作者：柴凱軒（中國科學院心理研究所19屆碩士畢業(ye) 生）

文章來源於(yu) 科學大院公眾(zhong) 號（ID：kexuedayuan）

——

“人工智能（Artificial Intelligence，AI）”大概是近年來最火的概念之一了。

在有些人眼裏，人工智能已經比較成熟，畢竟柯潔都被“阿爾法狗”打敗了，無人超市、智能點餐、AI寫(xie) 稿都在出現，可能一覺醒來我們(men) 的工作就要被AI取代了。

但在另一些人眼裏，家裏的智能音箱會(hui) 莫名其妙地搭茬，圖像識別能被輕易幹擾，無人駕駛汽車也是事故頻出……人工智能最多算是個(ge) “人工智障”吧。

那麽(me) ，人工智能將來會(hui) 怎麽(me) 發展呢？有人提出，人工智能要像嬰幼兒(er) 一樣。

AI的局限在哪兒(er) ？學習(xi) 能力

自上世紀中葉開始，科學家曾設想能否把星空体育官网入口网站直接塞進電腦，建造一種真正意義(yi) 上的“人工智能”。一旦實現，這種人工的智能將與(yu) 人類具有的自然智能相媲美，甚至強於(yu) 任何人類“最強大腦”。科學家將這種強大的人工智能稱為(wei) “人工廣義(yi) 智能”（或稱強AI），例如《終結者》中的“天網”係統，《黑客帝國》中的“矩陣”框架，以及《複仇者聯盟》中的“奧創”等。

與(yu) 之相對的，我們(men) 日常生活中的各種狹義(yi) 的人工智能，如語音助手，基於(yu) 圖片的網絡搜索引擎，自動駕駛汽車係統等，即所謂的弱AI。相較之下，弱AI所能處理的問題比較死板、缺乏創造性，並且時常出錯。而在設想中，強AI不僅(jin) 可以彌補弱AI的不足，它們(men) 甚至可以自主地學習(xi) 星空体育官网入口网站、創造星空体育官网入口网站。

“天網”“矩陣”與(yu) “奧創”（圖片來源：google.com）

但是，所謂的強AI至今還沒有出現。

現如今，計算機學家運用“機器學習(xi) ”（machine learning）算法，僅(jin) 能使計算機自行對輸入信息做出反應。比如給AI觀看大量附有類別標記的動物圖片，雖然算法不明白動物的概念，但它們(men) 可以依據視覺模式的統計特征，將新的圖片進行歸類，“認出”不同的動物。計算機學家還結合了強化學習(xi) 方法，使AI可以精通對抗性活動，如打遊戲、下棋等。同樣，算法不需要理解下棋策略本身意味著什麽(me) ，它們(men) 隻需要不斷增大行動後獲得的分數，便可達到贏棋的目的。

然而，這些基於(yu) 機器學習(xi) 算法的AI存在兩(liang) 個(ge) 不足：

用機器學習(xi) 算法識別貓咪（圖片來源：google.com）

第一，學習(xi) 成效受製於(yu) 訓練數據的數量與(yu) 質量。一方麵，基於(yu) 機器學習(xi) 算法的AI依賴大量的訓練與(yu) 強化，通過反複矯正預測模型中各個(ge) 參數的權重，從(cong) 而歸納出最優(you) 的統計模式。另一方麵，這種學習(xi) 過程離不開“監管者”（supervisor）的參與(yu) 。“監管者”首先要篩選出清晰的圖片，並提供類別標記，然後再讓算法對這些優(you) 質的數據進行訓練。再比如學習(xi) 下圍棋之前，“監管者”會(hui) 事先篩選出高水平對局作為(wei) 訓練數據，以免算法無厘頭地窮盡所有落子可能。因此，尋找訓練材料，篩選優(you) 質材料，最後標注材料類別，這些工作對目前AI的成敗非常關(guan) 鍵。機器學習(xi) 算法的前期工作量之大，著實令人生畏。

