來源： 網易智能
編譯：網易智能
選自：medium
參與:Rosie
【網易智能訊 6月22日消息】機器學習和智能都植根於預測，這是巧合嗎？
當我們的技術體現了智能的本質時，我們正在接近一個緊要關頭嗎？或者說我們仍然處於長期的錯誤觀念之中？如果它確實是一個由許多部分組成的系統的本質，是什麼把預測提升到至關重要的地位？
以色列歷史學家哈拉瑞(Yuval Noah Harari)建議我們研究歷史，以放鬆對過去的控制，“研究歷史不會告訴我們應該選擇什麼，但至少它給了我們更多的選擇”。如果你在人工智能行業中繪製一個路線圖，那麼調查這些選項是有意義的。通過追蹤馬庫斯·胡特、謝恩·萊格、傑夫·霍金斯和楊立昆的工作，我們就能深入瞭解爲什麼機器學習能強烈吸引着我們。楊立昆曾說：預測是智慧本質。
技術塑造了我們對智能的解釋
歷史上，每個時代的主導技術都塑造了我們對智能以何種方式工作的解釋。古希臘的水力技術與“體液”的流動原理有着異曲同工之妙，“體液”決定了我們的身體狀態和心智功能。機械時代放大了人類是機器的觀念，包括大腦中的運動也未能倖免。進入電力和通訊時代後，大腦變成了一個電話總機，進入計算時代後，大腦又成了一個信息處理器。
在這個人工智能時代，許多人認爲預測和學習是智能的本質。預測和學習也是機器學習的主要功能性組成部分，這是這個時代的主要技術。
因此，爲什麼預測是智能的本質的一個可能的解釋是，我們的工具是預測的引擎。在這個歷史背景下，事物的本質不在於預測的價值，更多的是在於關於跳出我們的工具去進行思考的困難。無可否認，這段歷史很有趣，但這不是對這一想法的一種毀滅性的控訴，不論是從內部原因來說還是就事物的本質來說。預測很可能確實是智能的本質，當我們的技術達到我們智慧的本質的水平時，我們正在不斷靠近這個巨大的里程碑。爲了權衡這個觀點，我們需要更直接地解決這個問題。
一種狹隘的智能
爲了識別本質，我們需要分析一些重要的方面。要從這一概念抽離出不同的目標、目的、屬性和本質，此時此刻所值得強調的是智能的概念所帶來的非凡的自由。
當威廉·加爾文探究《智能的崛起》（The Emergence of Intelligence）時，他發現本質並不總是與預測聯繫在一起。“對大多數觀察者來說，智能的本質是聰慧，是解決新問題的一種多功能性。”雖然他表達了對遠見和預言的重要性的個人傾向性，但他的調查包含了一系列互補的行爲，如探索、創造力和多功能性。
“我們永遠不會同意對智能的普遍定義，因爲它是一個開放的詞，就像意識這個詞一樣。”威廉·加爾文說，他總結道，找到一個關於智能的單一定義這樣的任務是徒勞的。
事實證明，那些追求機器智能的人並沒有因此而卻步。儘管它可能並不滿足所有人的需求和不同的目的，但一個社區可能會圍繞一個簡化的概念而團結起來。這些基本的選擇可能會反過來將智能的基本屬性帶入到大衆視野之中。這就是我們接下來要看到的。
機器智能的定義
謝恩·萊格和馬庫斯·胡特對社區將目光集中在機器智能定義上提供了一大助力。他們承認在開發一個高度抽象但又普遍的概念的過程中遇到了困難。然而，他們目標明確，就是要讓機器智能成爲一個自主的目標搜索系統，最後他們克服了這個挑戰。
萊格和胡特通過一項關於智能的專家意見的調查，得出了他們的定義。考慮到他們對於概念的通用性的追求，他們尋求的是一種包含自然智能和人工智能的定義。根據他們的目標，智能的基本特徵被提取進了一個普遍的定義中：智能是衡量一個代理人在廣泛的環境中實現目標的能力。
從歷史的角度來看，我們不僅是在用我們的技術的概念來思考智能，我們也在以一種非常明確的方式來思考。如果這個循環令人不安，萊格和胡特也承認會有這種問題。
然而，他們的結論是通過將他們的研究結果與專家對包括自然智能在內的智能所給出的定義相關聯，並表明他們的工作與普遍最優學習代理的理論一致而得出的，“我們所做的遠遠超出了僅僅重申基本的強化學習理論”。
然而，這仍然存在一個問題：爲什麼預測是智能的本質。機器智能是一種由功能部件組合而成的系統。將其中一個部分表示爲不可缺少的部分可能看起來很奇怪：大概，所有組成這個系統的部件都是不可或缺的。是什麼把預測提升爲這一切的本質？
