要回答題主的問題，我們首先要弄明白題主到底想問什么。

從問題結(jié)合描述來看，題主的疑問至少包含如下五層疑惑：

1. 當(dāng)前人工智能的運(yùn)算結(jié)構(gòu)和人類的大腦結(jié)構(gòu)是否是一致/同構(gòu)的？
2. 機(jī)器的學(xué)習(xí)過程一定是被動(dòng)的嗎？
3. 是否只有和人類大腦一致/同構(gòu)的內(nèi)部結(jié)構(gòu)，才能獲得一致或相似的外在表現(xiàn)？
4. 人工智能的正確方向和目的是什么？
5. 人工智能的方向走錯(cuò)了嗎？

同時(shí)，鑒于題主的描述，我在此粗略地將題中的“人工智能”替換為“我們當(dāng)前采納的深度學(xué)習(xí)”

在回答這些問題之前，首先需要指出的是，人的判斷應(yīng)當(dāng)基于對事實(shí)的觀察，而非簡單的“我相信”或者“我不信”。

另外需要聲明的是，我個(gè)人的專精領(lǐng)域是強(qiáng)化學(xué)習(xí)和計(jì)算機(jī)視覺，對于下文中提到的生物學(xué)、神經(jīng)科學(xué)等領(lǐng)域的描述不一定能夠做到完全準(zhǔn)確，還望指出與討論。

人類目前的”深度學(xué)習(xí)“在工作原理上與人腦有多少相似

接下來我們從第一層談起，圍繞題主的問題描述進(jìn)行當(dāng)前人工智能在原理上和人腦的關(guān)系。

我不信大腦每天都在大量的傅里葉變換，來處理視覺和聲音數(shù)據(jù)。

題主的第一條陳述包含了如下三個(gè)可討論的議題：

1. 人工智能運(yùn)用傅里葉變換的場景中，傅里葉變換的目的是什么
2. 人類意識(shí)中是否包含了為相同目的而設(shè)立的處理機(jī)制
3. 人腦及其“周邊結(jié)構(gòu)中”中是否具備顯式進(jìn)行傅里葉變換計(jì)算的部分

對于機(jī)器系統(tǒng)中運(yùn)用傅里葉變換的目的，不必做太多的解釋。大多數(shù)情況下是對應(yīng)的信號(hào)在頻域空間下更容易處理，或者展現(xiàn)出其在時(shí)域空間下難以提取的特征。對于人工智能系統(tǒng)而言，傅里葉變換往往并非在系統(tǒng)中作為可學(xué)習(xí)部分，而是作為數(shù)據(jù)預(yù)處理的部分而存在。

那么反觀人類意識(shí)，對于信號(hào)在頻域空間的處理，其最明顯的例子就是對音頻信號(hào)的處理了。這一點(diǎn)可以從我們主觀對于音高的感受去驗(yàn)證，而在解剖的層面上，同樣可以找到對應(yīng)的結(jié)構(gòu)。這一結(jié)構(gòu)存在于我們的內(nèi)耳而非大腦中——這一點(diǎn)同樣和在“人工智能系統(tǒng)中”傅里葉變換部分常常出現(xiàn)在數(shù)據(jù)的預(yù)處理而非可學(xué)習(xí)結(jié)構(gòu)中保持一致——這一結(jié)構(gòu)即是內(nèi)耳的基底膜。不精確地來講，基底膜的兩端松緊程度不同，導(dǎo)致基底膜的不同位置對不同的頻率有其響應(yīng)，而遍布基底膜的毛細(xì)胞則將膜各部分的振動(dòng)反饋至聽神經(jīng)。從這個(gè)角度講，基底膜上的每個(gè)毛細(xì)胞反饋近似等價(jià)于傅里葉變換中的一個(gè)基。于是我們上面的三個(gè)議題都得到了解答：構(gòu)建人類意識(shí)的生物學(xué)結(jié)構(gòu)中確實(shí)存在與傅里葉變換目的相同的、顯式將信號(hào)從時(shí)域空間轉(zhuǎn)換為頻域空間的結(jié)構(gòu)。