遊戲《Breakout》截圖（圖片來源：en.wikipedia.org）

第二，學習(xi) 效果僵化，無法進行遷移。因為(wei) 過於(yu) 依賴“監管者”，當前AI隻能出色地完成某一特定任務，如果對訓練問題進行小小地改動，那它們(men) 就需要從(cong) 頭再學一遍。比如訓練AI學習(xi) 一款名為(wei) 《Breakout》的遊戲，其規則很簡單：玩家要拖動屏幕底部的滑塊，通過反彈小球來消除屏幕頂部的磚塊。AI在“摸索”幾百盤之後就能達到頂級人類玩家的水平。但如果此時稍稍改動下遊戲場景，比如把底部的滑塊上移一排，或者增加幾個(ge) 無法消除的磚塊，那麽(me) AI就要重新學上幾百盤。但對於(yu) 人類頂級玩家來說，這簡直是小菜一碟。原因就在於(yu) ，人類玩家真正明白了遊戲規則，而AI玩家隻是一堆算法的集合體(ti) 。

所以，AI並不能弄清問題的實質，它們(men) 隻是能熟練地解決(jue) 問題而已，甚至有時還會(hui) 被“對抗樣例”（adversarial examples）輕易地愚弄。比如，如果一堆混亂(luan) 的像素點符合“狗”的視覺模式特征，那麽(me) 圖像識別係統就會(hui) 誤將其識別成“狗”，但人類（即便嬰兒(er) ）是不會(hui) 做出這樣的誤判。

愚弄AI的對抗樣例 ：右圖是左圖與(yu) 圖像噪音的疊加，AI會(hui) 將左圖識別為(wei) “貓”，但很容易把右圖識別成“狗”（其實有時人眼也會(hui) ）（圖片來源：google.com）

不過，互聯網技術的發展以及半導體(ti) 工藝的改善，還是在某種程度上彌補了機器學習(xi) 算法的一些局限。大量社交媒體(ti) 用戶自覺地為(wei) AI提供了取之不盡的高質量訓練數據，計算力強勁的芯片也確保了AI可以高效地處理如此海量的信息。但這些隻是技術上補充，而非概念上的改進或變革。當前AI所表現出的低適應性仍是阻礙其進步的首要問題。前文提到的“人工廣義(yi) 智能”設想要求AI不過於(yu) 依賴訓練數據，能靈活地處理信息，自主地探索外部世界，並且能夠進行舉(ju) 一反三地泛化學習(xi) 。

等等，這聽上去分明是在描述一個(ge) 處於(yu) 學習(xi) 階段的嬰兒(er) ！

人類嬰兒(er) （圖片來源：google.com）

每個(ge) 嬰兒(er) 都是強大的學習(xi) 者

Alan Turing（圖片來源：en.wikipedia.org）

“人工智能之父”Alan Turing曾堅信，要想實現“人工廣義(yi) 智能”，就需要建造一種“可以像兒(er) 童一樣學習(xi) 的機器”。事實上，嬰兒(er) 是這世上最擅長學習(xi) 的係統，他們(men) 學到的星空体育官网入口网站更具普遍性，所需的學習(xi) 資料也更少、更淩亂(luan) 。與(yu) 基於(yu) 機器學習(xi) 算法的AI相比，嬰兒(er) 學習(xi) 的不同之處體(ti) 現在下麵幾點：

首先，嬰兒(er) 的學習(xi) 不需要大量的示例。同樣是區分不同的動物，嬰兒(er) 可能隻需要觀看幾張繪本上的動物形象，他們(men) 就可以對新的動物圖片進行歸類了。同時，嬰兒(er) 還能將圖畫書(shu) 上的形象與(yu) 現實中的動物聯係起來，表現出真正的概念獲得。