預測是機器智能的本質
在一個系統的上下文中，本質的意義可以被更好地理解爲“缺失的環節”，即解決這個難題的元素。在他的通用人工智能理論中，馬庫斯·胡特通過“普遍歸納、概率規劃和強化學習的思想的統一”，着手解決機器智能的問題。順序決策理論和索洛莫諾夫的普遍歸納理論的結合，爲在已知和未知環境中的理性代理提供了理論依據。
馬庫斯·胡特，提出通用人工智能的十年
值得注意的是胡特有關價值的陳述。在成功的標準中，他的理論抓住了上面討論的智能的非正式定義，這理論植根於一個歸納推理的理論。在另一篇文章中，我研究了歸納法如何驅動人工智能理論和方法。
在機器智能的理論中，我們已經深入理解了爲什麼預測是一種本質的東西。歸納推理是一個預測過程，解決了理性的代理人如何在未知的環境中實現他們的目標的問題。
機器學習是一種歸納推理的過程，從具體的例子中得出一般結論，預測是機器學習的本質。這一解釋與歷史期望沒有偏離，二者如出一轍。萊格和胡特認爲他們的方法是“明顯的功能性”方法。重要的是目標和代理人可衡量的表現。他們爲意識、情感和創造力等無法衡量的方面可剝離開來而興高采烈。類似於任何擬人化的同情或對自然智能的訴求，他們對創造一個“人造人”毫無興趣。
另一些人則認爲，只有通過一種自然智能的逆向工程，人工智能纔會被實現。在他們的世界觀中，預測是智能的本質？在他的《人工智能的未來》（On Intelligence）一書中，傑夫·霍金斯提出，預測提供了一種重要的智能衡量方法，以理解的概念爲框架。引用Searle所熟悉的“中文房間”思想實驗（在上面討論的功能觀點中沒有實際意義的問題），霍金斯解釋說，理解包含了記憶的方面。智能需要內在的表徵和經驗的處理。（中文房間（Chinese room）又稱作華語房間，是由美國哲學家約翰·希爾勒（John Searle）在1980年設計的一個思維試驗以推翻強人工智能（機能主義）提出的過強主張：只要計算機擁有了適當的程序，理論上就可以說計算機擁有它的認知狀態以及可以像人一樣地進行理解活動。）
傑夫·霍金斯，《人工智能的未來》
（On Intelligence）
在霍金斯的理論中，預測是根據對將要發生的事情的預期來評估。人類的大腦皮層是由數百萬列組成的，每一列都由一組神經元組成。（再一次，回想起我們的工具的擺動，這提醒了霍金斯，一個訓練有素的工程師，想到了一個硅芯片的架構）。
這些結構的一致性暗示了一個單一的算法或原則，在這些結構中，這些列構成了預測的單元。在這個記憶預測框架中，預測是智能的本質。即使在這個預測記憶框架內，預測作爲本質的想法也很難確定。雖然人們永遠活在未來，但正在進行中的功能應當更恰當地描述爲“繁榮”，而不是“預測”。我們不斷地評估我們對世界的內在解釋，而不是那些相對稀少的、意想不到的觀察。
加里·馬庫斯等批評人士認爲，霍金斯的模型過於簡單化，只對大腦中已知的一些機制進行了抽象化描述;他指出，許多其他方面仍然是一個謎。（這並不是說馬庫斯是主流機器學習的倡導者，他相信“機器學習有一種偏見，那就是假定一切都是學來的”）。其他研究人員，如傑夫·迪恩和德米斯·哈薩比斯，似乎更贊同霍金斯在自然中的靈感，如果他們沒有必要爲他的想法的可行性或可實現性而鼓掌。
正如人們所預料的那樣，智能的複雜性和設計解決方案所需要的不可避免的妥協創造了斷層線。這就導致了社區之間的衝突，就像最近在楊立昆、尤夫·戈德堡和其他代表深度學習和NLP（自然語言處理）社區的代表人物之間的公開辯論中一樣，副標題是“for fucks sake, DL people, leave language alone and stop saying you solve it”。當我們把現實看做一個客觀的仲裁者時，智能的本質就變得越來越不清楚了。最終，要理解爲什麼預測是智能的本質，我們需要訴諸於公衆輿論和業內最有影響力的人。
一個問題變成了一個迷因