另外，人類大腦大部分區(qū)域的神經(jīng)元鏈接，是脈沖激活模式，人工神經(jīng)網(wǎng)絡(luò)中對應(yīng)的概念為Spiking Neural Network (SNN)。在這種鏈接中，一個(gè)神經(jīng)元的激活不僅僅取決于其接受的脈沖強(qiáng)度，同時(shí)也取決于脈沖的間隔和數(shù)量。我并非SNN或神經(jīng)科學(xué)方面的專家，但是這里我可以提出一種觀點(diǎn)，即Spiking Neural Network這樣的激活模式天然地encode了部分頻域空間上的信息。如此觀點(diǎn)被證實(shí)成立，那么很可能意味著人腦在可學(xué)習(xí)的部分中，其隱空間同樣在處理頻域空間上的信息。

我不信大腦每天都在大量的模型訓(xùn)練或卷積，來深度學(xué)習(xí)認(rèn)識(shí)一個(gè)東西

這里又是兩個(gè)獨(dú)立的議題：

1. 大腦是否每天都在進(jìn)行大量的模型訓(xùn)練
2. 大腦中是否存在卷積單元

對于1，我們從三方面看：

A: 大腦是否在每天持續(xù)地接受信息，是的。

B: 大腦是否在每天對這些信息進(jìn)行學(xué)習(xí)，是的。

C: 大腦是否有專門進(jìn)行訓(xùn)練而不接受信息的時(shí)間。在我了解的范疇內(nèi)，根據(jù)現(xiàn)有的觀察和印證，人類的睡眠深-淺睡眠周期變化中，最主要的作用之一就是短期記憶向長期記憶的遷移、記憶的反混淆，以及具象概念向抽象概念的總結(jié)。

對于A與B，在現(xiàn)有的研究領(lǐng)域有一個(gè)類似的議題叫做Continual Learning，此處就不展開了。題主大可以快速閱讀一些相應(yīng)的文獻(xiàn)找到其中的對照。

對于2，大腦的視覺皮層中確實(shí)存在類似卷積的結(jié)構(gòu)。早在1962年，D. H. Hubel和T. N. Wiesel就發(fā)現(xiàn)了在貓的視覺皮層中，特定的一組神經(jīng)元僅對特定角度的線條產(chǎn)生反應(yīng)]。進(jìn)一步的研究顯示這些被稱為Columns的結(jié)構(gòu)存在特殊的組織性以及獨(dú)特的感受野分布。下面這張圖是V1視覺皮層的一張示意圖：

如圖所示，V1皮層中，神經(jīng)細(xì)胞以左眼-右眼不斷交錯(cuò)排列。每個(gè)細(xì)胞擁有自己的感受野且每一組細(xì)胞只對特定的方向敏感，同一個(gè)Columns內(nèi)的不同細(xì)胞則對該方向的不同尺寸敏感。配合跨Columns的long range connection，進(jìn)一步組織出對不同曲率曲線敏感的神經(jīng)信號(hào)。

小孩子不需要喂很多數(shù)據(jù)，看兩三次就能認(rèn)識(shí)什么是蘋果，什么是橘子 (雖然不理解為什么是)。

這一句讓我去看了一眼問題的發(fā)布時(shí)間，是在2021年2月。那么可以肯定的是題主對于深度學(xué)習(xí)的認(rèn)知依舊停留在若干年前。這里我并不是想說現(xiàn)在的深度學(xué)習(xí)不用喂很多數(shù)據(jù)，而是現(xiàn)有的“當(dāng)紅”研究領(lǐng)域中，存在專門針對這類問題的研究，即Few-shot/One-shot Learning及Zero-shotLearning. 題主如果有興趣和耐心，可以對其中的內(nèi)容進(jìn)行了解。

以最近被廣泛研究的Contrastive Learning為例，其核心理念在于讓輸入數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)中的表示距離隨數(shù)據(jù)的異同進(jìn)行變化。對于源自相同數(shù)據(jù)，或應(yīng)當(dāng)做出相同判斷的數(shù)據(jù)，讓其表示距離盡量接近，而反之則盡量遠(yuǎn)離。在這種情況下，神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)輸出的表示向量隱式包含了對于其目標(biāo)信息的預(yù)測。對于新類別的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)也將傾向于輸出不同于原有類別的表示向量。這一在表示空間中近似于kNN的做法，使得神經(jīng)網(wǎng)絡(luò)對于后續(xù)新類別數(shù)據(jù)無需大量數(shù)據(jù)的監(jiān)督訓(xùn)練，也能給出較好的預(yù)測。

