关于智能的讨论 随笔

前些日子看到粉丝留言关于智能的讨论，确实感到自己有些不同的理解，不妨在这里随意的记录一下。

前一篇文本：

https://www.bilibili.com/read/cv57143  

讨论的观点1：

关于人工智能和人类智能是否一致的争论。轮子和腿的差异，鸟儿翅膀和飞机翅膀的差异等等，这些虽然有差异，但背后的物理规律是一样的，比如鸟儿和飞机都是空气动力学范畴，但是由于材质不一样（一个是碳基生命，一个是金属），最终的飞行表现也不一样，但一样都能飞，背后的物理规律也是一样的。生命体的智能和机器智能最终的表现形式是否一样说不好，但背后制约智慧的规律应该是一致的，

人工智能可以在到达某个能力值之后一劳永逸么？以前我也这样想过，或许这个世界和宇宙可以被理解是因为在繁复的现实现象背后他们有一条共通的公式（大一统？）。如果找到这个共通的公式，所有的智能问题都只剩下计算了。可是现在我觉得太理想化了，我的努力无法前进这么多，我的有生之年或许无法伴随人类文明前进到如此的高度而变得现实了。只要我们找到一种智能的规律能解决需要解决的某一个问题那就解决一个问题，能找到解决一类问题的智能，那就解决一类问题。酸一点说，如果通用智能或者说是更基本的智能在解决某专业领域的问题时也需要进行一些学习或者是人工干预，从那么工作量上来讲并不减少多少。再酸一点说，或许人们现在搞得专有领域的智能是走向通用智能的必经之路呢。

关于智能的表现形式，我觉得跟进化方式方法有关系。人类的一颦一笑一举一动是自然界进化得来的，但是人类的进化时间并不多。人工智能的文章中会说计算机训练一小时等于人类进行多长多长时间的训练（机器一日，人类一年）。计算机的训练时间通常是人类训练时间的几百倍或更多才能勉强达到或超过人类智能。只能说是人工智能当前的训练方式或者是学习方法劣于人类。反过来说，人类的学习方法是最优的么？不一定。也就是说有可能某种生物进化的时间不长于人类，但是在某些能力上超过人类。这在自然界应该很常见。令人忧虑的是，不管是古代人类还是现代计算机的智能训练都是“现象训练”。这个词是我造的，意思是你渴了喝水，但是你不知道为什么水能解渴，只是通过不断试错来形成经验。令人乐观的是，近现代人类的科学发展借助于原理推导形成了许多智能成就。这样子智能的进步比“现象训练”有效得多了。说到鸟的翅膀和飞机，可能是因为鸟因为其基因控制的体型就是有翅膀，他想要飞并没有其他太多可以借助的东西，在大自然给与鸟类的资源里面只有翅膀是最好的可用道具。所以就形成了扇动翅膀飞翔。这就像你需要写字，而你手边正好有一把刀，你就用刀在地上刻字。但是这并不代表写字的最佳实践是刻刀这种方法。人类的飞行器，学习鸟类的翅膀我觉得这是早期拙劣的模仿。因为人类知道这样子能飞起来，鸟都是这样飞的嘛。知道这事情能不能做成对于人类来说是一个很关键的信息。人类用自己的资源模仿出来翅膀然后飞翔。类鸟翅膀的结果也可以算是“现象训练”的成果。可是现在都9102年了，人类用“原理推导”的方法计算出出飞翔的条件，出现了很多形状的飞行器，和鸟的翅膀形状大相径庭。比如说四旋翼无人飞行器，比如说东风17，这些在自然界中都没有学习和模仿的对象，是纯人类智能造物。

讨论的观点2：

石头剪刀布游戏。我知道他出石头，我出布；他知道我知道他出石头，那他出剪刀；我知道他知道我知道他出石头，所以我出石头；……

程序员一看这个描述就能联想到，这是递归啊，继续一想这是无限递归啊，比拼的是内存啊。其实还有你要知道对方内存是多大，对方能递归几次。然而对方在未使用完内存的时候应当意识到你知道他的内存大小从而推断出调用次数，所以对方不应当完全使用完自己的内存。这几句话和智能有什么关系？明显的智能体的欺骗一定与这个有关。仔细想一下智能体的“爱”与“自私”也与这个有关 。还有一个问题，我们人类需要人工智能有欺骗的能力么？人类需要人工智能有“爱”么？还是说仅仅需要一个能够好好工作的“车轮子”。

我觉得能够换位思考的能力可以加速智能的演进。不管哪一个智能体如何获取到某一知识，只要其他智能体能够换位思考就能很快地学习到这个知识或者技能。虽然我觉得这还是“现象训练”，但是感觉是智能体学习的很重要的组成部分。

上面是漫无边际的畅想，现在我想聊一些实际的。即面对有限的或者特定的问题，利用已有的有限的资源和普遍的人类智能水平创造出一个智能的或者看似智能的解决方案。比如说问题是“我有点冷，我想暖和。”有限的资源是一床被子和一个打火机。普遍的人类智能应该是给出“盖被子”而不是“点燃被子”。大部分人从看到这个题目到解答出来的思考过程，应该是“现象训练”出来的，即我有这个经历或者类似经历，我知道这样做可以解决问题。但是这在一定程度上是不对的。（被子保温但是不生产热量，被子保温是因为被子固定住了一部分空气，是空气保温。如果题目的环境是太空中，那么“盖被子”这个方案将来无法起效。）如果使用计算机现在的智能水平来分析解决这道题，大概是如果之前有类似题目可以借鉴，那么就使用之前的借鉴一下。如果之前没有遇到过就使用随机方案试一试看行不行，或者枚举所有的方案看看哪个好。总之也是“现象训练”。这里面三个方法都应该可以解决这个小问题。但是直觉告诉我们这都不是我们想要的答案。因为这些解答的方法适用面太窄了。换句话说，会控制汽车方向但是不会启动汽车不会处理路上的突发情况就不能说会开车。

另一个小问题，人工智能落地。我们现在传感器是人工智能数据的源头。传感器的种类和能力将直接限制人工智能的发展发挥。很好理解，如果一个人没有好的眼睛，没有好的耳朵，没有好的舌头，他该如何利用即使很灵活的大脑去理解这个世界并做出反馈呢。所以在人工智能落地的工作中，传感器是第一步的。以我熟悉的领域来讲，数字化园区。我们有传感器：摄像头、电能、流量、气压、空气质量、温湿度等。其实不算少了，但是呢一个简单的闭环都很难实现：我能控制灯的开关，但是我没有在每个灯的位置安装光照传感器。智能系统基于某种决策开了灯，却不清楚自己是不是确实开了灯（灯自身会有报告），或者说满足了将那部分照亮的功能。就无法实现我需要照明，但是开灯操作后没有达到预计的亮度，我可以补充把窗帘拉开。就接触的智能项目来看，智能系统仅仅是一个远程设备查看和远程控制器的功能，很可能没有数据存储更别说数据分析甚至依据数据进行决策了，在远程控制的时候有一些设备联动就算是亮点了。我觉得缺少传感器可能是因为成本问题，巧妇难为无米之炊，但是用户不清楚你到底能做出什么样的菜，他就不会花钱去买那些传感器。即使跨过了传感器这一关，还有如何将海量传感器信息传给大脑，大脑形成记忆，综合处理信息，给出决策。人工智能落地路漫漫。