人工智能迎來怎樣的新曙光

從核彈到早產(chǎn)嬰兒，人工智能技術(shù)已經(jīng)最終成為足夠可靠的監(jiān)視一切的手段。

在一個(gè)有血有肉的醫(yī)生和一個(gè)人工智能系統(tǒng)之間，兩者選擇其一來作出疾病診斷，佩德羅·多明戈斯更樂意把自己的生命押注到人工智能系統(tǒng)上。佩德羅·多明戈斯是西雅圖華盛頓大學(xué)的一名計(jì)算機(jī)科學(xué)家，“我寧愿相信機(jī)器也不要相信醫(yī)生，”他說?？紤]到人工智能（AI）通常獲得的差勁口碑——過度炒作，乏善可陳——如此強(qiáng)烈的支持聲音確實(shí)鮮見。

回到二十世紀(jì)六十年代，AI系統(tǒng)在復(fù)制人腦的某些關(guān)鍵方面似乎大有前途。通過使用數(shù)理邏輯，科學(xué)家開始重現(xiàn)和推理現(xiàn)實(shí)世界的知識(shí)，但是，很快這種方法淪為AI的枷鎖。盡管數(shù)理邏輯在模擬人腦（解決問題）方面富有成效，但是它在本質(zhì)上并不適合處理不確定性。

然而經(jīng)過因自我枷鎖造成的漫長(zhǎng)封殺之后，AI這個(gè)廣受詬病的領(lǐng)域卻重新興盛起來。多明戈斯并非唯一對(duì)其抱有全新信心的科學(xué)家。研究者希望通過成熟的電腦系統(tǒng)來檢測(cè)嬰兒疾病，把口頭語言翻譯成文本，甚至是找出惡意核爆。這些由成熟的電腦系統(tǒng)展現(xiàn)出來的早期能力就是最初在AI界引起人們廣泛興趣的東西：即使在紛繁復(fù)雜的世界，電腦仍具有像人類一樣的推理能力。

處于AI復(fù)興核心的是一種叫概率性程序的技術(shù)，它在舊有AI的邏輯基礎(chǔ)上加入統(tǒng)計(jì)概率的應(yīng)用?！八莾煞N最強(qiáng)大的理論的自然統(tǒng)一，這兩種理論已經(jīng)被發(fā)展來理解和推導(dǎo)這個(gè)世界?！笔范既A·羅素說，他是加州大學(xué)伯克利校區(qū)現(xiàn)代人工智能方面的先驅(qū)。這套強(qiáng)大的綜合體終于開始驅(qū)散籠罩在AI漫長(zhǎng)嚴(yán)冬上的迷霧。“這肯定會(huì)是一個(gè)（AI的）春天?！甭槭±砉W(xué)院的認(rèn)知科學(xué)家約什·田納邦說。

“人工智能（artificial intelligence）”一詞于1956年由MIT的約翰·麥卡錫創(chuàng)造。那時(shí)，他提倡使用邏輯語言開發(fā)能進(jìn)行推理的電腦系統(tǒng)。該方法隨著所謂的一階邏輯的應(yīng)用趨于成熟。在一階邏輯中，現(xiàn)實(shí)世界的知識(shí)通過使用正式的數(shù)學(xué)運(yùn)算符號(hào)和標(biāo)記進(jìn)行?；?。它為客觀體世界和客觀體間相互關(guān)系而設(shè)，能夠用來解析他們之間的聯(lián)系并得出有用的結(jié)論。例如，如果X（某人）患有高傳染性的疾病Y，患者X與某人Z近距離接觸，那么用這種邏輯便可推導(dǎo)Z患有Y疾病。

然而，一階邏輯最大的功勞是它允許越來越復(fù)雜的模型由最小的結(jié)構(gòu)模塊構(gòu)建起來。例如，上述情況可以輕易地延伸到建立流行病學(xué)的致死傳染病模型，以及對(duì)其發(fā)展進(jìn)行結(jié)論性推導(dǎo)。這種把微小概念不斷擴(kuò)展成概念集合的邏輯功能意味著人類大腦中也存在類似的思維模式。