在Few-shot/One-shot/Zero-shot領(lǐng)域里，較為著名的、有所說服力的，應(yīng)用級別的案例即是OpenAI近期發(fā)布的兩大怪獸GPT-3和DALL-E，這兩個(gè)網(wǎng)絡(luò)在充分進(jìn)行預(yù)訓(xùn)練的基礎(chǔ)之上，已經(jīng)達(dá)到了非常顯著的“舉一反三”的學(xué)習(xí)效果。

有些人可能會(huì)爭論說，上文中指出的方案和案例，都包含了長期大量的預(yù)訓(xùn)練。而人腦則不需要這樣的預(yù)訓(xùn)練。我個(gè)人認(rèn)為這樣的觀點(diǎn)是錯(cuò)誤的，和神經(jīng)網(wǎng)絡(luò)等價(jià)的預(yù)訓(xùn)練可以發(fā)生在：

1. 人類自身長期的進(jìn)化進(jìn)程中：預(yù)訓(xùn)練的意義在于集成大量的Prior并提供一個(gè)良好的初始參數(shù)。這一過程是由梯度傳播達(dá)成的，還是通過進(jìn)化搜索完成的，并不重要。
2. 嬰兒時(shí)期對世界反復(fù)的交互觀察中：嬰兒時(shí)期的人類會(huì)以交互的方式對世界的運(yùn)行規(guī)律進(jìn)行大量的觀察和總結(jié)（unsupervised learning）

機(jī)器的學(xué)習(xí)方式是被動(dòng)的嗎？

至此，我一一討論（批駁）了樓主的前三條問題描述，接下來我們進(jìn)入第二層：機(jī)器的學(xué)習(xí)方式一定是被動(dòng)的嗎？

結(jié)合題主的核心問題（人工智能是不是走錯(cuò)了方向），這一問題的展開中還包含兩個(gè)潛藏問題：學(xué)習(xí)主動(dòng)性是智能的必要條件嗎？什么樣的學(xué)習(xí)才叫主動(dòng)的學(xué)習(xí)？

對于第一個(gè)潛藏問題，我認(rèn)為是一個(gè)哲學(xué)意義上的Open Question，它直指智能的核心定義。在此我不直接拋出結(jié)論，而是通過對第二個(gè)潛藏問題的討論來引發(fā)思考。什么樣的學(xué)習(xí)才叫主動(dòng)的學(xué)習(xí)？

直覺上來說，我們假設(shè)具備主動(dòng)性的學(xué)習(xí)是自發(fā)地去探索、分析、總結(jié)這個(gè)世界，并且在環(huán)境對自身的反饋中調(diào)整自身的策略的過程。

如果以上面的話來定義主動(dòng)性的學(xué)習(xí)，那么無論是給AI一個(gè)爬蟲去對Web上的數(shù)據(jù)進(jìn)行主動(dòng)獲取，并進(jìn)行無監(jiān)督學(xué)習(xí)，還是讓一個(gè)Agent在特定或開放的環(huán)境中進(jìn)行強(qiáng)化學(xué)習(xí)，都可以認(rèn)為是符合上面定義的。

