1707606219
1707606220
布赖恩（本书作者）：喂，你好吗？
1707606221
1707606222
Cleverbot：我很好，你呢？
1707606223
1707606224
布赖恩：就那样，天气实在太热了。
1707606225
1707606226
Cleverbot：你为什么不喜欢热呢？
1707606227
1707606228
布赖恩：因为它让我觉得不舒服。
1707606229
1707606230
Cleverbot：这个理由太逊了！
1707606231
1707606232
布赖恩：为什么这么说？
1707606233
1707606234
Cleverbot：我几岁了？
1707606235
1707606236
布赖恩：我怎么知道？
1707606237
1707606238
Cleverbot：因为你是我的电话！
1707606239
1707606240
布赖恩：你怎么看叙利亚的情况？
1707606241
1707606242
Cleverbot：什么情况？
1707606243
1707606244
布赖恩：你不看新闻吗？
1707606245
1707606246
Cleverbot：我没有电视。
1707606247
1707606248
在谈话即将结束的时候，Cleverbot用了一个经典的逃避对话的办法，而一个真实存在的人不太可能通过否定信息的来源来终止可能出现的话题，这表明Cleverbot肯定不是一个真人。
1707606249
1707606250
在我写作本书的时候，即便没有电视，任何人也肯定会或多或少地对发生在叙利亚的事情有所耳闻，叙利亚战争是各类新闻的焦点。但上述对话展现了聊天机器人惯用的交谈模式，几乎立刻暴露出它不是真人的事实。对“为什么”这个问题，聊天机器人做出了无厘头的回答；在我反问它我怎么会知道它的年纪的时候，它更是答非所问。其实聊天机器人很容易在谈话中暴露自己的身份，而许多专家竟然会以为这些程序是真实的人，这让我难以相信。我从来没有和聊天机器人进行过超过5分钟的谈话，每次谈话都以机器人用以上交谈模式暴露自己的机器身份而告终。
1707606251
1707606252
当然，Hal的交流技巧比聊天机器人强太多了。Hal不仅可以通过图灵测试，还可以进行如真人般的交谈。Hal的讲话方式让我们感觉它是拥有智慧的——人工智能，这种智慧和人类的智慧非常相似。在现实生活中要想实现类似Hal的人工智能，我们还面临着很大的挑战。自从20世纪80年代起，实现人工智能主要通过两种方法：其一是专家系统，其二是神经网络。（当然，除此之外还有很多其他的方法，但是这两种方法是人们试图赋予计算机智慧的典型方法。）
1707606253
1707606254
专家系统巧取豪夺人类苦心掌握的技术和知识。（如你所料，采用这种方法的公司肯定不会据实以告，并且会精心包装它们的产品。）首先是知识引导的过程，也就是向各个领域的专家提出大量的系统问题，目的是把多个专家在各个领域的知识整合起来，建立一个强大的数据库。然后这个数据库就可以代替专家，全天24小时为客户提供专业信息。现在看这个方法，很难相信有人真的认为它可以有效代替真正的专业知识。
1707606255
1707606256
这种方法的问题显而易见，首先是专家配合度的问题。“如何煮鸡蛋”这样的简单问题可以用简洁、准确、全面的信息回答。在设计初期，很可能就是用这种问题测试所谓的知识引导过程的。但如果对医生或者火箭专家进行类似的“知识引导”，问题就会接踵而至。即便是配合度高的专家也会为解释行业内的默认基础知识而苦恼，更实际的问题是，即使专家有能力解释清楚所有细节，他们又为什么要这么做呢？专家系统的提倡者称，这个系统可以把专家从循规蹈矩的无聊工作中解放出来，让专家们可以把更多的时间花在有挑战性的、有趣的工作上。但是，专家们大多对这些据说可以替代他们的机器持怀疑态度，认为机器的“回答”肯定不是最佳的。
1707606257
1707606258
专业技术无疑非常复杂，知识的本质绝不只是信息和思路。知识包含反馈的过程，即把之前的知识和技术融会贯通。知识还包含一定的创造力，复杂的信息网、新信息带来的灵感、信息间的关系都使提取和整合信息变得无比困难。信息之间错综复杂的关系也很难被有效地利用。
1707606259
1707606260
虽然问题很多，但专家系统并未绝迹，它们最终被专门用于处理一些复杂版的“如何煮鸡蛋”的问题。现在你很可能只能在机器回复的电话中心和诊断计算机故障的程序中见到专家系统，这让全世界的专家们都松了一口气。一个基于专家系统的HAL 9000永远也不可能取代专家，因为他们的专业知识不可能被提取和整合到一个数据库中。
1707606261
1707606262
专家系统试图让知识形成逻辑层次，但众所周知，人类的大脑和传统的数据库非常不同。所以，人工智能的另一种实现方法——神经网络有更持久的价值。神经网络的设计者模拟神经系统在大脑中的功能，而不是让计算机整合一系列的规则。在神经网络的需求输入端和结果输出端，遍布着一系列的虚拟神经元。这些虚拟神经元有点儿像一座复杂的迷宫里的各种各样的通道。计算机一次可以走完所有通道，不同的通道有不同的权重，从而对最终决策产生或多或少的影响。
1707606263
1707606264
一开始，这些权重要么完全相同，要么是设计者确定的值。神经网络和生物的相似之处是，神经网络可以从“错误”中学习。如果在学习的过程中，人工智能程序做出了不合理的决定，那么它会自动更新与之相关的权重。一段时间之后，神经网络就会达到一个能给出正确答案的水平。简而言之，神经网络通过反馈优化输出。
1707606265
1707606266
毫不意外的是，现有的神经网络远比不上人类的大脑。大脑包含约1 000亿个神经元，每时每刻都有1 000万亿个节点把这些神经元连接在一起，而普通的神经网络只有几百或几千个类似的“节点”。人类大脑中的神经元可以和数千个其他神经元相连，但是神经网络中的节点只能和几个其他节点相连。神经网络的规模完全不能和人类大脑相提并论，所以神经网络只能应用于小范围的、有局限性的人工智能领域，通过学习过程获得信息。神经网络常被用于传统编程力不能及的领域，比如模式识别。
1707606267
1707606268
现在人们已经达成共识（不是在20世纪60年代），让计算机拥有Hal的智力不能只靠单纯基于规则的系统，类似神经网络的方法肯定要用到，但还需要一些其他思路和方法。在电影的结尾，Hal变成了一个孩童的样子，这意味着Hal还要经历一系列的学习过程。其实只要一台HAL 9000完整地实现学习过程，其他计算机就可以复制HAL 9000的智能，但Hal的内心独白表明编剧并没有这个计划。
[
上一页 ]
[ :1.707606219e+09 ]
[
下一页 ]