人工智能可否统治人类，先得开启认知智能这扇门

发文：周熠 博士研究生、上海市神经科学与类脑研究所类脑测算课题组研究者

回望全部人类的发展历史时间，人类发展史高宽比总体上基本上是展现着指数上升的发展趋势。大家花了较长的時间来感知大自然，但事实上人们现阶段的感知工作能力跟黑猩猩、小猴子等小动物类似。大概在 250 万年前，人类祖先发生了认知改革，从感知到认知，逐渐认知大自然。到大约 1.2 万年前，人类祖先又经历了一个新的改革，也就是以认知大自然到更新改造大自然。而在约 500 年以前的文艺复兴时期后，人们的认知工作能力又拥有一次飞越：从更新改造大自然到造就大自然。直到如今，人类发展史在持续攀爬新的高宽比。

对设备来讲，大多还要历经那样的全过程，还要遵照一个相近的发展趋势曲线图。一开始的情况下，很有可能還是得先从感知学起，这也是如今人力智能已经做的，并且做得相对性较为取得成功。某种程度上，如今人力智能已经历经一个说白了的范式转变（paradigm shift），即从感知智能到认知智能的范式转变。

人们根据视觉效果、听觉系统、触感、味蕾这些，去感知大自然，获得一些基本的信息内容。认知则是在感知的基本以上，了解这种目标而且造成知识，作出管理决策。某种程度上，从感知到认知是全部个人行为管理决策全过程中的2个不一样的阶段。为什么说从感知智能到认知智能是一个很重要的转变 呢？为何认知智能尤其难？如今究竟做的怎么样了？

感知智能与认知智能

许多新闻事件中的被告方，做出了看起来不太聪明的决策。大伙儿看过以后，很有可能会感觉这些人做的事儿很 “蠢”。但请细心想一想，这种人到感知大自然的情况下，她们很蠢吗？实际上并并不是，她们和别的人的正常感知是一模一样的。仅仅她们在做认知的情况下、在做管理决策的情况下干了一些大家感觉很愚昧的事儿。事实上，从感知到认知的跨距非常大，大家感觉日常生活有一些朋友们较为愚昧的个人行为，设备也并不可以做得比她们好是多少。这大约是如今人力智能所在的情况。

简单点来说，从感知智能到认知智能，人力智能也有较长的路要走。

假如再较为一下动物和人类，感知和认知的差别就更为显著了。人们是对地球上，但实际上大家感知的工作能力并不比小动物强。论速率不如小豹子，论能量比但是熊，论视觉效果比但是鹰，论味觉比但是狗。可是为何大家变成了地球上的主宰者，由于大家有较强的认知工作能力。在感知以上，我们可以吸取经验，获得知识，造就新的知识，进而变成了天地万物灵长。

之上诸多都大概能传送一个信息内容：认知跟感知很不一样，它很重要，是人们可以越来越一枝独秀的最重要的缘故。

那麼设备究竟在感知和认知上做得如何？

在感知智能上，现阶段设备智能已经贴近和靠近人们，早已做得很非常好。比如说，如今早已被广泛运用的面部识别，在汽车站等公共场合上都已逐渐广泛运用；还有语音识别技术，这些方面也做得很好，能够把视频语音便捷地转为文本；也有电子光学字符识别，针对报销单等，能够立即获取出一个结构型的文本文档来。可以说，在感知智能这一层级上边，根据深度神经网络的一些技术性在某种程度上早已可以跟人们匹敌了。

那麼认知智能呢？实际上认知智能行业也获得了许多提升，比如象棋和中国围棋层面的迅速发展。1997 年时人力智能便能战胜人们的象棋总冠军；而两年前，AlphaGo 问世，在中国围棋上狂扫人们；2011 年的情况下，IBM 干了一个叫 “珀特”的智能机器人，在类似 “开心词典”的知识竞答比赛中，战胜了人们的世界大赛。许多小伙伴们在打游戏时很有可能会感受到人力智能的工作能力，像星际2、腾讯王者荣耀这些游戏里面，人力智能都是有了许多非常好的试着，并且早已获得了非常好的考试成绩。

但为何大家还要说认知智能任重而道远呢？许多 人应当都看了 2015 年 Alpha 智能机器人争霸赛的不成功锦集视頻。尽管在演说、报导时获得散播的通常全是行业发展的正脸信息，但实际上这种背面的或是不成功的历经一样很重要。它告知大家人力智能的界限在哪儿，究竟什么事情做的好，什么事情做得不太好。自然，对比 2015 年的技术实力，如今的自动化技术早已飞速发展了。比如说从 2015 年到现在，以波士顿动力为意味着的一些企业产品研发的英格索兰智能机器人、“设备小狗”等商品，在稳定性上边早已做得很好啦。