這個(gè)好消息并沒有存在得太久?！安恍业氖?，最終，邏輯沒能實(shí)現(xiàn)我們的期待。”加州斯坦福大學(xué)的認(rèn)知科學(xué)家諾阿·古德曼說。由于使用邏輯來表現(xiàn)知識(shí)并進(jìn)行推理的過程要求我們對(duì)現(xiàn)實(shí)世界的實(shí)際知識(shí)有精確的掌握，容不得半點(diǎn)模糊。要么“真”要么“假”，不存在“也許”。而不幸的是，現(xiàn)實(shí)世界，幾乎每一條規(guī)則都充滿了不確定性、干擾和例外情況。簡(jiǎn)單地用一階邏輯構(gòu)建的AI系統(tǒng)不能處理這些問題。舉例來說，你想分辨某人Z是否有疾病Y，這里的規(guī)則是清晰明白的：如果Z與X接觸，那么Z患病。但是一階邏輯不能處理Z在或者已經(jīng)感染或者沒有之下的情況。另一個(gè)嚴(yán)重的問題是，一階邏輯不能逆向推導(dǎo)。例如，如果你知道Z患有疾病Y，你不可能完全確定Z的疾病是從X那里感染的。這是有醫(yī)學(xué)診斷系統(tǒng)面臨的典型問題。邏輯規(guī)則能夠?qū)⒓膊『桶Y狀聯(lián)系起來，而一個(gè)醫(yī)生面對(duì)癥狀卻能逆推出其病因。 “這需要轉(zhuǎn)變邏輯公式，而且演繹邏輯并不適合處理這種問題，”田納邦說。

這些問題意味著到了二十世紀(jì)八十年代中葉，AI的冬天到來了。當(dāng)時(shí)流行的看法是：AI毫無發(fā)展可言。然而，古德曼私下相信，人們不會(huì)放棄AI，“AI轉(zhuǎn)入地下發(fā)展了，”他說。

1980年代末神經(jīng)網(wǎng)絡(luò)的到來讓AI的解凍露出第一線曙光。神經(jīng)網(wǎng)絡(luò)的想法之簡(jiǎn)單讓人驚嘆。神經(jīng)系統(tǒng)科學(xué)的發(fā)展帶來了神經(jīng)元的簡(jiǎn)單模型，加上算法的改進(jìn)，研究者構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)（ANNs）。表面上，它能夠像真正的大腦一樣學(xué)習(xí)。受到鼓舞的計(jì)算機(jī)科學(xué)家開始?jí)粝胗猩习偃f或者上萬億神經(jīng)元的ANNs?？墒呛芸斓?，事實(shí)證明我們的神經(jīng)元模型顯然過于簡(jiǎn)單，研究者都分不清神經(jīng)元的哪些方面的性質(zhì)是重要的，更不用說模仿它們了。

不過，神經(jīng)網(wǎng)絡(luò)為新的AI領(lǐng)域構(gòu)筑了一部分基礎(chǔ)。一些繼續(xù)在ANNs上奮斗的研究者終于意識(shí)到這些網(wǎng)絡(luò)可以被認(rèn)為是在統(tǒng)計(jì)和概率方面對(duì)外部世界的重現(xiàn)。與“突觸”和“動(dòng)作電位”這些生理學(xué)上的稱呼不同，他們稱之為“參數(shù)化”和“隨機(jī)變量”。田納邦說，“現(xiàn)在，ANNs聽起來更像一個(gè)龐大的概率模型而不是一顆大腦?！?/p>