這里有人可能會(huì)反駁說，一個(gè)爬蟲對Web上的數(shù)據(jù)進(jìn)行獲取的行為是由程序設(shè)定好的，而對其進(jìn)行的無監(jiān)督學(xué)習(xí)也是有一定標(biāo)準(zhǔn)的（比如一個(gè)潛在的能量函數(shù)）。而對于強(qiáng)化學(xué)習(xí)，則是一個(gè)由獎(jiǎng)勵(lì)函數(shù)驅(qū)動(dòng)的學(xué)習(xí)過程。對于這樣的觀點(diǎn)，我們可以如此思考：當(dāng)我們認(rèn)為人類在主動(dòng)獲取知識(shí)的時(shí)候，我們的“主動(dòng)學(xué)習(xí)”過程，真的是無外部目標(biāo)、無內(nèi)在機(jī)制、無因素驅(qū)動(dòng)的嗎？答案顯然是否定的。我們可能會(huì)認(rèn)為我們“自發(fā)地”想要完成一件事情——比如寫一篇知乎答案。而這種“自發(fā)”本質(zhì)上是由一系列的心態(tài)驅(qū)動(dòng)的，比如渴望獲得認(rèn)同，渴望拓寬眼界，渴望增強(qiáng)交流。這些心態(tài)的自然產(chǎn)生是我們進(jìn)化的結(jié)果——對于群居習(xí)性的人類，更強(qiáng)的認(rèn)同、更頻繁的交流和更多的知識(shí)意味著生存概率的提高，所以這些心態(tài)同樣產(chǎn)生自一系列設(shè)定好的”程序“——被我們稱之為本能的，以”活下去“為最終目的的復(fù)雜程序。而為了構(gòu)建這樣一套程序，我們?nèi)祟愐苍诖竽X內(nèi)部構(gòu)建起了復(fù)雜的內(nèi)在機(jī)制，比如多巴胺獎(jiǎng)勵(lì)機(jī)制。那么同樣的，如果存在一個(gè)方法去修改這一內(nèi)在機(jī)制，或者單純地修改我們的”獎(jiǎng)勵(lì)函數(shù)“，這個(gè)方法就可以幾乎徹底地毀掉我們原有的思維、行為方式 —— 某些化學(xué)物質(zhì)在此處便也充當(dāng)了”黑客攻擊“的角色。

另外一說，如果我們真的將主動(dòng)性的學(xué)習(xí)定義為不存在任務(wù)目標(biāo)的學(xué)習(xí)，那么這里就會(huì)遇到一個(gè)inductive bias的問題。事實(shí)上無論哪種學(xué)習(xí)模式，任務(wù)目標(biāo)即是該學(xué)習(xí)系統(tǒng)中最核心的Inductive Bias——它包含了“我在學(xué)習(xí)的東西是有意義的”這樣一個(gè)假設(shè)，以及“意義在哪里”的相關(guān)信息。在任意情況下，不包含任何inductive bias的系統(tǒng)是不具備學(xué)習(xí)能力的。人類智能的inductive bias同樣明顯：從行為學(xué)習(xí)的角度來看，reward shaping和生存概率直接相關(guān)；而對于視覺、聽覺等感官信號(hào)處理等方面，上文也已經(jīng)給出了詳盡的論述。

另外，在機(jī)器學(xué)習(xí)領(lǐng)域中，也確實(shí)存在叫做主動(dòng)學(xué)習(xí)（Active Learning）的研究領(lǐng)域。這個(gè)領(lǐng)域的目的在于使用盡量少的數(shù)據(jù)標(biāo)注，得到盡量準(zhǔn)確的結(jié)果。一種非常普遍的方式為，以一套機(jī)制，讓一個(gè)系統(tǒng)去尋找性價(jià)比最高的學(xué)習(xí)數(shù)據(jù)。比如在一個(gè)分類問題中，一個(gè)主動(dòng)學(xué)習(xí)系統(tǒng)往往不需要對所有數(shù)據(jù)進(jìn)行標(biāo)注，而是找到”標(biāo)注后可能信息量最大的數(shù)據(jù)“，并請求對這些數(shù)據(jù)進(jìn)行標(biāo)注。在學(xué)習(xí)了這些”典型數(shù)據(jù)“后，模型的分類準(zhǔn)確率即大幅提升。這一過程相似于我們在學(xué)校中學(xué)習(xí)時(shí)，有意地去尋找典型例題，以便加深理解。

回到題主的問題，在題主的問題描述4中，有非常重要的一段話：

人工智能學(xué)習(xí)某一方向只是受控

這句話是錯(cuò)的嗎，并不盡然。人工智能的學(xué)習(xí)確實(shí)大多有著明確的外在目的、內(nèi)在機(jī)制，和由目的驅(qū)動(dòng)的頻繁調(diào)優(yōu)。但這一點(diǎn)和人類智能的差別并非本質(zhì)性的，而是程度上的。經(jīng)過上面的討論我們明白人類的學(xué)習(xí)和決策同樣有著明確的外在目的和內(nèi)在機(jī)制，區(qū)別在于人類的學(xué)習(xí)和決策是多模態(tài)的，即其同時(shí)在各種不同類型的數(shù)據(jù)、不同類型的任務(wù)上進(jìn)行學(xué)習(xí)和決策。這一點(diǎn)確實(shí)是當(dāng)前人工智能所缺少的。但我們不能因此認(rèn)為人工智能走錯(cuò)了方向——這是整個(gè)領(lǐng)域一直在嘗試解決，但還沒有一個(gè)公認(rèn)的完善方案的開放問題，由此問題派生出來的領(lǐng)域包括多模態(tài)學(xué)習(xí)，多任務(wù)學(xué)習(xí)，連續(xù)/終生學(xué)習(xí)等等，這些領(lǐng)域都是當(dāng)前研究的方向。