可是在一些尤其简易的认知每日任务上，人力智能却出乎意料得差。例如开一个闸阀、开一扇门，在这种事儿上边，智能机器人比大伙儿想像的要差十分得多。某种程度上，如今的自动化技术压根没有办法开启随意一扇门。由于有不一样的门，不一样的门把，不一样的开关门方式。而智能机器人要用统一的方式来做 “开关门”这一件事儿，它是十分艰难的。

认知智能在一些点上早已做得很非常好了，可是相反在有一些非常简单的事儿上边，实际上还做得尤其槽糕。这是由于人跟设备并不是一个种群，人跟设备有实质上的差别，某些人看上去尤其难的事儿，对设备并沒有那麼艰难。比如说下国际象棋，对设备而言，它便是个检索难题，而对身而言，由于检索工作能力没做到那一个水平，算法复杂度、计算智能不够，才会感觉这一事儿十分艰难，必须有很多的知识和方法，很多的高韧性训炼。

相反，在有的人看上去尤其简易的事儿，设备会感觉十分的艰难。就拿 “开关门”而言，世界上有成千上万的不一样种类的门，没有办法将其可循并界定成几类不一样的开关门方法。此外一个难以的事儿便是说白了的基本常识知识，比如说下雨时候路面会湿，这一类的信息内容。尽管对一般人而言这种基本常识全是一些不用需注意的信息内容，但这种基本常识知识十分多、比较复杂，处在不一样的行业，因此对设备而言就难以获得。

因此每每有些人问：设备是否要摧毁人们这类的难题，我只能笑一笑：让它先去开个门试一试！

什么叫认知智能？

那麼大家又该怎么界定 “认知智能”呢？也许我们可以先从词根的视角讨论一下。简单点来说，“认知”大部分相当于 “了解知识”。阿尔特曼说过，人力智能某种程度上是有关知识的科学研究。

在牛津词典里，有关智能、有关认知这种词的表述会常常变。在其中有一个表述是那样的：智能是获得和应用知识和方法的工作能力。认知是一个心态全过程，也是获得知识而且去了解这种知识的工作能力。某种程度上，认知智能的关键便是如何去了解知识，换句话说，它是有关知识解决层面的工作能力。

这些方面的工作能力有三点是必不可少的，也是十分实质的。第一，必须把知识编号出去，即要开展知识表明或是知识编号。第二，如何去获得这种知识，无论是基本常识知识也罢，技术专业知识也罢，无论是开关门也罢，下象棋也罢，这知识究竟如何来的？第三，假定知识早已拥有，究竟如何去应用这种知识解决困难。

因而，我本人的浅显理解是，针对认知智能来讲，它的关键便是知识究竟如何表明、怎么获取、如何应用。现阶段人力智能在这里三层面也拥有 不一样的进度，我们可以将其分成 “三大流派”。

三大流派

第一个就是目前尤其火的 “联接流派”，根据神经元网络深度神经网络。图中左侧三位得到了 2019 年的图灵奖，右侧这一位也是深度神经网络的另一位领导者。她们明确提出了如今尤其时兴的一些定义，比如深度神经网络里的卷积和神经元网络，也有循环系统神经元网络这些。这种定义十分有效，也获得了许多考试成绩。可以说，联接流派是根据仿真模拟微生物神经元网络的方式来做人力智能的。

举个简易的事例，勾股定理（毕达哥拉斯定律），很早已被发觉了，那麼如今给深度神经网络一个神经元网络，比如说一亿次直角三角形，它可以学得会勾股定理吗？也许难以，因为它难以学习培训结构型知识。在表明上边，表明结构型知识的情况下，也碰到了非常大的难题。联接流派在学习培训上边做得还不错，但表明和逻辑推理也有一些缺点和难题。

此外一个很重要的流派如今尽管不常常被提及，但在智能机器人行业有很多运用，称为个人行为流派。MIT的 Rodney Brooks 明确提出了说白了的宽容式系统架构，便是不一样的方面都做简易的反应方程逻辑推理，如同条件刺激一样，可是从不一样的层级来做。早已获得广泛运用的智能扫地机商品，iRobot，就来他与学员开的企业。除开智能扫地机以外，他也在试着新的机器人厂家，包含通用性工业机械手这些。

那麼根据反应方程的个人行为流派在知识的表明、逻辑推理和学习培训上边做得如何呢？。实际上个人行为流派较大 的优点在逻辑推理高效率快，由于反映快，只需给它一个刺激性，它就能发布来。但它在表明和学习培训上边却碰到了非常大的艰难，比如说反应方程的标准如何获得，是否可以表明更繁杂的知识这些。

