1704609900
1704609902
人工智能：改变世界，重建未来 莫拉维克悖论
1704609903
1704609904
结束这一不确定性面临着更大的问题，即人工智能研究者是否以正确的方式工作。就像玩拼图要从最困难的部分开始一样，人工智能研究者们设想，如果他们解决了复杂的问题，那么简单的问题就会迎刃而解。毕竟，如果你能让机器像数学天才一样下象棋，那么模仿婴儿学习又有多难呢？然而，事实证明这是相当难的。象棋是一项游戏，包含明确的说明、棋盘位置、合规或违规移动。象棋为棋手营造了一个静态世界，他们在这里拥有完整的信息，前提是他们能够看见棋盘，并且知道如何移动棋子。象棋是现实世界的一部分，但现实世界却与象棋截然不同。汉斯·莫拉维克（Hans Moravec）等研究者突然开始提出惊人的建议，例如“让计算机在智力测验中或在下跳棋时表现出成人水平相对容易一些，而让计算机在知觉和移动性方面达到一岁小孩的水平却是十分困难甚至是不可能的”。
1704609905
1704609906
将人工智能设定为关注生活中更复杂的事物，而排除对相对普通任务的关注，这可能与研究人工智能的人有关。在许多案例中，堪称“天才”的科学家们能够控制象棋或布尔逻辑（Boolean Logic）的微小细节，却缺少现实生活中的常识。有一则众所周知的趣闻：麻省理工学院一个名为西蒙·派珀特（Seymour Papert）的研究人员有一次将他的妻子忘在了纽约机场。当他意识到妻子没有陪在他身边时，飞机正在跨越大西洋。约翰·麦卡锡十分顽强地面对具有挑战性的问题，但是却因为经常忘记为资助他的各类机构填写进程报告而招致许多麻烦。据说麦卡锡在斯坦福大学讲授的课程“人工智能入门”并未受到重视，私下里被学生戏称为“听约翰叔叔讲故事”。都说什么样的人会干出什么样的事，这样看来，这些研究人员的人工智能项目都侧重于远大目标而非平凡（可能更实用）小事也就不足为奇了。
1704609907
1704609908
心理学家史蒂芬·平克（Steven Pinker）总结道：“人工智能研究的前35年得出的主要教训是，困难的问题容易解决，容易的问题很难解决。”
1704609909
1704609910
1704609911
1704609912
1704609914
人工智能：改变世界，重建未来 转变目标
1704609915
1704609916
在众多挑战的重重包围之下，传统人工智能开始出现问题。从20世纪70年代开始，随着之前几十年人们对人工智能乐观态度的逐渐消散，人们对该领域的热情也渐渐冷却下来。大幅缩减的预算使其首次遭遇了“人工智能的冬天”，而这样的情况不止一次发生。在美国，就连可爱的机器人沙基计划都被叫停，因为美国国防部意识到，其出钱资助的机器人项目并不能创造出他们需要的机器人间谍“詹姆斯·邦德”。暂且不说间谍这一点，沙基在战场上甚至无法发挥常规部队的作用！一名为该项目工作的研究人员回忆起沙基在斯坦福国际研究所（SRI）实验室中最后的日子。一位持怀疑态度的将军问一位创造沙基的研究人员：“能不能在上面安装一个36英尺长的刺刀？”
1704609917
1704609918
为应对这一状况，人工智能改变了其目标，按比例缩减了一些大型任务，集中力量处理那些通过采取措施就能够解决的问题。其中的一个例子就是电子游戏领域。人工智能从一开始就与电子游戏联系在一起，那时艾伦·图灵和克劳德·香农曾尝试打造一个自动象棋手。在当时的情况下，象棋就是一个微观世界，用来演示那些后来应用到现实世界的智能行为。电子游戏就是他们的最终目标。
1704609919
1704609920
人工智能研究不仅仅需要研究者的技能，还可以创造一定的收益。在莫斯科的苏联科学院计算机中心工作的28岁人工智能研究员阿列克谢·帕基特诺夫（Alexey Pajitnov）就是受益人之一。1984年6月，帕基特诺夫创建了一个简单的程序，用来测试实验室新的计算机系统。一个精明的商人将该系统命名为俄罗斯方块（Tetris）并拿到市场上销售，这款游戏在全世界范围内卖出了超过1.7亿个副本。
1704609921
1704609922
20世纪80年代，电子游戏变得更加复杂，人工智能专家也因此变得炙手可热。人工智能能够运用简单的规则模拟复杂的行为，这意味着电脑控制的人物也能有自己的想法。例如，在《主题公园》（Theme Park）游戏中，人工智能实体（指具有智能的任何实体，包括智能硬件和智能软件）聚集在使用者建造的公园周围，采取程序设计员从未明确标出过的路径行走。
1704609923
1704609924
在某种意义上，电子游戏是传统人工智能的天堂。如果人工智能仅用于在射击游戏中模仿僵尸敌人，那么其行为是真的智能还是仅仅表现得很智能这类问题就是毫无意义的。
1704609925
1704609926
1704609927
1704609928
1704609930
人工智能：改变世界，重建未来 专家系统
1704609931
1704609932
人工智能的另一项新应用成为人们解决问题的工具。尽管人工智能擅长推理，但研究人员都知道，人工智能并不只有推理。为了创造出能够在现实生活中解决问题的人工智能，科学家们认为，他们需要一台能够将推理和知识相结合的机器。例如，一台应用于神经系统科学的电脑必须像合格的神经系统科学家一样，了解该学科的相关概念、事实、表述、研究方法、模型、隐喻和其他方面。