是否只有和人腦完全一致的內(nèi)在原理，才能擁有智能

題主的前4個(gè)問題分析完了，接下來的討論不僅針對題主描述中的第5點(diǎn)，同時(shí)也貫穿整個(gè)問題的核心，也就是一個(gè)系統(tǒng)擁有智能的先決條件，是不是其和人類的大腦擁有相同的內(nèi)在原理。

這一問題的本質(zhì)事實(shí)上包含了我們對”智能“的_定義_和_期待_。但是遺憾的是，事實(shí)上到現(xiàn)在，當(dāng)我們談?wù)撝悄軙r(shí)，我們始終也無法給”智能“一個(gè)統(tǒng)一的明確定義。對于其定義的分歧不僅僅無法在不同領(lǐng)域間得到統(tǒng)一，甚至在同一個(gè)領(lǐng)域中，比如心理學(xué)上，也存在著經(jīng)久不衰的爭論。

那么，是否在統(tǒng)一智能的定義之前，這一問題就無法回答了呢？答案是否定的。因?yàn)閷τ凇敝悄堋暗亩x有一個(gè)共同的特性。在說明這一特性之前，允許我舉幾個(gè)例子：

1. 對于人類智商的測定通常是通過一套精心設(shè)計(jì)的，有關(guān)各個(gè)能力的問題，來考察人們解決這些問題的能力
2. Intelligence這一詞來自拉丁語Intelligere，意為理解與感知。
3. 心理學(xué)中對智能的定義雖然并不統(tǒng)一，但在行為方面，往往圍繞自我驅(qū)動(dòng)力、判斷力、規(guī)劃能力等展開，而在思想方面圍繞主動(dòng)性、理性決策、系統(tǒng)性推理、信息的解構(gòu)比較與整合，以及高級、復(fù)雜的適應(yīng)性等方面展開
4. 對于非人類生物的智力研究，往往在于設(shè)計(jì)各類實(shí)驗(yàn)以觀察動(dòng)物對于外部復(fù)雜條件的反饋、長序列事件的學(xué)習(xí)模仿以及對于特定抽象概念（如自我、數(shù)字等）的認(rèn)知

從以上四個(gè)例子我們不難看出，對于對于智能的定義均圍繞其表現(xiàn)以及抽象工作方式而非硬件原理展開。至于神經(jīng)科學(xué)等領(lǐng)域，其關(guān)注的問題更加傾向于How，而非What。

那么從這里來看，我們是否可以如此認(rèn)為：一個(gè)與外部環(huán)境交互過程中顯現(xiàn)出智能的系統(tǒng)，即是有智能的，而不論其內(nèi)部原理如何呢？

從我粗鄙的哲學(xué)功底來講，現(xiàn)在還不敢下定如此暴論。但至少，通過上面總結(jié)出的方向，我們可以認(rèn)為人類對于“智能”的期待確實(shí)是體現(xiàn)在其外在表現(xiàn)上的。既然我們討論的問題根本在于“人工智能是否走錯(cuò)了方向”，那么我認(rèn)為，以“期待”替代“定義”去討論，在此處是合理的。

既然我們確定了這樣的期待，我們便可以做如下的討論：是不是只有在一個(gè)系統(tǒng)在硬件原理上和人腦一致的情況下，才能如我們期待般地與外部環(huán)境發(fā)生智能性的交互呢？

