人工智能悖论：简单的动作比复杂的推理更难以实现

就像IBM的深蓝战胜卡斯帕罗夫的2007年5月一样，2016年3月注定也要载入人工智能的发展史册：来自Google DeepMind的人工智能程序AlphaGo以总比分4：1的成绩战胜了前世界冠军李世石。

号称“人类最后智力骄傲”的围棋也被人工智能攻破了，一时间人工智能与机器人威胁论刷爆了微博、微信及各路新闻媒体。大家都在担心着某一天自己的工作会被人工智能抢去，又在某一天人类会被人工智能机器人统治。那场比赛中有个细节，不知大家是否注意：这个已经在“人类最后智力骄傲”上碾压人类的AlphaGo，却连挪动一枚小小的棋子都需要人类帮助才能完成。

可能有人会说，这都不是事，围棋都已经战胜人类了，给AlphaGo装上机械手让它自己下棋也不过是分分钟事。然而，事实真的是这么简单吗？

回答这个问题之前，先让我们来看个由人工智能和机器人科学家发现的与常识相佐的现象：

让计算机在智力测试或者下棋中展现出一个成年人的水平是相对容易的，但是要让计算机有如一岁小孩般的感知和行动能力却是相当困难甚至是不可能的。这便是在人工智能和机器人领域著名的莫拉维克悖论。

莫拉维克悖论（Moravecs paradox）由汉斯·莫拉维克（Hans Moravec）, 罗德尼·布鲁克斯（Rodney Brooks）,马文·闵斯基（Marvin Minsky）等人于20世纪80年代提出。莫拉维克悖论指出：和传统假设不同，对计算机而言，实现逻辑推理等人类高级智慧只需要相对很少的计算能力，而实现感知、运动等低等级智慧却需要巨大的计算资源。

语言学家和认知科学家史迪芬·平克（Steven Pinker）认为这是人工智能研究者的最重要发现，在“The Language Instinct”这本书里，他写道：经过35年人工智能的研究，人们学到的主要内容是“困难的问题是简单的，简单的问题是困难的”。四岁小孩具有的本能─辨识人脸、举起铅笔、在房间内走动、回答问题等，事实上是工程领域内目前为止最难解的问题。随着新一代智慧设备的出现，股票分析师、石化工程师和假释委员会都要小心他们的位置被取代，但是园丁、接待员和厨师至少十年内都不用有这种担心。

与之相似，Marvin Minsky强调，对技术人员来说，最难以复刻的人类技能是那些无意识的技能。总体上，应该认识到，一些看起来简单的动作比那些看起来复杂的动作要更加难以实现。

在早期人工智能的研究里，当时的研究学者预测在数十年内他们就可以造出思考机器。他们的乐观部分来自于一个事实，他们已经成功地使用逻辑来创造写作程序，并且解决了代数和几何的问题以及可以像人类棋士般下国际象棋。正因为逻辑和代数对于人们来说通常是比较困难的，所以被视为一种智慧象征。他们认为，当几乎解决了“困难”的问题时，“容易”的问题也会很快被解决，例如环境识别和常识推理。

但事实证明他们错了，一个原因是这些问题是其实是难解的，而且是令人难以置信的困难。事实上，他们已经解决的逻辑问题是无关紧要的，因为这些问题是非常容易用机器来解决的。

根据当时的研究，智慧最重要的特征是那些困难到连高学历的人都会觉得有挑战性的任务，例如象棋，抽象符号的统合，数学定理证明和解决复杂的代数问题。至于四五岁的小孩就可以解决的事情，例如用眼睛区分咖啡杯和一张椅子，或者用腿自由行走，又或是发现一条可以从卧室走到客厅的路径，这些都被认为是不需要智慧的。

在发现莫拉维克悖论后，一部分人开始在人工智能和机器人的研究上追求新的方向，研究思路不再仅仅局限于模仿人类认知学习和逻辑推理能力，而是转向从模仿人类感觉与反应等与物理世界接触的思路设计研发机器人。莫拉维克悖论的发现者之一Rodney Brooks便在其中，他决定建造一种没有辨识能力而只有感知和行动能力的机器，并称之为Nouvelle AI。虽然他的研究早在1990年代就开始，但是直到2011年其Baxter机器人还是不能像装配工人那样自如地拿起细小的物件。

由美国国防部高级研究计划局（Defense Advanced Research Projects Agency，简称DARPA）举办的机器人挑战赛被称作“当前人工智能中含金量最高的比赛”。虽然参赛队伍都是来自全球的顶尖研究机构，但是它的任务却是诸如驾驶、进门、打开阀门、上下楼梯等对人类来说非常简单的任务，即便如此有些队伍仍然无法完成比赛，机器人在比赛中摔倒更是家常便饭。

（看了这些“花式摔倒表演”后，您对机器人统治人类的那颗担忧之心是否稍稍放松了一点呢？）

回到那句有些哲学意味的话“困难的问题是简单的，简单的问题是困难的”。几十年来，我们做出的机器人和人工智能，虽然在智力上已经达到了很高的境界，但在看似简单的与真实物理世界交互的能力依然非常差。目前人工智能和机器人学亟待解决的问题不是如何让机器人学会越来越复杂的逻辑推理，而是让机器人具备对物理世界最基本的感知与反应。

原文发布时间为：2016-05-16

本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号

有限状态机(FSM)是表示有限个状态及在这些状态之间的转移和动作等行为的数学模型，在计算机领域有着广泛的应用。通常FSM包含几个要素：状态的管理、状态的监控、状态的触发、状态触发后引发的动作。有限状态机是由寄存器组和组合逻辑构成的硬件时序电路
研究人员正确理解人工智能决策的三种方法 为了更好地理解他们构建的模型，人工智能研究人员开发了三种主要的解释方法。这些是局部解释方法，只解释一个具体的决定，而不是整个模型的决定，考虑到规模，这可能具有挑战性。
将人类知识注入预训练模型，让AI“更聪明” 达摩院首次利用半监督学习将标注的人类知识注入预训练对话模型，在MultiWOZ2.1等三个国际主流对话数据集中均实现了最佳效果，提升幅度明显，为知识和数据融合探索出新路径。目前达摩院这一创新工作的相关论文已被AAAI2022接收。
通用强化学习用算法发现算法：DeepMind 数据驱动「价值函数」自我更新，14款Atari游戏完虐人类！ 击败卡斯帕罗夫的「深蓝」并不是真正的人工智能，它过度依赖了人类设计的规则，而最近DeepMind的一项深度强化学习新研究表明，不用人工介入，完全数据驱动，算法自己就能发现算法。
新的深度学习计划如何克服机器人技术的挑战? 研究人员已经在研究用于计算机视觉的深度学习，它可以帮助机器人和机器人应用程序使用各种传感器来了解其环境，并帮助他们避开道路上的障碍物。而机器学习和计算机视觉技术确实可以解决这一问题。这将成为自动驾驶汽车的重要组成部分，即使没有训练数据，它们也必须学习如何在新条件下观察和学习。
玩够了AI，他们把目标对准了人脑 科幻电影爱好者想必都看过《黑客帝国》，除了男主演基努·李维斯慢动作躲子弹的经典镜头，电影里通过“脑后插管”实现人机交互的场景也令人记忆犹新。
从图灵机、图灵测试到人工智能：什么决定了AI能否取代人类？ 美国电视剧《西部世界》第二季的第一集一经播出就引起热议。一时间，人和人工智能这个话题又重新被辩论。由于程序功能越来越强大，人们开始担心：“人工智能程序会不会全面取代人类？”