对大脑的逆向工程是不是走向强AI的唯一出路?

GAIR

今年夏天,雷锋网将在深圳举办一场盛况空前的“全球人工智能与机器人创新大会”(简称GAIR)。大会现场,谷歌,DeepMind,Uber,微软等巨头的人工智能实验室负责人将莅临深圳,向我们零距离展示国外人工智能震撼人心、撬动地球的核心所在。在此之前雷锋网将网罗全国顶尖的人工智能和机器人专家,同这些国际大拿同台交流,如果你不想错过这个机会,请用邮件直戳我心,lizongren@leiphone.com

目前世界上所有的AI都是弱AI.

我想对于AI有所了解的人,一定是不会反驳上面这句话的。虽然这些弱AI已经强到可以击败全世界顶级的围棋选手,但是这不妨碍它仍然是一个弱AI。虽然Artificial Intelligence中有一个intelligence(智能),但实际上如今世界上的AI并没有任何一个拥有真正的智能。我有个学AI的朋友说的很好:AI科研就是玩数学。神乎其神的神经网络,归根结底不过是一堆数学运算。而AI表面上的智能,不过是进行大量运算后,选择出程序认为最适合的应对方式罢了。

举个例子,给出一串数字:1 3 7 15 31,问下一个数是多少。

把它交给AI,AI可能会认为这是一个函数,然后使用一个公式来计算一下这个数的规律:

f(x)=af4(x-1)+bf3(x-1)+cf2(x-1)+df(x-1)+e,其中f(0)=1,x>=1

通过对参数a、b、c、d、e的调整,f(x)可以代表任意线性函数,当然也包括了能适用于上面那串数字的那个唯一的函数。

于是算法会根据上面给出的数字来进行拟合,最后会算出a=0,b=0,c=0,d=2,e=1,所以AI会认为下一个数字是63。一般情况下这个结果是对的,但是对于计算机来说,数字就只是数字,对于人来说,数字很可能会有别的含义,比如年龄、分数、时间等等,在赋予这些额外的含义之后,可能会得出不同的结果。而这是目前的AI无法理解的。

而现在看起来很厉害的AI,其实只不过是它们接受的输入,和用来计算输入值的公式比较复杂而已。本质上,还是计算→选择结果。而深度学习的过程,就是让AI不断的算出各种结果,并且让它明白哪些是错的,哪些是对的。然后强化能计算出正确结果的公式的权重。说到这里,你还觉得它们有真正的智能吗?制造一个真正的智能,在很长一段时间内都会是一个巨大的难题。

为什么不模拟大脑

按理说,人们想要制造的AI是一个拥有类似人类的智能的东西。在最初设计的时候想到的第一件事应该就是模仿人脑的结构,然而很不幸。这样想的人发现他们根本做不到,因为大脑太复杂了。

虽然大脑占用的空间很小,重量也很轻,但微观结构千奇百怪。人脑中有估计数千亿个神经元,而每个神经元的形态、突触位置等属性都不一样。

要用计算机模拟出来的话,运算量会庞大得难以想象。在13年,日本和德国的研究员使用超级计算机“京”进行了一次史无前例的神经元细胞模拟,使用“京”上的82944个处理器和1PB内存模拟了17.3亿个神经细胞1秒的活动,这神经元数量的规模仅仅是大脑神经元数量的零头,但却花掉了这台超级计算机40分钟来进行模拟。笔者怀疑,在摩尔定律都已经表现出颓势的今天,或许在量子计算机出现之前人类都没法做到完整的实时模拟一个大脑运行的程度。

超级计算机“京”,图片来源,环球网

而模拟大脑的工作与其说用来制作AI,可能更多的会对我们探究意识的本质有帮助,反过来说,如果我们洞悉了意识的本质,那制造出一个“人工意识”也就不难了。事实上,确实有很多实验室和组织在进行这方面的研究,其中比较著名的有瑞士的洛桑联邦工程学院在2005年建立的Blue Brain Project,其项目目的就是通过超级计算机模拟整个大脑的生物过程。希望借此探究意识的本质为何,目前计划仍在进行,逐步进行着更复杂的脑结构的模拟,预计将在2023年最终实现对人类大脑的模拟。

在拥有那种能力之前,现在的AI类似于一个折中的方案。人类深知自己暂时无法模拟人脑的运作创造出真正的智能,便决定先创造出一种表现得很像拥有智能的东西。也就是我们现在得到的这些了。

模拟大脑就行了?也不一定

看起来,如果人们拥有了能够完全模拟大脑的能力,那制造AI简直就是一道送分题了,是吗?这倒也未必,如果要完全的模拟一个大脑,同时也就意味着要完全模拟大脑感知外界信息的方式来进行信息的输入输出,换句话说,我们得到的东西可能就和一个真正的人类没什么区别了,而大脑擅长和不擅长的东西我们都很清楚了。就这么创造出另一个大脑,虽然你也可以说自己发明了人工智能,但总觉得有哪里怪怪的对不对,说好的超强的计算能力和超快的进化速度呢?

