú)立發(fā)展的。所以現(xiàn)在人們開始考慮如何加強(qiáng)這兩個領(lǐng)域的合作和相互滲透”，本次大會的學(xué)術(shù)委員會主席Sven Koenig教授在一次交談中提到。事實上美國國家科學(xué)基金會（NSF-National Science Foundation）專門就這個問題在會議期間組織了一個專題研討會（只有受邀的領(lǐng)域?qū)＜也拍軈⒓樱?/p>

　　在公開活動中，大會隆重舉行了一個對機(jī)器人項目“Shakey， the robot”的紀(jì)念活動。上世紀(jì)60年代末到70年代中期，幾個研究員為設(shè)計制造一個名為Shakey的機(jī)器人發(fā)明了一系列后來影響廣泛的人工智能技術(shù)，包括啟發(fā)式搜索中的A*算法，自動規(guī)劃中的STRIP模型，計算機(jī)視覺中的霍夫變換，以及如今幾乎已成為標(biāo)準(zhǔn)的機(jī)器人系統(tǒng)框架。在紀(jì)念活動中領(lǐng)銜發(fā)言的是人工智能領(lǐng)域元老級人物Edward Feigenbaum教授，他以一篇極具感染力的演講高度評價了Shakey項目的巨大影響。有趣的是，以他的名字命名的Feigenbaum獎也同時在紀(jì)念活動中頒發(fā)，而今年獲獎?wù)呤俏④浝椎旅裳芯吭旱脑洪LEric Horvitz。Feigenbaum獎是當(dāng)今人工智能界的一個主要獎項，用來獎勵對人工智能的實驗方面研究做出突出貢獻(xiàn)的個人和團(tuán)體。

　　圖靈測試的改進(jìn)方案

　　去年關(guān)于Eugene Goostman通過圖靈測試的新聞似乎讓一些研究者們看到一個“推翻”圖靈測試的好機(jī)會。他們先后組織了一個專題研討會和一個正式會議，主題都叫“Beyond Turing Test”。會議期間，研究者們提出了一些新的機(jī)器智能的測試標(biāo)準(zhǔn)，試圖代替圖靈測試。其中有兩個標(biāo)準(zhǔn)是比較有影響力的：

　　The Winogard Schema Challenge 這是一個旨在取代“有缺陷的”圖靈測試的測試方案。這個方案的基本思想是限制圖靈測試中對話的內(nèi)容。在標(biāo)準(zhǔn)的圖靈測試中人類提問者可以問任意問題，但在Winogard Schema Challenge中所有問題都有關(guān)自然語言中的代詞理解。不過，在和這個挑戰(zhàn)的主辦方交流之后，我個人感覺這個方案真正的關(guān)鍵似乎在于他們只允許人類專家參與提問，而不像標(biāo)準(zhǔn)圖靈測試中是普通人在提問。而代詞理解，盡管被聲稱是“關(guān)鍵思想”，其實可以被看作只是對我們應(yīng)該如何在圖靈測試中提問的一種“建議”。但我個人并不覺得這個建議對人類專家是必要的。比如我——作為人工智能領(lǐng)域一個普通的研究員——很有自信可以在圖靈測試中分辨出任何當(dāng)下的聊天機(jī)器人，即使不使用這類代詞理解問題。所以在我看來，真正的問題是要找“對”的人，而不是找“對”的問題。從這個角度說，我并不認(rèn)為目前有特別必要的理由真的要取代現(xiàn)有的圖靈測試。也許我們應(yīng)該做的是規(guī)范化圖靈測試在執(zhí)行層的一些細(xì)節(jié)，例如更好地挑選甚至培訓(xùn)參與圖靈測試的人類提問者。

　　The Aristo Challenge 這是另一個要求計算機(jī)通過我們在中小學(xué)里常見的期中或期末考試的測試方案?？荚噧?nèi)容一般包括算術(shù)，幾何，和一些常識問題等等。另外還有一些題目需要考生結(jié)合文字和圖片內(nèi)容進(jìn)行理解和作答?，F(xiàn)在的人工智能技術(shù)在這類考試中能達(dá)到大概小學(xué)4年級水平。我個人覺得這個挑戰(zhàn)更有趣一些。不過，如果站在“測試機(jī)器是否具有智能的方案”的高度，你仍然很難說如果真有計算機(jī)通過了所有中學(xué)考試是否它就一定具有智能。在我看來，和仔細(xì)設(shè)計的圖靈測試相比，似乎還是這個方案更有可能被破解，就像國際象棋或者“危險邊緣“競賽那樣。

　　自動游戲博弈的新突破

　　最近該領(lǐng)域的一個階段性成果是，***的一個最基本的版本被近似完美解決了，具體就是說研究員們顯式地找到一個博弈策略，其平均收益與（這個游戲的一個）納什均衡策略的差距比連續(xù)玩這個游戲70年之后結(jié)果的隨機(jī)波動還要小。這個結(jié)果發(fā)表在一月份的一期《科學(xué)》雜志上，而項目的主要負(fù)責(zé)人Michael Bowling教授在會議期間就這項成果做了一個主題演講。

　　會議期間同時舉行了General Game Playing比賽。這項比賽要求計算機(jī)在沒有人類手工輸入領(lǐng)域知識的情況下進(jìn)行棋類游戲博弈。為了保證這一點(diǎn)，比賽組織方會維護(hù)一個包括各種不同游戲的列表，每項游戲的基本規(guī)則都用一套通用語言進(jìn)行形式化表述，并且只在比賽當(dāng)時才輸入給計算機(jī)。另外組織者還進(jìn)行了一場有趣的“碳硅大戰(zhàn)“，也就是讓人跟比賽中優(yōu)勝的計算機(jī)在這個比賽規(guī)則下比賽，結(jié)果是機(jī)器取得勝利。

　　規(guī)劃、決策、約束補(bǔ)償、優(yōu)化、與搜索算法

　　這些都是人工智能的傳統(tǒng)領(lǐng)域。讓我其實有一點(diǎn)意外的是，這次會上相當(dāng)多這些領(lǐng)域里的論文是關(guān)于蒙特卡洛樹搜索法（Monte Carlo Tree Search）的內(nèi)容——一個從計算機(jī)圍棋領(lǐng)域發(fā)展而來的技術(shù)。而我這次在會議中做的論文報告正是關(guān)于如何結(jié)合Monte Carlo Tree Search與傳統(tǒng)的搜索算法，從而設(shè)計更為通用的人工智能算法。盡管論文主要討論在假設(shè)最差情況下如何規(guī)劃（adversarial planning），我相信論文的主要結(jié)果同樣適用于更為一般的情況，例如基于概率的規(guī)劃問題。

　　另外有些關(guān)于算法選擇（Algorithm Selection）的論文，討論如何通過增強(qiáng)學(xué)習(xí)等技術(shù)解決組合優(yōu)化問題。基本思想是說，一般而言每一個單獨(dú)的算法在解決這類問題時都有自己的“盲點(diǎn)”，也就是在最差情況下性能很差（所謂的“NP困難”問題）。但是不同的算法盲點(diǎn)往往不同，因此如果在實際應(yīng)用中能通過學(xué)習(xí)技術(shù)了解正在面對的是“哪些”具體問題類型，也就有可能有的放矢地選擇合適的算法。個人認(rèn)為這是一個有趣的研究方向。