其次，嬰兒(er) 的學習(xi) 並不依賴高質量的感官刺激。印第安納大學的心理學家Linda Smith和斯坦福大學的心理學家Michael Frank用頭戴式攝像機，記錄了嬰兒(er) 視角下的日常所見。與(yu) AI所學的清晰物品照片相比，嬰兒(er) 眼中的世界視角混亂(luan) 、成像模糊，而這並不影響嬰兒(er) 學習(xi) 周遭的一切。

最後，嬰兒(er) 的學習(xi) 不需要“監管者”的過多參與(yu) 。在嬰兒(er) 自由活動時，父母可能偶爾會(hui) 說“幹得好”，但父母更多關(guan) 心的是孩子的安全。所以嬰兒(er) 的學習(xi) 大多是自發的、自我激勵的。

一名參與(yu) 頭戴式攝像記錄的幼兒(er) （圖片來源：alisongopnik.com）

看來，嬰兒(er) 的學習(xi) 方式可能與(yu) 當前AI的學習(xi) 方式大相徑庭。如果按照機器學習(xi) 算法的方式，嬰兒(er) 不僅(jin) 會(hui) 因為(wei) 訓練材料的數量與(yu) 質量不佳而無法學習(xi) 新事物，而且更不用提舉(ju) 一反三的泛化學習(xi) 了。那麽(me) ，嬰兒(er) 是如何進行學習(xi) 的？

Alison Gopnik（圖片來源：en.wikipedia.org）

近年來，加州大學伯克利分校的發展心理學家Alison Gopnik為(wei) 人工智能研究者和愛好者介紹了許多接地氣兒(er) 的嬰幼兒(er) 研究，普及了發展心理學對人類學習(xi) 問題的獨到見解。盡管嬰幼兒(er) 研究的內(nei) 容聽上去並不那麽(me) 極客範兒(er) ，但其成果卻能給人工智能研究帶來意想不到的啟示。

嬰兒(er) 的學習(xi) 方式

Gopnik教授結合自己以往研究和發展心理學領域的眾(zhong) 多成果，提出了一套頗具嬰兒(er) 特色的學習(xi) 係統——MESS係統（Model-building, Exploratory, Social learning System），寓意著嬰兒(er) 將要在“一團糟”的混亂(luan) 世界中進行學習(xi) 。這個(ge) 係統刻畫了嬰兒(er) 學習(xi) 的三個(ge) 獨特之處，揭示了嬰兒(er) 成功的秘密，也啟示了未來AI的發展方向。

1.基於(yu) 建模（model-building）的學習(xi)

嬰兒(er) 學習(xi) 的成功秘訣之一，是他們(men) 會(hui) 構建關(guan) 於(yu) 世界的模型或理論，也就是說，他們(men) 具有物理學與(yu) 心理學領域的常識性認識。來自哈佛大學的心理學家Elizaberth Spelke研究發現，1歲大的嬰兒(er) 就已經對物體(ti) 的運動規律頗有了解了：當嬰兒(er) 看到小汽車懸浮在空中，或者穿牆而過時，他們(men) 會(hui) 表現出驚訝，就好像他們(men) 從(cong) 未見過這種車或這種牆似的。另外，嬰兒(er) 們(men) 也對人們(men) 的內(nei) 心活動頗有了解。來自密歇根大學的研究者Felix Warneken發現，當看到別人正從(cong) 地上撿起不小心弄掉的鉛筆時，1歲多的嬰兒(er) 會(hui) 上前撿起筆並遞給對方；但如果是對方故意扔到地上的，嬰兒(er) 就不會(hui) 這樣做了。

兒(er) 童具備一些物理學領域（左）和心理學領域（右）的基本認識（圖片來源：medium.com）

2.探索式（exploratory）學習(xi)