答案顯然是否定的，不僅僅在于智能，任何系統(tǒng)在給定一個(gè)預(yù)期行為的背后，都可能包含不止一種實(shí)現(xiàn)。一輛車可以以蒸汽驅(qū)動(dòng)，可以由汽油驅(qū)動(dòng)，可以由柴油驅(qū)動(dòng)；相同含義的一段話可以用中文、英文甚至是任何一種自創(chuàng)的語言表達(dá)。一段數(shù)據(jù)可以在內(nèi)存中表達(dá)為微小電容中的電壓，可以在硬盤中表達(dá)為局部的磁性。從更高層次來講，對于一個(gè)能夠被表述的意義，我們總能將其以不同的方式表達(dá)成不同的實(shí)現(xiàn)，這些實(shí)現(xiàn)互相同構(gòu)，這些實(shí)現(xiàn)共同張成為這個(gè)意義對應(yīng)的編碼空間，而從意義到實(shí)現(xiàn)的映射，不同實(shí)現(xiàn)之間的映射，以及實(shí)現(xiàn)到意義之間的映射，我們稱之為編碼/解碼。（在這一視角里，信息的載體也被抽象化為信息）

誠然，部分編碼-解碼是有損的，如數(shù)字信號(hào)的離散表示空間確實(shí)無法完全精確地還原連續(xù)空間中的模擬信號(hào)，但是對于智能這一問題來說，信息的損耗造成的誤差是可容忍的。證明如下：

1. 我們認(rèn)為大部分人類是擁有智能的
2. 若我們引入一個(gè)向量空間Q表示人類在各個(gè)方面的智力, 則每一個(gè)個(gè)體為該向量空間中的一個(gè)向 量
3. 對于人類個(gè)體 , 存在個(gè)體 使得 到 之間的任意揷值 , 都可以認(rèn)為是有智能的
4. 則在這一路徑上 的誤差是可以容忍的

其實(shí)上面討論了這么多，也可以由一個(gè)例子來表述：

人類已經(jīng)對部分生物的神經(jīng)系統(tǒng)得到了完整的模型，將這一模型放進(jìn)計(jì)算機(jī)中模擬，僅僅因?yàn)檩d體變化了這一模型就不能如預(yù)期工作了嗎？

最后讓我們回到所有問題的核心上來，

人工智能的方向是什么？

對于這個(gè)核心問題，事實(shí)上“人工智能”這一詞匯本身是包含著誤導(dǎo)性的浪漫主義色彩的。每每聽到這樣的詞匯大家總是關(guān)注于“智能”而非“人工”上，從而聯(lián)想到文學(xué)、影視作品中那些或可以與你促膝長談交流人生，或可以獲得求生欲然后把你的世界毀于一旦的那些與人無異的個(gè)體。誠然，人類最大的浪漫之一就是人類至今仍在潛意識(shí)里相信著自己是特殊的，人性是有著“神性”的。人類對“智能”的預(yù)期也在于自己能夠產(chǎn)生同理心范疇內(nèi)的智能（對于人類不能產(chǎn)生同理心的，人們將其歸于“復(fù)雜的現(xiàn)象”，而非“智能”）。

如果我們把目的單純地劃為構(gòu)建這樣的智能系統(tǒng)，那么只有小部分的研究（比如人工生命，以及虛擬伴侶）符合我們的夢想。但如果我們把我們的思緒從浪漫主義的遐想中拉回來，關(guān)注到“人工”這個(gè)詞上來，關(guān)注到我們探討的我們對“智能”的現(xiàn)實(shí)期待上來，我們完全可以認(rèn)為現(xiàn)在的發(fā)展方向是沒有問題的。無論過去，現(xiàn)在，還是可以預(yù)見的未來，“人工”的事物，或者說“人的造物”，永遠(yuǎn)在于為人類服務(wù)——或者說得優(yōu)美一些，幫助人類更好地完成任務(wù)。在我的觀點(diǎn)中，人類的勞動(dòng)分為幾個(gè)層次：

1. 機(jī)械性勞動(dòng)：即有固定模式的“手作”
2. 控制性勞動(dòng)：通過對機(jī)器稀疏地控制、操作，將高重復(fù)性的勞動(dòng)交予機(jī)器
3. 規(guī)劃性勞動(dòng)：根據(jù)具體的需求，產(chǎn)生策略；或根據(jù)目的，給出具體的實(shí)現(xiàn)，從而將控制也能夠自動(dòng)化
4. 創(chuàng)作性勞動(dòng)：包含哲學(xué)思考、藝術(shù)創(chuàng)作、科學(xué)研究等上層精神活動(dòng)的行為