第三个便是根据形式逻辑的标记流派，这实际上是原先人力智能的一个流行的流派。20 新世纪 80 时代第二波人力智能潮，就主要是由根据标记流派的数据管理系统造成的。标记流派在人力智能历史时间中很光辉，除开刚刚说的三位图灵奖以外，别的的人力智能图灵奖获奖者大部分全是标记流派的或与标记流派息息相关，包含达特茅斯大会的那几个先行者 McCarthy、Minsky、Simon、Newell，也有后边的 Pearl 这些人。除此之外，人工智能的祖师图灵，他自身便是个逻辑学家、符号学者。设备自身也必须创建在逻辑性及其语言表达的一些基本以上，因此符号流派那时候在人工智能行业占有了很重要的影响力。

那为何如今符号流派沒有在行业内占有大量响声？因为它也碰到了许多艰难，关键集中化在学习培训和推理层面。当有关人工智能的探讨还滞留在学术研究方面的情况下，符号流派很赚钱。由于那时候探讨的前提条件是假定知识早已拥有，设备也早已学习培训到，大伙儿去探讨该如何使用这种知识去解决困难。殊不知这种基础理论在之后真实跟运用融合起來时，大伙儿才发觉一个惨重的客观事实：这一假定不创立。知识并并不是与生俱来就会有的，必须根据某类方式去获得知识。而符号流派的方式就很简单直接——权威专家去写。这也是为什么数据管理系统一度很 “火”，之后又遭受了非常大短板的在其中一个缘故。

符号流派在表明上边做得非常好，例如像勾股定理这类的知识，乃至更繁杂的知识，用符号的方式都能够比较好地表明出去。可是在推理和学习上，它碰到了一些非常大的难题。假如连知识也没有得话，全部的物品全是空中阁楼。因此这一流派如今有一些无精打采。

根据这三个人工智能的关键流派，能够看得出有一个很有趣状况：每一个流派都是在某一方面有特长。联接流派在学习培训上边做得非常好；个人行为流派在推理上边；符号流派则在表明上边做的非常好。因此，有一个很当然的念头出現了：是否能够把他们最合适的换句话说把他们结合起來？最近几年这一念头已经有愈来愈多的实践活动和试着，比如如今还较为火的知识图普技术性。但总地而言，这种试着只是是在 “最合适的”，各层面的优势的确是取了一点，可是另外也放弃了他们的一些特点。

剖析以后大伙儿便会发觉，人工智能现阶段在知识表明、知识推理和知识学习培训上边，都碰到了一定的难题。这就是目前认知能力智能化为何难做的一个非常大的缘故。

人工智能的 6E 总体目标

而对人工智能抱有盼望的大家真实要想的是啥？不容置疑是那么一个 “极致三角形”。大家期待人工智能在知识的表明、知识的推理和知识的学习培训上边都能做得非常好，最少像人那么好，但它是毫无疑问一个很艰难的事儿。本人浅见，因此，最少有下边几个方面是务必要保证的，即 6E：简约（Elegant），可拓展（Extensible），强表述（Expressive），高效率（Efficient），可文化教育（Educable），可演变（Evolvable）。

人工智能要想做到极致三角形的工作能力，依然有较长的路要走，任重道远。就我本人的浅显的了解，为了更好地做到这一总体目标，必须开发的人工智能方式，来保证 6E。实际上，假如根据现有的人工智能基础理论和方式，6E 是互相矛盾的。例如在符号流派里，语言表达能力跟高效率中间的衡量，一直是一个关键难题。但实际上这种在运用的情况下都必须优良充分发挥，如何去提升这种理论上的短板，是十分艰难的事儿。

但明心见性想一想，回过头看人们自身，是否某种程度上在 6E 的各个领域都能成绩突出？大家以自然语言理解为基本的知识表明、推理和学习培训相对性简易、扩展性非常好、语言表达能力十分强、尽管不尤其高效率但也充足用。也是可文化教育、可演变的：既可以吸取经验、又能学习培训新的知识。我本人的了解，这才算是如今的人工智能跟人真实的差别所属。

本人觉得，做到极致三角形是人工智能最关键的事情。到时候，对于下列一些认知能力智能化的重要关键问题，包含：什么叫知识？是不是存有统一的知识（数学课）实体模型？设备（人们 / 脑）怎样编号、获得、应用知识？知识和数据信息、知识和智能化的关联是啥？认知能力智能化和知识科学研究会有什么凶手级运用？人工智能行业可能得出一个更强的回应。在这个基础上，相信人工智能会出现长久的进度，会有一个从认知智能化到认知能力智能化的范式转变，会有一个从计算机科学到知识科学研究的范式转变。