讀人工智慧全傳02圖靈測試

1. 圖靈測試

1.1. 模仿遊戲

1.2. 20世紀40年代末至50年代初，第一臺計算機的出現引發了一場公開辯論，辯論主題就是這一現代科學奇蹟的潛力如何

1.2.1. 這場辯論中最矚目的貢獻當歸屬於一本名叫《控制論》的書，由麻省理工學院數學教授諾伯特·維納(Norbert Wiener)撰寫

1.3. 自1950年第一次提出以來，圖靈測試一直具有巨大的影響力，直至如今，它仍然是一個嚴肅的研究課題

1.3.1. 圖靈於1950年在著名國際期刊《心智》上發表的《計算機器與智慧》論文中，描述了他的測試

1.3.1.1. 他的文章被公認為首篇有關人工智慧的論文

1.3.2. 令人遺憾的是，到目前為止，它仍然沒能讓懷疑者徹底沉默

1.3.3. 就圖靈測試而言，被測試的物件是一個黑盒，從某種意義上來說，我們不允許檢查其內部結構，只能對其進行輸入和輸出

1.3.4. 圖靈測試在今天已經沒什麼用了，但它仍然是人工智慧重要的組成部分，因為它第一次給了對這門新興學科感興趣的研究人員一個明確的目標

1.4. 圖靈的傑出之處是避開了所有存在爭議的問題，直指計算機程式是否“真正”擁有智慧(或者意識以及其他說法)、程式是否真正有“思維”(或者意識、自主意識什麼的)並不是重點，重點在於它能夠做到“亂真”，即讓測試者無法分辨出程式和真人

1.4.1. 關鍵詞在於“無法分辨”

1.5. 圖靈測試是科學界中標準技術的一個優秀例子，如果你想確認兩種事物是相同的還是不同的，就思考一下如何設計合理的測試來區分它們

1.5.1. 若是有一種合理的測試，兩種事物其中一種能透過，另一種不能，那麼你可以宣稱它們是不同的

1.5.2. 如果不能透過合理的測試來區分它們，那麼就不能聲稱它們是不同的

1.6. 多年來，許多定義人工智慧的方式總是根據所使用的技術方法來定義人工智慧

1.7. 圖靈測試就是用來區分機器智慧與人類智慧的方法，測試的方式是人類詢問者是否能夠分辨出與之交流的是機器還是人

1.7.1. 圖靈測試簡單、優雅、易懂

1.7.1.1. 圖靈測試最吸引人的地方無疑是它非常簡單明瞭，儘管看起來很清晰，它仍然對人工智慧提出了許多挑戰

1.7.2. 問題在於，大多數試圖透過圖靈測試的程式設計師都傾向於使用一些簡單的小技巧來“騙過”詢問者，使他們相信自己正在與真人打交道，即用小伎倆去迷惑詢問者，而並非真正去探尋與解決智慧行為的本質

2. ELIZA

2.1. 誕生於20世紀60年代中期，由美籍德國人、麻省理工學院電腦科學家約瑟夫·魏岑鮑姆(Joseph Weizenbaum)創造

2.2. ELIZA原本是一項嚴肅的、富有影響力的心理治療科學實驗

2.3. 遺憾的是，自此以後，ELIZA就成了採用膚淺的小伎倆偽裝人工智慧的代名詞，尤其在圖靈測試領域

2.4. ELIZA扮演的是一名精神病醫生的角色，與病人交談，提出開放式問題，讓病人試圖敞開自我

2.4.1. 你不用太費勁就能輕易看穿它使用的封裝及映象反問伎倆

2.5. 使用者對他的簡單實驗性程式非常沉迷，ELIZA正式進入了人工智慧的傳說中

2.6. ELIZA的影響力，以每年一度的羅布納獎人工智慧競賽的形式流傳至今

2.6.1. 羅布納競賽的參賽者很大程度上都是ELIZA的變奏曲，他們並沒有試圖讓詢問者開展一場有意義的對話，充分證實人工智慧擁有類人的領悟力、理解力和常識，而是使用一些誤導技巧來贏得比賽