然后在1988年，加州大學(xué)洛杉磯校區(qū)的朱迪亞·珀兒寫了一本里程碑式的書《智能系統(tǒng)的或然性推理》，里面詳細(xì)地描述了AI的全新方案。支持這本書的理論是湯瑪斯·貝葉斯提出的一個(gè)原理。湯瑪斯·貝葉斯 是18世紀(jì)的一名英國(guó)數(shù)學(xué)家和牧師，他把以事件Q發(fā)生為前提下事件P發(fā)生的條件概率和以事件P發(fā)生為前提下事件Q發(fā)生的條件概率聯(lián)系起來。這個(gè)原理提供了一個(gè)在原因和結(jié)果間來回推導(dǎo)的方法?！叭绻隳軐?duì)感興趣的不同事物用那樣的方式描述，那么貝葉斯推論的數(shù)學(xué)方法會(huì)教你如何通過觀察結(jié)果，然后逆推各種不同起因的可能性，”田納邦如是說。

新方案的關(guān)鍵就是貝葉斯網(wǎng)絡(luò)，一個(gè)由各種隨機(jī)變量組成的模型，在這個(gè)模型里每個(gè)變量的概率分布都取決于其他變量。給定一個(gè)或多個(gè)變量的值，通過貝葉斯網(wǎng)絡(luò)則可推導(dǎo)出其他變量的概率分布，換言之，得出他們的可能值 。假定這些變量表示癥狀、疾病和檢查結(jié)果，給出檢查結(jié)果（一種濾過性病毒感染）和癥狀（發(fā)熱和咳嗽），則可給可能潛在的病因賦予不同的幾率（流感，很可能；肺炎，不太可能）。

二十世紀(jì)九十年代中期，包括羅素在內(nèi)的研究員開始開發(fā)算法，使貝葉斯網(wǎng)絡(luò)能利用和學(xué)習(xí)現(xiàn)有的數(shù)據(jù)。這很大程度上跟人類基于早期理解的學(xué)習(xí)方式相同，新的算法卻能通過更少的數(shù)據(jù)來學(xué)習(xí)更復(fù)雜和更準(zhǔn)確的模型。對(duì)ANNs來說，這是前進(jìn)的一大步，因?yàn)闊o需考慮先驗(yàn)知識(shí)，可以從頭學(xué)習(xí)解決新的問題。

搜獵核武器

人們開始逐漸理解各種努力和嘗試，去創(chuàng)造為現(xiàn)實(shí)世界而設(shè)的人工智能。一個(gè)貝葉斯網(wǎng)絡(luò)中，各種參數(shù)是概率的分布，如果我們對(duì)這個(gè)世界知道得越多，這些分布值越有用。與一階邏輯下構(gòu)建的網(wǎng)絡(luò)不同，不完整的知識(shí)并不會(huì)導(dǎo)致貝葉斯網(wǎng)絡(luò)迅速崩潰。

盡管這樣，邏輯也并非無用武之地。事實(shí)證明貝葉斯網(wǎng)絡(luò)本身并不充分，因?yàn)樗辉试S以簡(jiǎn)單片段任意構(gòu)建復(fù)雜結(jié)構(gòu)，取而代之的是一個(gè)由綜合的邏輯程序和貝葉斯網(wǎng)絡(luò)組成的，進(jìn)入熱門話題領(lǐng)域的概率性程序。

這種新AI的最前端是少數(shù)合并基礎(chǔ)元素和所有靜止研究工具的計(jì)算機(jī)語言，其中有Church語言，由古德曼、田納邦和同事開發(fā)，以某計(jì)算機(jī)程序邏輯的開創(chuàng)者阿隆索·丘奇命名。多明戈斯的團(tuán)隊(duì)開發(fā)了馬爾科夫邏輯網(wǎng)絡(luò)，融合了邏輯型網(wǎng)絡(luò)和與貝葉斯網(wǎng)絡(luò)相似的馬爾科夫網(wǎng)絡(luò)。羅素則和他的同事使用了一個(gè)直接明了的名字，叫“貝葉斯邏輯”（BLOG）。