1704609933
1704609934
这意味着程序员突然需要担负起“知识工程师”的重任，他们必须充当各领域专家的角色，并且将他们的知识提炼成计算机能够读取的规则，生成的程序被称为“专家系统”。该系统是在广泛收集概率性规则“如果……那么……”的基础上建立的。有人曾经使用名为“DENDRAL”的专家系统进行过尝试，这个程序能够帮助有机化学家确定未知的有机分子。DENDRAL的创造者爱德华·费根鲍姆（Edward Feigenbaum）对最早记载人工智能历史的一位作家帕梅拉·麦考达克（Pamela McCorduck）说道：“有一段时间，人工智能领域的其他人都与我们保持一定的距离。我想他们可能不敢靠近DENDRAL，因为它涉及化学。但是人们还是会毫不吝啬地发出惊奇的感叹，因为它就像是化学界的博士一样。”
1704609935
1704609936
另一个类似的项目名为“MYCIN”，用于为脑膜炎等严重感染状况提供合适的抗生素用药剂量。MYCIN像一个真正的医生一样，能够将程序员之前收集的概率性证据汇总起来，并据此得出结论。人们不断对之前的经验进行归纳，直到它们变得像下面的“规则”：
1704609937
1704609938
如果……需要治疗的感染是脑膜炎，感染类型为真菌感染，培养染剂上没有有机体，患者不是易感染病患并且曾经到过球孢子菌病盛行的地区，患者是黑种人、黄种人或印度人，并且脑髓液检测中的隐球菌抗原不是阳性，那么……隐球菌有50%的可能并非是造成感染的有机物之一。
1704609939
1704609940
这些概率规则本身并没有什么了不起。然而，如果达到数百条，通常就能够找到正确答案。DENDRAL和MYCIN都只是实验室的实验，并没有真正应用到现实世界。相比之下，名为“XCON”的专家系统则要成功得多。诞生于1978年的XCON并不像DENDRAL和MYCIN那样具有改变世界的雄心壮志。它既不能帮助科学家创立假设，也不能帮助医生治疗传染病，而是通过为客户选择正确的系统来协助工程师设置VAX超级计算机[4]。简而言之，XCON就是世界上最伟大的“百事通”店员。
1704609941
1704609942
XCON的出现使大企业首次对人工智能产生了兴趣，它们不再将人工智能简单视为未来演示。只要专家系统能够为它们赚钱，企业们并不在乎它们到底是真正的人工智能还是“巧妙的编程”。1980年，XCON在数字设备公司（DEC）位于新罕布什尔州塞勒姆的工厂首次投入使用。到1986年，XCON就已经处理了80 000份订单，每年约为数字设备公司节约2 500万美元，准确率高达95%—98%。人们开玩笑称，如果它能够娶了老板的女儿，未来甚至能够当上公司的首席执行官。
1704609943
1704609944
其他企业很快也开始公开露面，为需要专家系统的企业客户提供解决方案。在油井钻探作业中，地层倾角顾问（Dipmeter Advisor）能够对地质构造进行分析。著名的粮食市场顾问（Grain Marketing Advisor）的目标是帮助农民进行恰当的营销，并储存粮食作物。1986年10月《电脑世界》（Computer World）杂志上的一则广告做出了这样的问答：“你如何充分利用专家系统技术的优势让员工改进当前软件上现有的数据处理应用？只有Teknowledge公司能够给你答案。公司将在你所在的地区免费举行为期半天的研讨会。”
1704609945
1704609946
1985年，约有150家公司投资10亿美元想要开展人工智能业务。这一年，美国人工智能协会召开的一场会议和国际人工智能联合大会共吸引了近6 000名参会者，其中一多半是风险投资家、猎头和媒体。1987年，并非电脑研究前沿阵地的《财富》杂志盛赞“软盘上的直播专家”的到来。研究人员在人工智能历史上首次变得和史蒂夫·乔布斯、比尔·盖茨等个人电脑界的新贵一样富有。
1704609947
1704609948
有趣的是，像马文·明斯基这样经验丰富的研究者却在回避这样的情况。我们往往以为，人工智能保守派在经历了20多年辛苦工作后一定急于寻求回报。而实际上，这些人都在提心吊胆地等待最后的结果。好在这并没有花费他们太多的时间。就像20世纪90年代后期投机性的互联网泡沫一样，倡导者们对专家系统能力的高估到了危险的程度。其中有一本教科书十分推崇“打电话规则”，称“使用专家系统打一通电话，家里的所有问题都能够在10—30分钟解决”。专家系统的基本概念是十分可靠的，但是仍存在一些问题。专家系统十分昂贵，需要不断更新，并且是反直觉的，当规则增多时准确率就会下降。斯图尔特·罗素（Stuart Russell）和彼得·诺威格（Peter Norvig）在《人工智能：一种现代方法》（Artificial Intelligence: A Modern Approach）这本教科书中写道：“随着规则集的不断壮大，规则间的不良交互作用就会越来越平常，于是，从业人员发现，添加规则时，必须‘调整’其他规则的可信度。”
1704609949
[
上一页 ]
[ :1.7046099e+09 ]
[
下一页 ]