讀人工智慧時代與人類未來筆記05_現代人工智慧

1. 圖靈

1.1. 1950年，數學家和邏輯學家艾倫·圖靈的論文《計算機與智慧》中，圖靈建議把機器智慧的問題完全擱置

1.2. 圖靈認為，重要的不是智慧的機制，而是智慧的表現

1.2.1. 因為其他生命的內在體驗仍然是不可知的，所以我們衡量智力的唯一手段應是其外部行為

1.2.2. 鑑於此，圖靈避開了幾個世紀以來關於智力本質的哲學爭論

1.2.3. 他引入的“模仿遊戲”提出，如果一臺機器對遊戲的操作非常熟練，以至觀察者無法區分它和人類的行為，那麼該機器就應該被冠以智慧之名

2. 圖靈測試

2.1. 該測試被證明在評估“智慧”機器在確定的、受限的活動（如遊戲）中的表現方面很有用

2.2. 該測試並不要求機器與人類完全無法區分，而是隻要機器的某項表現類似於人類即可

2.3. 像GPT-3這樣的生成器之所以被認定為人工智慧，是因為它們生成的文字與人類生成的文字相似，而不是因為它們的模型特徵與人相似

2.3.1. GPT-3的特徵就是使用大量（線上）資訊進行訓練

3. 人工智慧的演變

3.1. 人類一直夢想能有一個幫手，即一臺能夠和人類勝任相同工作的機器

3.1.1. 在希臘神話中，火神赫菲斯托斯鑄造了能夠執行人類任務的機器人，如青銅巨人塔羅斯，它在克里特島海岸巡邏，保護海島免受入侵

3.1.2. 17世紀的法國國王路易十四和18世紀的普魯士腓特烈大帝都對機械自動化頗為著迷，親自督造了各種原型機

3.2. 人工智慧研究的先驅們所做的，就是從早期啟蒙運動專注於將世界簡化為機械規則，轉向構建現實的近似物

3.3. 1956年，電腦科學家約翰·麥卡錫進一步將人工智慧定義為“能夠執行具有人類智慧特徵的任務的機器”

3.4. 在過去10年裡，計算領域的創新締造了全新的人工智慧，這些人工智慧已經開始在某些領域與人類不相上下，甚至超過了人類

3.4.1. 人工智慧是不精確的、動態的和新穎的，並且能夠“學習”

3.4.2. 人工智慧透過消化資料來“學習”，然後根據資料得出結論

3.4.3. 以前的系統需要精確的輸入和輸出，而具有非精確功能的人工智慧不再需要這兩者

3.4.4. 這種人工智慧還是動態的，因為它會隨著環境的變化而進化

3.4.5. 它也是新穎的，因為它能給出對人類來說新奇的解決方案

3.4.6. 是具有革命性的

3.5. 已經讓人類經驗的架構產生了微妙改變

3.5.1. 人工智慧翻譯文字的方式不是透過換用單個單詞，而是透過識別與使用習慣用語和句式

3.5.2. AlphaZero是透過與自己進行數百萬場對弈來提升棋藝的，它也正是在這種自我對弈中探索出自己的棋路模式

3.6. 人工智慧很快就將駕駛或協助駕駛各種飛行器翱翔長空

3.6.1. 在美國國防部高階研究計劃局(DARPA)的“阿爾法狗鬥”(AlphaDogfight)專案中，人工智慧戰鬥機飛行員可以做出超出人類飛行員能力的機動動作，並以此在虛擬空戰中勝過人類飛行員

3.6.2. 無論是駕駛戰鬥機參與空戰，還是操縱無人機運送貨物，人工智慧都將對軍用和民用航空的未來產生重大影響

3.7. 即使在現代計算技術出現後，要設計一臺機器並使它能夠執行有用的活動仍是極其困難的

3.7.1. 世上的許多事物並不是以離散方式組織起來的，也並不容易被還原為簡單規則或符號表徵

3.7.2. 人們創造實用性人工智慧的早期嘗試，就是透過規則或事實的集合，以明確方式將人類的專業知識編碼到計算機系統中

3.7.3. 在需要使用精確表徵的領域，比如國際象棋、代數運算和業務流程自動化，人工智慧取得了巨大進展，但在其他領域，比如語言翻譯和視覺物件識別，固有的模糊性導致人工智慧停滯不前