最近在奧地利維也納召開的聯(lián)合國(guó)全面禁止核試條約組織（CTBTO）大會(huì)上，羅素展示了Church語言的表達(dá)能力。CTBTO邀請(qǐng)了羅素，因?yàn)樗麄冾A(yù)感到新的AI技術(shù)可能有助于監(jiān)測(cè)核爆炸。聽過一上午的關(guān)于監(jiān)測(cè)地震背景下遠(yuǎn)距離核爆引發(fā)的地震特征、穿過地球的信號(hào)傳播異常和世界地震站的噪音探測(cè)器的演示報(bào)告后，羅素開始著手用概率程序的設(shè)計(jì)（神經(jīng)信息處理系統(tǒng)前沿，卷23，麻省理工學(xué)院出版Advances in Neural Information Processing Systems， vol 23， MIT Press）。他說，“在午飯時(shí)間，我已能為整個(gè)問題編寫一個(gè)完整的模型?！?，這個(gè)模型足足有半頁之長(zhǎng)。

這類模型能整合先驗(yàn)知識(shí)，例如，對(duì)印度尼西亞蘇門塔臘和英國(guó)伯明翰地區(qū)發(fā)生地震的幾率做比較。CTBTO同時(shí)要求任何一個(gè)系統(tǒng)首先假定發(fā)生在地球上任何地方的核爆幾率均等，然后才使用來自CTBTO監(jiān)測(cè)站接收的真實(shí)信號(hào)數(shù)據(jù)。AI系統(tǒng)要做的就是獲取所有數(shù)據(jù)，對(duì)每組數(shù)據(jù)最可能的解釋作出推斷。

挑戰(zhàn)就在其中。像BLOG這樣的語言是由所謂的通用推理機(jī)組成的。已知某個(gè)現(xiàn)實(shí)問題的模型和眾多變量及概率分布，推理機(jī)只能計(jì)算某種情況的可能性，例如，在已知期望事件的事前幾率和新地震數(shù)據(jù)下，推斷一次在中東發(fā)生的核爆。但是如果變量改成代表癥狀和疾病，那么它就必定能做出醫(yī)學(xué)診斷。換言之，其中的算法必須是非常普遍的，這也意味著這些算法極其低效。

結(jié)果是，這些算法不得不根據(jù)每個(gè)新問題逐一定制。但正如羅素所說，你不能每遇到一個(gè)新問題就請(qǐng)一個(gè)博士學(xué)生來改進(jìn)算法，“那并不是你大腦的工作方式，你的大腦會(huì)趕緊適應(yīng)（新問題）。”

這一點(diǎn)讓羅素、田納邦和其他人緩下來仔細(xì)考慮AI的前途?！拔蚁Ｍ藗儠?huì)感到興奮，但不是那種我們向他們推銷蛇油（萬靈藥）的感覺，”羅素說。田納邦也有同感，盡管已是一個(gè)年過40的科學(xué)家，他覺得只有一半的機(jī)會(huì)在他有生之年見證有效推理這一難題的解決。盡管計(jì)算機(jī)將運(yùn)行得更快，算法會(huì)改進(jìn)得更精妙，他覺得“這些是比登月或者登火星更艱深的問題”。

無論如何，AI團(tuán)體的意志并沒有因此消沉。例如，斯坦福大學(xué)的達(dá)菲·柯勒正在用概率編程解決非常特殊的問題并且頗見成效。他與同在斯坦福的新生兒學(xué)專家安娜·潘和其他同事一起開發(fā)了名為PhysiScore的系統(tǒng)，可以預(yù)測(cè)一個(gè)早產(chǎn)兒是否有任何健康問題。這是個(gè)眾所周知的難題，醫(yī)生不能作出任何確定程度的預(yù)測(cè)，“這種預(yù)測(cè)卻是對(duì)那個(gè)家庭唯一要緊事，”潘回應(yīng)。

PhysiScore系統(tǒng)把多方面的因素考慮進(jìn)去，諸如孕齡、出生體重，以及出生后數(shù)小時(shí)內(nèi)的實(shí)時(shí)數(shù)據(jù)，包括心率、呼吸率和氧飽和度（Science TranslaTIon Medicine， DOI： 10.1126/scitranslmed.3001304）。“我們能夠在頭3個(gè)小時(shí)內(nèi)得出哪些嬰兒將來會(huì)健康，哪些可能患上嚴(yán)重的并發(fā)癥，甚至是兩周后會(huì)出現(xiàn)的并發(fā)癥，”柯勒解釋道。