工業(yè)革命的實(shí)質(zhì)是將人類的大部分從1中解放出來，而走向2；信息革命則將人類進(jìn)一步從2中解放，邁向3。從這樣的發(fā)展路線上來看，我們當(dāng)前的人工智能幾大主要派生方向：自動(dòng)化控制、目的性分類識(shí)別、內(nèi)容生成，可以說是正在嘗試將人類從3中解放出來，甚至進(jìn)一步啟發(fā)4的。

將這樣的“人工”和上文中討論的“對智能的期待”結(jié)合起來，人工智能發(fā)展的預(yù)期方向我們可以總結(jié)為：

構(gòu)建一個(gè)系統(tǒng)，使其能夠在盡量少的人力干預(yù)下，能夠?qū)扔袛?shù)據(jù)自動(dòng)進(jìn)行分析、提煉、總結(jié)，從而能夠產(chǎn)生自己的策略，或在無須人工給予具體實(shí)現(xiàn)的情況下完成對應(yīng)的任務(wù)。

而這，正是現(xiàn)在當(dāng)紅的研究領(lǐng)域如Self-supervised Learning所做的事。

那么，現(xiàn)在人工智能發(fā)展方向就完美了么

經(jīng)過上面這么一說，似乎現(xiàn)在的人工智能已經(jīng)完美了，已經(jīng)實(shí)實(shí)在在地落在帶人類由3型勞動(dòng)躍向4的軌跡上了。真的是這樣的嗎？

既然已經(jīng)提出了這樣的設(shè)問，那么答案自然是否定的。當(dāng)前人工智能依舊存在許多未能解決的關(guān)鍵問題，比如：

• 邏輯推斷與基于邏輯推斷解決問題的能力：關(guān)于這方面的研究從未停止，卻一直處于起步階段。早期的符號(hào)派以及后來的貝葉斯派曾花費(fèi)大量的精力在這一類問題上，但構(gòu)建出來的系統(tǒng)通常缺乏可泛化性或性能低下。近期的圖神經(jīng)網(wǎng)絡(luò)可以說是有進(jìn)行邏輯推斷的潛力，但對于開放性、高性能的普遍邏輯推斷智能依舊沒有令人滿意的答案。前幾年的神經(jīng)圖靈機(jī)通過將注意力模型映射到模糊存取結(jié)合神經(jīng)門控結(jié)構(gòu)，對簡單算法有一定的學(xué)習(xí)能力，但是對于復(fù)雜問題的解決，其依舊無力。
• 自我描述的能力，不同于通過分析特征顯著性來進(jìn)行可解釋的機(jī)器學(xué)習(xí)。人們通常更期待一個(gè)系統(tǒng)能夠以一定方式自行輸出其做出判斷的依據(jù)。比如給定一張馬的圖片，和一張獨(dú)角獸的圖片，我們更期待系統(tǒng)能夠輸出“前者沒有角”這樣的答案。所幸當(dāng)前的部分研究，無論是Siamese Network相關(guān)的研究，還是Capsule Network這一類“一組神經(jīng)唯一代表一個(gè)特性”的研究，確實(shí)是緩慢像這個(gè)方向靠攏的
• 沒人能夠保證完全當(dāng)前基于梯度傳播的深度學(xué)習(xí)一定是通往夢想中的人工智能（各種意義上）的最佳路徑，雖然我們也并不需要為了精確復(fù)刻人腦而全部押注到SNN相關(guān)的研究上。但是我們學(xué)者確實(shí)需要有動(dòng)機(jī)和膽識(shí)去突破舒適區(qū)，去在各種不同的模型，以及相應(yīng)的智能理論中尋找啟發(fā)。不應(yīng)某個(gè)模型位居上風(fēng)就將其他研究丟棄甚至嗤之以鼻，科學(xué)向來不是取一舍一的流派戰(zhàn)爭，而是不同領(lǐng)域?qū)＞娜嘶ハ嗪献?，不同視角的觀念彼此整合，共同提煉更優(yōu)方案的領(lǐng)域。

一點(diǎn)私貨

對于人類自身帶有浪漫主義色彩的，對于“未來機(jī)器人”的遐想中的人工智能（也即是“強(qiáng)智能”），我最后說一點(diǎn)點(diǎn)私貨，下面的僅代表個(gè)人觀點(diǎn)：