嬰兒(er) 成功的另一秘訣是，他們(men) 具有永無止境的好奇心，並且是主動的實驗者。這對父母來說並不陌生，因為(wei) 孩子總是敢於(yu) 嚐試一切。在日常錄像中，研究者們(men) 發現嬰兒(er) 確實在不斷地探索世界：他們(men) 會(hui) 把東(dong) 西撿起來觀察，然後再扔出去看看，把一些東(dong) 西拚起來，或者把一些東(dong) 西拆開。近期研究也表明，這種有趣的日常“實驗”是多麽(me) 的有智慧。約翰·霍普金斯大學的研究者Aimee Stahl和Lisa Feigenson發現，相比正常的玩具，1歲多的嬰兒(er) 會(hui) 對奇怪的玩具（比如浮在空中或穿牆而過的小汽車）表現出更多的興(xing) 趣。他們(men) 會(hui) 把曾經浮空的小汽車扔出去，會(hui) 用曾穿過牆的小汽車撞擊桌麵，似乎他們(men) 在試圖弄明白，為(wei) 什麽(me) 這些玩具會(hui) 那麽(me) 奇怪。

一名對皮球產(chan) 生興(xing) 趣的嬰兒(er) （圖片來源：alisongopnik.com）

3.社會(hui) 性（social）學習(xi)

嬰兒(er) 學習(xi) 的最後一個(ge) 成功之處在於(yu) ，他們(men) 能夠進行社會(hui) 學習(xi) （從(cong) 他人那裏學習(xi) 星空体育官网入口网站）。孩子可以向周圍的任何人學習(xi) ，利用前幾代人積累下來的各種星空体育官网入口网站。這一強大優(you) 勢甩開了AI幾條街。加州大學伯克利分校的Jitendra Malik是計算機視覺領域的專(zhuan) 家，他正在研製一種模仿人類動作的機器人，即先給機器人呈現一係列人類動作，之後讓機器人重現這套動作。

這項任務聽上去很簡單，事實卻不然。比如模仿他人係繩結的動作，任何穿過運動鞋的孩子都能輕鬆搞定，但這可能會(hui) 把機器人難倒。想象一下，如果讓你模仿別人係繩結，你會(hui) 在意一些無關(guan) 緊要的細節嗎（比如動作的角度、速度）？還是說，你會(hui) 弄清楚對方每步打算做什麽(me) ，然後盡可能簡單、有效地達到動作的目的？甚至於(yu) ，你會(hui) 增加一些改進，讓繩結係得更加堅固？許多研究都發現，兒(er) 童在模仿時是非常理智的，他們(men) 會(hui) 依據對方的意圖來決(jue) 定模仿哪些細節，但機器人很難做到這些。

社會(hui) 互動對學習(xi) 的重要性還體(ti) 現在另一方麵：即便是很小的嬰兒(er) 也會(hui) 形成一種道德感知，這種感知來源於(yu) 嬰兒(er) 與(yu) 看護者的互動。比如，稍大些的學步兒(er) 會(hui) 表現出利他性（不惜犧牲自身利益，也要考慮他人的利益）和共情性（即便與(yu) 自身無關(guan) ，但對他人的處境感同身受），這表明他們(men) 很小就具備了基本的公平感和同理心。總之，學習(xi) 與(yu) 關(guan) 愛，計算與(yu) 關(guan) 心，這些活動看似不相關(guan) ，但對人類來說是難解難分的，因為(wei) 它們(men) 構成了“人”的獨特性。

沒有“靈魂”的Sophia（圖片來源：en.wikipedia.org）

如何讓AI做得像嬰兒(er) 一樣好？

所以，“人工智能研究”能從(cong) “嬰幼兒(er) 研究”中學到什麽(me) ？或者說，我們(men) 如何讓AI做得像嬰兒(er) 一樣好？

首先，未來的AI需要像一歲半的孩子那樣，對周圍物理世界與(yu) 社會(hui) 世界的特征有基本的理解。換句話說，想讓AI像人類一樣具備真正的智慧，就要機器像孩子一樣具有“常識”。因此，結合預設模型和機器學習(xi) 算法的混合學習(xi) 係統必將是AI的發展方向，它也正是當前AI研究的前沿課題之一。