3.8. 傳統的程式可以組織大量的資料並執行復雜的計算，但不能識別簡單物體的影像，也無法應付不甚精確的輸入

3.8.1. 人類思想的不精確性和概念性被證明是人工智慧發展之路上的頑固障礙

3.9. 視覺物件識別領域遇到的挑戰暴露了這些早期程式的缺點

3.9.1. 在實踐中，形成抽象模型，然後嘗試將其與高度可變的輸入相匹配的方法，被證明是行不通的

3.9.2. 這些呆板有餘而靈活性不足的系統只有在那些可透過編碼明確規則來完成任務的領域才能取得些許成功，於是從20世紀80年代末到90年代初，該領域進入了一個被稱為“人工智慧寒冬”的時期

3.10. 人工智慧的核心是執行任務，即研製能夠構思和執行復雜問題有效解決方案的機器

3.11. 一種允許機器自主學習的方法

3.11.1. 從試圖將人類提煉的見解編碼到機器中，變為把學習過程本身委託給機器

3.12. 雖然機器學習可以追溯到20世紀50年代，但只有取得新進展才能使其實際應用成為可能

3.12.1. 在實踐中，效果最好的方法是使用神經網路從大型資料集中提取模式

4. 現代人工智慧

4.1. 為了使機器學習成為可能，重要的是事物的不同表徵之間的重疊，而不是它的理念

4.1.1. 機器學習需要的是維特根斯坦，而不是柏拉圖

4.1.2. 機器學習的現代領域，即透過經驗學習的程式，終於誕生了

4.2. 21世紀的最初10年，在視覺物件識別領域，當程式設計師開發出的人工智慧透過從一組影像（其中一些包含某物體，一些不包含某物體）中學習來表徵該物體的近似值時，此類人工智慧識別物體的效率便遠遠高於其需要編碼的“前輩

4.2.1. 觀念轉變後，隨之而來的是重大的進展

4.3. 用於識別Halicin的人工智慧展示了機器學習過程的核心地位

4.3.1. 人工智慧揭示出的化合物特性與其抗菌能力之間的聯絡不僅不為人類理解，更重要的是，這些特性本身無法以現有規則表達

4.3.2. 這種人工智慧是不精確的，因為它不需要分子特性和效果之間的預定義關係來識別兩者的區域性關係

4.3.2.1. 這種能力體現了現代人工智慧的一個重要元素

4.3.3. 透過用機器學習來建立和調整基於真實世界反饋的模型，現代人工智慧就可以對結果進行近似，並分析原本可能阻礙經典演算法的模稜兩可之處

4.3.4. 以Halicin的發現為例，神經網路捕捉到了分子（輸入）及其抑制細菌生長的潛力（輸出）之間的關聯

4.3.5. 發現Halicin的人工智慧在並未掌握化學過程或藥物功能的情況下，透過深度學習發現了輸入和輸出之間的關係

4.4. 神經網路的訓練需要大量資源，還需要強大的算力和複雜的演算法來對大量資料進行分析和調整

4.4.1. 與人類不同，大多數人工智慧不能同時進行訓練和執行任務

4.4.2. 它們將工作分為兩個步驟：訓練和推斷結果

4.4.3. 這個網路允許人工智慧捕捉各種複雜的連線，包括那些人類無法識別的連線

4.4.3.1. 如今的深層網路通常包含約10個網路層

4.5. 人工智慧不像人類理性那樣透過推理得出結論，而是運用自己發展的模型得出結論

4.5.1. 現代人工智慧演算法會衡量結果的質量，並提供改善這些結果的手段，使這些結果能夠被學習，而不是直接規定結果