“新生兒專家對(duì)PhysiScore這個(gè)系統(tǒng)感到興奮，”潘說。作為一名醫(yī)生，對(duì)于AI系統(tǒng)具有處理上百個(gè)變量并作出決定的能力，潘尤其滿意。這種能力甚至讓該系統(tǒng)超越了他們的人類同行。潘說：“這些工具能理解和運(yùn)用一些我們醫(yī)生和護(hù)士看不到的信號(hào)。”

這正是多明戈斯一直對(duì)自動(dòng)化醫(yī)學(xué)診斷抱有信心的原因。其中一個(gè)著名例子是“快速醫(yī)學(xué)參考，決策理論（QMR-DT）”，它是一個(gè)擁有600種重要疾病和4000種相關(guān)癥狀模型的貝葉斯網(wǎng)絡(luò)，其目標(biāo)是根據(jù)一些癥狀推斷可能疾病的幾率。研究者已經(jīng)針對(duì)特殊疾病的推理算法對(duì)QMR-DT進(jìn)行微調(diào)，并且教會(huì)該系統(tǒng)使用病人的檔案。“人們對(duì)這些系統(tǒng)和真人醫(yī)生做過比較，這些系統(tǒng)似乎更勝一籌，”多明戈斯說，“人類對(duì)自己的判斷，包括診斷，不能保持一致的觀點(diǎn)（態(tài)度），而醫(yī)生們不愿意放棄他們工作中這一有意思的部分是唯一讓這些系統(tǒng)不能廣泛應(yīng)用的原因?！?/p>

AI領(lǐng)域里的這些技術(shù)還有其他成就，其中一個(gè)矚目的例子是語音識(shí)別，它已經(jīng)由過去因經(jīng)常出錯(cuò)備受嘲笑提升到今天令人驚訝的準(zhǔn)確度（New ScienTIst， 27 April 2006， p26）?，F(xiàn)在，醫(yī)生可以口述病人檔案，語音系統(tǒng)軟件會(huì)把口述檔案轉(zhuǎn)換成電子文檔，由此可以減少手寫處方。另外，語言翻譯也開始仿效語音識(shí)別系統(tǒng)的成功之處。

會(huì)學(xué)習(xí)的機(jī)器

但是仍然有重大的挑戰(zhàn)顯現(xiàn)在各個(gè)領(lǐng)域中。其中之一就是弄明白機(jī)器人的照相機(jī)看到什么，解決這個(gè)問題將為設(shè)計(jì)出自我導(dǎo)航的機(jī)器人縮短一大段距離。

開發(fā)靈活和快速的推理算法的同時(shí)，研究者必須提高AI系統(tǒng)的學(xué)習(xí)能力，無論是根據(jù)現(xiàn)存數(shù)據(jù)還是現(xiàn)實(shí)世界檢測(cè)到的新數(shù)據(jù)。今天，大部分的機(jī)器學(xué)習(xí)是由定制算法和小心地構(gòu)建的數(shù)據(jù)組完成的，為教會(huì)一個(gè)系統(tǒng)處理特定的任務(wù)而專門設(shè)計(jì)?！拔覀兿Ｍ切┫到y(tǒng)更加通用，這樣你可以把它們投入到現(xiàn)實(shí)世界，同時(shí)它們也能從各種輸入信息中學(xué)習(xí)?！笨吕照f。

一如既往，AI的終極目標(biāo)是建造出能用我們完全理解的方式復(fù)制人類智慧的機(jī)器。“那可能是和尋找外星生命一樣遙遠(yuǎn)甚至同樣危險(xiǎn)的事，”田納邦說?！啊?dāng)M人AI’是一個(gè)更廣義的詞，有謙虛的余地。如果我們能構(gòu)造一個(gè)視覺系統(tǒng)，像人類能做到的一樣，看一眼就可告訴我們那里有什么，我們將無比高興?！?/p>