廣義“理解”已經實現
在最新的人工智慧系統中,我們經常可以觀察到一種類似“理解”的能力。這種廣義的“理解”能力,主要建立在兩個基礎之上:海量資訊的記憶與搜尋。
以著名的AlphaGo為例,它透過儲存和搜尋大量圍棋對弈的棋譜再結合特定的搜尋決策模型,逐步“理解”圍棋這一遊戲的內在規律,並在與李世石九段的比賽中成功取勝。可見,透過大規模記憶與高效搜尋,人工智慧已經初步獲得了某種型別任務的“理解”能力。
並且在資訊記憶與檢索這些能力上,人工智慧系統已經遠超過人腦。以GPT-3語言模型為例,其擁有1750億個引數,相當於數百億條對話語料的記憶能力,遠非人類大腦可以匹敵。在這些廣義“理解”的層面,我們可以說人工智慧已然取得了巨大的進步。
狹義“理解”正在進行
然而,“理解”這個詞在人類語言中所表示的內涵,顯然遠不止於記憶與搜尋這些能力。我們還需要一個更嚴格的“理解”定義。
有時候我們會說一個人“真正的理解”了某個知識。因為即使一個人能夠記憶大量知識,但如果無法運用這些知識解決實際問題,我們仍然有可能不會說他“理解”了這些知識。
在這樣的狹義“理解”定義下,我們需要檢驗人工智慧在知識運用方面的能力。事實上,在資訊處理領域人工智慧已經在許多場景中替代了人類,展現出強大的知識運用能力。從醫療影像識別到自然語言處理,再到複雜的資料分析,人工智慧技術已經能夠基於所學知識,解決各類實際問題。
然而主要的瓶頸,仍然在於人工智慧與物理世界的互動。受限於機器人技術與感測器的發展程度,當與複雜多變的物理世界產生互動時,人工智慧仍面臨巨大挑戰。這成為其表現執行能力或狹義“理解”能力的主要障礙。
知識的執行體與被執行體
對於知識的“理解”,我們通常預設知識的學習與運用發生在同一主體之上。但從人工智慧系統的執行來看,人類或許會得到更多的理解。
我們可以將人工智慧系統比作計算機中的軟硬體。軟體蘊含了知識與演算法邏輯,但沒有硬體的執行就無法產生智慧;而硬體沒有軟體的賦能,也只是死物一堆。只有軟體與硬體的緊密結合,才能產生智慧。
以GPT模型為例,預訓練模型中的網路權重可看作“硬體”,大量知識則蘊含在這些權重中,可看作“軟體”。當輸入新問題時,這些“軟硬體”聯合起來,才產生相關的答案。
類似地,在人類身上,我們積累的知識也可看作“軟體”,而人腦神經網路則作為執行這些知識的“硬體”。當我們運用知識解決問題時,是否也是這樣的軟硬體協同作用的結果?
如果是這樣,我們習以為常的“理解”,或許只是大腦神經網路對知識的一種“執行”而已。知識與運用的主體並不完全重合,“理解”這一概念也許需要重新審視。人類很有可能只是在利用自己的大腦，反覆執行自己被輸入的各種知識。知識是一個抽象概念，被記錄在大腦中的只是知識的一種物理對映結果而不是知識本身。知識被執行了，大腦中的知識物理對映被讀取了。人類是一個執行體，人類擁有知識的物理對映，做為一個個體的人類，真的擁有知識嗎？載體的消失，對知識毫無影響。
從“理解”進入“思維”
在記憶、搜尋和知識運用等方面,我們逐漸發現了人工智慧與人類認知之間的一些異同。
無論是資訊容量還是搜尋效率,人工智慧系統在這些層面已經取得了壓倒性的優勢。它們也在越來越多的領域中展現出知識運用和解決問題的能力。這些與人類共享的認知功能日益增多,使得二者界限愈發模糊。
同時,從執行體與被執行體的關係來看,我們也對“理解”這一概念有了更深的思考。這種反思啟發我們,也許需要打破原有的框架,重新審視和定義“理解”的內涵。
要深入探討“理解”這一核心問題,我們還需要觸及更高階的認知功能——思維與意識。正是人類特有的自我意識,建立在高度複雜的思維基礎之上,使我們有別於其他生命形態。這種高維的抽象思維能力,是人類核心競爭力的所在。
要判斷一個體是否“真正理解”,我們需要檢驗它是否擁有這種高度複雜、難以概括的思維能力。這仍然是人工智慧領域的核心挑戰所在。探索和對這些獨特的人類認知功能進行建模,將決定人工智慧發展的方向。
未完待續
人工智慧在“理解”這一認知能力的道路上,已經取得了巨大的進步,在資訊處理領域已日趨接近人類。但要觸及那種高階的、獨特的人類“理解”,進入思維與意識的範疇,人工智慧的任務依然繁重。我們還需要深入研究與模擬人類思維本質,這關係到人工智慧發展的方向與境界。