結合預設模型和機器學習(xi) 算法的混合學習(xi) 係統（圖片來源：google.com）

其次，未來的AI需要像孩子一樣對外部世界抱有好奇心。這聽上去很難，但值得嚐試。當前的AI是被困在預先設定好的框架裏的，它們(men) 被動地吸收數據、處理數據。但AI要想繼續發展，它們(men) 就需要更多地跳出預設框架，自主地搜集數據，或選擇訓練數據。Gopnik教授與(yu) 同單位的合作者、計算機科學家Deepak Pathak和Pulkit Agrawal，正試圖設計一種具有好奇心的主動學習(xi) AI。以往的機器學習(xi) 算法會(hui) 在AI做出正確的事情時獎勵它們(men) ，以強化這一行為(wei) 。但好奇的AI隻有在產(chan) 生意外結果時才會(hui) 得到強化，就像嬰兒(er) 一樣。這種類型的AI也是人工智能領域的一類前沿課題。

以發現新異為(wei) 獎勵規則的學習(xi) 係統（圖片來源：google.com）

最後，未來的AI需要像人類一樣，得有些“人”味兒(er) 。自AI的概念產(chan) 生開始，人們(men) 就沒有停止過思考其與(yu) 人類關(guan) 係的問題：比如，如果不解決(jue) 相關(guan) 的倫(lun) 理學問題，AI會(hui) 不會(hui) 是人類文明的終點？在Gopnik教授看來，構造AI就好比撫養(yang) 孩子，意味著創造者要給自己的“創造物”賦予一些不那麽(me) 極客範兒(er) 的美德。可以預見，這也將會(hui) 是一個(ge) 不錯的未來研究方向。

電影《機械姬》中擁有“靈魂”的Ava（圖片來源：google.com）

結語

人工智能被認為(wei) 是“第四次工業(ye) 革命”的核心技術之一，也是目前各國科技競爭(zheng) 的焦點。2018年，美國國防高級研究計劃局（DARPA）啟動了一係列關(guan) 於(yu) 人工智能的研究項目，其中一項有趣的選題是研發“機器常識”（Machine Common Sense，MCS），希望從(cong) 發展心理學研究的成果中尋找啟示，力圖給AI賦予一些人類的基本認識，以強化其自主學習(xi) 和解決(jue) 問題的能力，使其可以像人類一樣具備真正的智慧。通過本文的介紹，人們(men) 不難理解“人工智能研究”與(yu) “嬰幼兒(er) 研究”，這看似相差十萬(wan) 八千裏的兩(liang) 個(ge) 領域竟有可能交匯起來。

雖然人類離真正意義(yi) 上的智慧機器還差得很遠，不過沒關(guan) 係，我們(men) 不一定非要讓AI複製出人類的智慧，我們(men) 更希望AI可以幫助人類變得更聰明。為(wei) 了建造更有用的AI，比如好奇型AI或模仿機器人，最好的辦法還是多從(cong) 我們(men) 的嬰兒(er) 身上尋找線索吧。也許，發展心理學研究可以使人工智能研究的“春天”得以延續，而人工智能研究興(xing) 許也能讓發展心理學研究走出“寒冬” 。

參考資料:

https://www.wsj.com/articles/the-ultimate-learning-machines-11570806023

https://www.wired.com/story/how-to-teach-artificial-intelligence-common-sense/


關(guan) 注【深圳科普】微信公眾(zhong) 號，在對話框：
回複【最新活動】，了解近期科普活動
回複【科普行】，了解最新深圳科普行活動
回複【研學營】，了解最新科普研學營
回複【科普課堂】，了解最新科普課堂
回複【科普書(shu) 籍】，了解最新科普書(shu) 籍
回複【團體(ti) 定製】，了解最新團體(ti) 定製活動
回複【科普基地】，了解深圳科普基地詳情
回複【觀鳥星空体育官网入口网站】，學習(xi) 觀鳥相關(guan) 科普星空体育官网入口网站
回複【博物學院】，了解更多博物學院活動詳情