2.7. 離人類之間進行的對話還有非常漫長的道路要走

2.8. ELIZA算是某種網際網路產物的始作俑者，一提到這個產物，研究人工智慧的程式設計師們都得抓狂，那就是網際網路聊天機器人

2.8.1. 它們是基於網際網路的程式，試圖讓使用者參與對話，通常活躍於推特等社交媒體平臺

2.8.2. 絕大多數所謂的網際網路聊天機器人都只是使用了關鍵字聯想的指令碼而已，再輔以一些類似反問、提出通用問題之類的小伎倆，就如ELIZA一樣

2.8.3. 聊天內容都是膚淺並且乏味的，這種聊天機器人，並非人工智慧

3. 人工智慧的多樣性

3.1. 程式確確實實理解了與詢問者的對話，這種理解與人類的理解大致相同

3.2. 程式並沒有真正理解與詢問者的對話，但可以模擬出理解對話以後的回覆

3.3. 構建出具有人類的理解力(或者說是意識之類的詞)的目標程式，被稱為強人工智慧

3.4. 次一級的目標，即構建雖然沒有具備人類的理解力，但是可以模擬出特定能力的程式，被稱為弱人工智慧

3.5. 分辨強人工智慧和弱人工智慧的關鍵點

4. 超越圖靈測試

4.1. 以圖靈的“無法分辨”為原則，圖靈測試有許多變種

4.2. 事實上，一個無法區分機器人和人類的世界，就是絕佳的電影及小說創作素材

4.3. 威諾格拉德模式

4.4. 人工智慧所面臨的另一個類人挑戰是理解人類世界，以及支配其中的許多約定俗成的規則

5. 通用人工智慧

5.1. 強人工智慧是人工智慧故事中一個重要而迷人的部分，但很大程度上，它與當代的人工智慧研究無關

5.2. 退而求其次的目標就是製造具有普遍人類智慧水準的機器，現在，通常稱其為通用人工智慧(Artificial General Intelligence， AGI)

5.2.1. 即使這個次一級的目標，也是當代人工智慧研究的邊緣

5.3. AGI大致等同於一臺擁有一個普通人所擁有的全部智慧能力的計算機，包括使用自然語言交流、解決問題、推理、感知環境等能力，與一個普通人處於同等或者更高等級的智慧水準

5.4. AGI被認為是弱人工智慧的弱版本

5.5. 讓計算機完成某種特殊任務，有時候被稱為狹義人工智慧

5.5.1. 所謂的狹義人工智慧，就是人工智慧

5.6. 第一種是試圖建立思維模型：有意識的推理、認知、解決問題的過程，我們在生活中都會用到的過程，這種方法被稱為符號人工智慧

5.6.1. 從20世紀50年代中期到80年代末，30多年的時間裡，符號人工智慧一直是構建人工智慧體系最流行的方式

5.6.2. 它的過程是透明的：當機器人認為它應該執行“cleanroom(room 451)”操作時，我們可以理解為它知道即將做什麼

5.7. 另一種模擬智慧的方式是模擬大腦，這是一種極端的可能性，即試圖在計算機中模擬一個完整的人類大腦(也許還得包含完整的神經系統)

5.7.1. 人類的大腦是我們唯一確定能產生智慧的事物

5.7.2. 人腦包括大概1000億個相連的神經元，我們對它們的成分、結構和如何運作的瞭解還達不到複製大腦結構的程度

5.8. 神經網路

5.8.1. 神經網路的研究可以追溯到人工智慧出現之前，並沿著人工智慧的主流研究發展

5.8.2. 正是神經網路研究在21世紀取得的突破性進展，才帶來了目前人工智慧研究領域的繁榮