如果我们去深究人类到底为什么要制造人工智能——我们还是不要深究了,那边比较像是哲学家的领域。但仔细对比下来,最终的AI无非是两种形态:

1:现有的算法继续发展下去,可以应对的事越来越多,最终涵盖了万事万物,成为了虽然没有真正智能,但一切表现得都和拥有真正智能的生物一模一样的存在。(那是真正的智能吗?我们能保证自己不是这种存在吗?噢,我们又一不小心误入哲学家的领域了,还是赶紧退出来吧。)

2:基于对大脑的模拟,进行一定程度的改造,使AI能在拥有超强计算能力的同时还拥有智能。

感觉说来说去,我们无非是希望有一种东西能在拥有智能的同时还拥有强大的计算能力,那为什么我们不改造自己来达到这一目标呢?有很多人想到了这一点,但跟研究计算机科学的人数一比,就显得很微不足道了。跟计算机科学比起来,脑科学看起来很有一种民科和玄学的感觉。这可能主要是因为我们对大脑的了解还太少了。但如果我们能对大脑加以改造,给它外挂一种计算能力超强的模块,是不是我们每个人就都是一个人工智能了呢?

之前对大脑,包括人类的其它部位进行改造的设想多见于军方的实验室。但近期也有一些对人工智能不完全信任的科技界人物表达了类似的构想,据说主要是为了防止人类被AI甩得过远,如Tesla、SpaceX等多家知名科技公司的创办者马斯克(Elon·Musk)就提出了一种叫神经织网的概念,它就是一个安装在颈部静脉部位的辅助设备,可以扩展人类自己的认知能力,或许还有计算能力。据Gizmodo的报道,类似的设备原型机已于去年问世。

Elon Musk

人类和AI最终或许不会像很多电影和小说里想象的那样大开杀戒,我们可能会变成一种类似共生的互相有益的关系,甚至人和人工智能的界限会越来越模糊。

家庭作业

讨论AI讨论的好好的,但是最后却一个猛子扎进了哲学的汪洋大海再也回不了头,留两道家庭作业供大家思考吧

1:如果我们拥有了无穷无尽的计算能力,以我们大脑的水平能充分利用它们吗?

2:外挂思考能力的计算机,和外挂计算能力的人,有区别吗?

感谢阅读,大家再见!

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2016-06-07

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据钻研

代码的终结,我们很快就能像调教狗一样来调教我们的计算机

在发明计算机之前,大部分的实验心理学家都认为大脑是一个不可知的黑盒子。你可以分析一个实验对象的行为,例如,一旦听到铃铛想起,狗便会分泌唾液。但是思想、记忆和情绪...

2918
来自专栏PPV课数据科学社区

答初学者问:如何系统地学习数据挖掘?

看数据挖掘方面的算法理论时经常感觉一些公式的推导过程如天书一般,例如看svm的数学证明,EM算法..,感觉知识跳跃比较大,那么数据挖掘系统的学习过程是怎么样磨刀...

3485
来自专栏专知

【重磅】美国人工智能前沿峰会日程预告:吴恩达、田渊栋、任小枫等25位AI专家分享最新成果

【导读】人工智能前沿峰会( AI Frontiers)将在美国圣塔克拉拉会议中心11月3号到5号举行。这次大会邀请来自谷歌、Facebook、微软和亚马逊等人工...

4114
来自专栏AI科技评论

如何成为一名数据科学家?Yann LeCun的建议也许能给你答案

AI 科技评论按:本文为雷锋字幕组编译的技术博客,原标题 16 Useful Advice for Aspiring Data Scientists,作者为 J...

2624
来自专栏大数据文摘

对大脑的逆向工程是不是走向强AI的唯一出路?

1708
来自专栏AI星球

如何快速入门成为厉害的数据分析师,一份完整书单

“一切都被记录,一切都被分析”就了一个信息爆炸的时代,人类过去两年产生的数据占据了整个人类文明中所产生的数据的90%。而在这些无限丰富的数据中,蕴藏着巨大的价值...

2574
来自专栏PPV课数据科学社区

【每天一个数据分析师】面对毫无基础的业务人员,好的分析师解释逻辑,而不是细节

论坛君 “每天一个数据分析师”在第七期有幸采访到谢宇先生,他是中国联通广西分公司的大数据负责人,有超过7年的电信行业数据挖掘经验,目前主要负责大数据应用规划、基...

3557
来自专栏PPV课数据科学社区

【译文】传播学中的大数据:发展与不足

? 作者:Malcolm R. Parks 当我决定为《传播学日报》写一个特别的关于大数据的主题时,我心中有两个目标。一个是为大众传播,图像技术,政治交流,健...

3548
来自专栏机器人网

这是AI最好的时代……

8月份有幸收到雷锋网的邀请参加CCF-GAIR大会,金光闪闪的嘉宾团体和高大上的会议盛况自不必说。作为一个一直从事nlp技术和相关产品的工程师,这里写点个人的想...

2899
来自专栏CDA数据分析师

入门新手如何系统地学习数据挖掘?

数据挖掘:What?Why?How? 磨刀不误砍柴工。在学习数据挖掘之前应该明白几点: 数据挖掘目前在中国的尚未流行开,犹如屠龙之技。 数据初期的准备通常占整个...

1935

扫码关注云+社区