機器推理與人工智能的興起 巴特塞爾曼訪談錄

從優(yōu)步先進的計算機視覺系統(tǒng)到Netflix的創(chuàng)新推薦算法，機器學習技術(shù)在我們的社會中幾乎無處不在。他們過濾我們的電子郵件，個性化我們的新聞源，更新我們的GPS系統(tǒng)，并駕駛我們的私人助理。然而，盡管這些技術(shù)引領(lǐng)了人工智能的革命，但有些人會認為這些機器學習系統(tǒng)并不是真正的智能化。

從最基本的意義上講，這個論點集中在機器學習從模式識別理論演變而來的事實上，因此，這種系統(tǒng)的能力通常只擴展到一個任務(wù)，并集中在從現(xiàn)有數(shù)據(jù)集進行預(yù)測。像麻省理工學院機器人學教授羅德尼布魯克斯這樣的人工智能研究人員認為，真正的推理和真正的智能是超越這些學習系統(tǒng)的幾個步驟。

但是，如果我們已經(jīng)擁有精通模式識別學習的機器，那么在我們擁有能夠進行真正推理的機器之前，它將持續(xù)多久，一旦達到這一點，AI將如何發(fā)展?

了解人工推理在未來幾十年將遵循的步伐和路徑，是確保人工智能安全，并且不會對人類構(gòu)成威脅的重要部分;然而，在有可能理解不同類別認知的機器推理的可行性，以及人工智能在繼續(xù)演化過程中可能遵循的路徑之前，有必要首先確定“推理”一詞的確切含義。 ”

了解智力

Bart Selman是康奈爾大學計算機科學系的教授。他的研究致力于理解機器推理的演變。根據(jù)他的方法，推理被描述為獲取信息，將它們組合在一起，并使用片段得出邏輯結(jié)論或設(shè)計新信息。

體育提供了一個很好的例子來闡述機器推理究竟是什么。當人類看到球場上的足球運動員踢球時，他們可以在很小的困難下確定這些人是足球運動員。今天的AI也可以做出這個決定。然而，人類也可以看到穿著足球服裝的人在城市街道上騎自行車，他們?nèi)匀豢梢酝茢嘣撊耸亲闱蜻\動員。今天的AI可能無法建立這種聯(lián)系。

這個過程 - 獲取已知的信息，將其與背景知識結(jié)合起來，并對未知或不確定的信息進行推斷 - 是一個推理過程。為此，塞爾曼指出，機器推理不是關(guān)于做出預(yù)測，而是關(guān)于使用邏輯技術(shù)(如上面提到的誘導過程)來回答問題或形成推理。

由于人類通常不會通過模式識別和合成來推理，而是通過使用諸如歸納，演繹和綁架等邏輯過程，塞爾曼斷言機器推理是一種更像人類智能的智能形式。他繼續(xù)指出，創(chuàng)造具有更像人類推理過程的機器，并脫離傳統(tǒng)的模式識別方法，是制定不僅能夠預(yù)測結(jié)果而且能夠理解和解釋其解決方案的系統(tǒng)的關(guān)鍵。然而，塞爾曼指出，制造人類AI也是實現(xiàn)超人類認知水平的第一步。

由于這可能給人類帶來生存威脅，因此有必要準確理解這種演變將如何展開。

制造(超級)心靈

看起來真正聰明的人工智能對后代來說是一個問題。然而，就機器而言，AI專家的共識是機器推理已經(jīng)取得了快速進展。事實上，許多研究人員斷言，在未來幾十年內(nèi)，人類認知將通過多種指標實現(xiàn)。然而，關(guān)于人工智能系統(tǒng)一旦實現(xiàn)人工智能將如何發(fā)展的問題依然存在。一個關(guān)鍵問題是這些進步是否可以加速進一步擴大到超人類智能。

這個過程是塞爾曼畢生致力于學習的過程。具體來說，他研究了不同類別認知的AI可擴展性的步伐以及機器中超人類認知水平的可行性。

塞爾曼表示，試圖對機器何時以及如何超越人類進行全面陳述是一項艱巨的任務(wù)，因為機器認知是脫節(jié)的，并沒有與人類認知完美平行。“在某些方面，機器遠遠超出了人類的能力，”塞爾曼解釋說，“例如，當談到數(shù)學的某些領(lǐng)域時，機器可以采取數(shù)十億的推理步驟，并在一小部分時間內(nèi)看到一個陳述的真實性。第二。人類沒有能力做那種推理。“

然而，當談到上面提到的那種推理時，意義來源于基于新數(shù)據(jù)整合的演繹或歸納過程，塞爾曼說計算機有些缺乏。“就人類擅長的標準推理而言，他們還不存在，”他解釋道。今天的系統(tǒng)在某些任務(wù)方面非常擅長，有時甚至比人類好得多，但只在非常狹窄的應(yīng)用范圍內(nèi)。

鑒于這些差異，我們?nèi)绾未_定人工智能將如何在各個領(lǐng)域發(fā)展，并了解在實現(xiàn)一般人類AI后它們將如何加速?

對于他的工作，塞爾曼依賴于計算復(fù)雜性理論，該理論有兩個主要功能。首先，它可以用于表征用于解決問題實例的算法的效率。正如約翰霍普金斯大學的萊斯利霍爾所指出的那樣，“廣泛地說，算法的計算復(fù)雜性是衡量算法在特定大小的[問題]實例的最壞情況下需要多少步驟的度量。”其次，它是一種根據(jù)固有難度對任務(wù)(計算問題)進行分類的方法。這兩個特征為我們提供了一種方法，通過提供一種確定最簡單且最可能的進步領(lǐng)域的正式方法來確定人工智能將如何發(fā)展。它還提供了關(guān)于此可伸縮性速度的關(guān)鍵見解。

最終，這項工作很重要，因為我們的機器的能力正在快速變化。正如塞爾曼指出的那樣，“我們衡量推理計劃能力的方式是通過觀察他們可以快速結(jié)合的事實數(shù)量。大約25年前，最好的推理引擎可以結(jié)合大約200或300個事實并從中推斷出新的信息。目前的推理引擎可以結(jié)合數(shù)百萬個事實。“當涉及到人類機器推理水平的擴大時，這種指數(shù)增長具有重要意義。

正如塞爾曼解釋的那樣，鑒于我們的人工智能系統(tǒng)目前的能力，看起來具有真正推理能力的機器似乎還有一段距離;然而，由于技術(shù)進步的速度過快，我們可能會開始看到具有智能能力的機器，這些機器在相當短的時間內(nèi)大大超過了我們自己的機器。“十年后，我們?nèi)匀粫l(fā)現(xiàn)它們[人工智能機器]非常缺乏理解，但是從現(xiàn)在起二三十年后，機器可能會建立起與年輕人相同的知識，”塞爾曼指出。預(yù)計何時會發(fā)生這種轉(zhuǎn)變將有助于我們更好地理解我們應(yīng)采取的行動以及當前一代必須投入的研究，以便為這一進步做好準備。