在這個故事的大部分都關於，無論是在追求機器智能還是研究自然智能的過程中，預測是否是智能的本質的問題是一個相對模糊、實用的考量，然後這個問題變成了一個迷因。這種轉變可以通過一系列的事件來追溯。機器智能作爲歸納推理的願景在深度學習中應用後，成爲了一種非常成功的方法。這一方法的先驅，如楊立昆，約書亞·本吉奧和傑弗裏·辛頓，經過幾十年的研究後，因爲後來所發生的事情，他們成爲了極爲有影響力的預言家。
在注意力不集中的情況下，複雜的問題必然會被簡化，並被剝奪它們的歷史價值。爲了向大量的新受衆進行教育和推廣他們的研究議程，複雜的問題被簡化爲一種適合於推文、聲音片段和演講稿的形式。
當迷因變成教條
像楊立昆這樣的人工智能明星站起來發表宣言時，在整個行業中都產生了反響。比如在2015年，楊立昆說：“預測是智能的本質，而這正是我們想要做的”。而楊立昆想要做的是影響和約束許多人的思想領導和研發議程。
楊立昆認爲人工智能問題的關鍵在於“不確定性下的預測”，這與上面討論的功能觀點有相似之處。在2016年神經信息處理系統大會的主題演講中，預測學習的中心角色——學習預測模型——被強調爲取得進展的必要步驟。主要的技術難題是“世界只是部分可預測的”。
楊立昆，2016年神經信息處理系統大會
正如楊立昆勾勒出的路線圖，預測框架會帶來一系列的挑戰，即使是在那些與預測無關的領域。例如，常識被描述爲，“不論有什麼可用信息，都能預測過去、現在或未來的任何信息。”
正如上面所討論的霍金斯的預測-記憶二象性，功能框架可能從預測轉移到其他技術，例如表示、記憶或推理。但爲什麼要把拒絕成功？這是錘子法則，就是把一切都看成是釘子。當作爲事物的本質時，預測不僅是描述性的，而且是衡量的標準，而且是對解決方案本身的規定。當一個對此崇拜的社區對其進行規定的時候，這個問題就不再被質疑了。它成了真理。
爲什麼預測是智能的本質
主流技術對我們如何理解世界和我們自己有着巨大的影響。縱觀歷史，液壓、蒸汽機和計算機等技術已經塑造了我們對智能的解釋。這種強大的力量今天仍在繼續。機器學習是一種概念框架，它解釋了爲什麼預測是智能的本質。
像智能這樣的複雜概念在它被工程化之前就必須被簡化。僅僅是屬性和成功標準的一個子集便可以被抽象出來以適應需求。雖然一個單一的定義不能滿足所有人，但是一個實踐型的社區可能會圍繞這個簡化的概念而團結起來。對於一個社區來說，圍繞着機器智能作爲一個自主的、目標搜索的系統的願景便可達成共識。通過設計，這種智能的定義是在機器智能如何被實現和測量的預期中精心塑造的。
在這個架構框架中，歸納推理這一預測過程，爲理性的代理人如何在未知的環境中實現他們的目標提供了一個解決方案。預測也是機器學習的本質，這是一個歸納推理的過程。
這種簡化和專注雖然有效，但也具有內在的爭議性。智能的複雜性提供了強調許多目的、理論和架構的自由。因此，人工智能是一種非常多樣化的研究和技術集合，其中許多研究和技術都與主流觀點相左。
然而，有力量便有話語權。機器學習，尤其是深度學習，已經成爲最成功和最具統治力的技術，這掩蓋了人工智能其他的每一個方面。就像智力的概念被縮減爲一個簡化的、實用的定義一樣，在許多人看來，人工智能已經被簡化爲機器學習，後又進一步簡化爲深度學習。在這種世界觀中，預測確實是本質。
成功也帶來了力量和影響力。經過幾十年的研究，深度學習的先驅們被提升到了先知的地位。他們的聲明成爲了推文、配樂和演講稿中不加選擇的素材;他們的研究議程和路線圖爲整個行業奠定了基礎。
考慮到這些概念的可理解性，機器智能的任何功能缺口都可能被認爲是一個預測的問題。如果你的路線圖根植於預測的本質，那麼錘子法則就表明了這是一個預測問題。當你以一種規定性的方式對一個崇拜它的行業提出質疑時，這個問題就不再被質疑了，它變成了真理。
預測是智能的本質，它將一直存在，直到更主流的技術告訴我們其他的東西。
未來智能實驗室的主要工作包括：建立AI智能系統智商評測體系，開展世界人工智能智商評測；開展互聯網（城市）雲腦研究計劃，構建互聯網（城市）雲腦技術和企業圖譜，爲提升企業，行業與城市的智能水平服務。
如果您對實驗室的研究感興趣，歡迎加入未來智能實驗室線上平臺。掃描以下二維碼或點擊本文左下角“閱讀原文”