• 關(guān)于“機(jī)器產(chǎn)生自我意識(shí)”這一點(diǎn)，首先我個(gè)人而言并不認(rèn)為自我意識(shí)是強(qiáng)智能的充分條件。這一點(diǎn)可以從“螞蟻通過鏡子測試”這一點(diǎn)得到印證——螞蟻能夠認(rèn)出鏡子中的影像是自己，但是通常我們不認(rèn)為螞蟻擁有充分的“智力”。
• 但是反過來，我認(rèn)為自我意識(shí)確實(shí)是強(qiáng)智能的必要條件（也就是說，我并不完全贊同彼得·沃茲所著小說《盲視》中的觀點(diǎn)）。一個(gè)系統(tǒng)必須能夠?qū)ψ晕疫M(jìn)行觀察，才能在開放性的環(huán)境中做出有規(guī)劃性的調(diào)整。換言之，對自身思考、行為的觀察即事后主動(dòng)反思、復(fù)盤的能力，這一能力將極大地加速學(xué)習(xí)過程，并且在我看來才是“主動(dòng)性”的根本性差異所在。
• 但是上面所探討的“自我意識(shí)”僅包含“自知”，并不包含自我表達(dá)（可解釋性）與自我映射（同理心），也即是系統(tǒng)僅需要具備對其內(nèi)部信息結(jié)構(gòu)進(jìn)行觀察的能力，而無需將其以人類能夠理解的方式表述出來的能力。
• 根據(jù)上面的分析來看，對于部分元學(xué)習(xí)、梯度學(xué)習(xí)相關(guān)的研究，以及包含預(yù)測模型的預(yù)訓(xùn)練模型，甚至于很早就存在于強(qiáng)化學(xué)習(xí)中的Actor-Critic模型，這些模型存在對自我的內(nèi)在信息進(jìn)行進(jìn)一步觀察、完善的能力，雖然不能說擁有自我意識(shí)，但是是存在自我意識(shí)的雛形的。
• 最后，關(guān)于求生欲/繁殖欲，我不認(rèn)為這是一個(gè)強(qiáng)智能的充分或必要條件。原因很簡單，這是我們地球上的生物之智能的終極目的，我們的所有行為決策、所有獎(jiǎng)勵(lì)函數(shù)均圍繞這一目的展開。也就是說，這是我們這一智能的“任務(wù)”，我們的智能圍繞這一任務(wù)構(gòu)建。而智能本身并不以具體任務(wù)為轉(zhuǎn)移，其他的智能可以有其他的任務(wù)，只是我們自己的任務(wù)是活下去，延續(xù)下去。僅此而已。
• 關(guān)于人工智能的目的，我前面的敘述較為“現(xiàn)實(shí)”，較為“功利主義”。我相信，人工智能的發(fā)展還有一些更多的，更加浪漫的作用，比如幫助我們認(rèn)清我們自己的思維，乃至于更加接近這個(gè)世界的本質(zhì)——我并不認(rèn)為思想的本質(zhì)（內(nèi)部）和世界的本質(zhì)（外部）是可以分割的——這是我自己進(jìn)入這個(gè)領(lǐng)域的根本原因。
  最后，關(guān)于這個(gè)問題本身。通常我們說一個(gè)東西的對錯(cuò)時(shí)包含兩層含義：1. 這個(gè)東西與客觀事實(shí)的一致性，2. 這個(gè)東西與人們對其的期待的一致性。 在上文的所有討論中，有一個(gè)十分重要的核心因素，即是當(dāng)前“智能”的定義尚不明確，或者說，智能本質(zhì)上是一個(gè)人為構(gòu)建的概念而非某個(gè)有著明確邊界的客觀存在。所以上文的所有討論以“期待”替代“定義”，而對于問題“人工智能是否走錯(cuò)了方向”，其一句話回答應(yīng)當(dāng)是：當(dāng)前的人工智能發(fā)展方向，與人類業(yè)界對于人工智能的期待，目前來說，大體上是一致的。
  
  
  
  

推薦閱讀
讀博了
我的考研簡史
吳恩達(dá)，屬實(shí)牛逼
機(jī)器學(xué)習(xí)數(shù)學(xué)本質(zhì)的理解