“人工智能”對生活在當下的每一個普通人而言，早已不是一個暢想性的、高山仰止般的概念了。自從字節跳動和拼多多這類企業將人工智能技術應用在自家產品中後，這個幾年前還是很未來的概念更是開始與每一個人的生活息息相關。
回溯這個概念走入大多數普通人的視野，還是2016年的AlphaGo戰勝圍棋選手李世石的新聞。4年不到的時間裡，便逐漸讓我們覺得習以為常，且成為我們生活的一部分，其發展不可謂不快。
然而，人工智能的發展並非一直都這樣順遂。
關於人工智能最早的追溯，可以到上世紀50年代。1950年，圖靈在《思想》雜誌上發表了一篇題為《計算機器和智能》的論文，第一次正式提出機器智能的議題。
6年後，以約翰·麥卡錫、馬文·明斯基和克勞德·香農為主要成員的達特茅斯會議召開，約翰·麥卡錫在這次會議上提出了“人工智能”（Artificial Intelligence）的概念，此後，人工智能相關的研究也慢慢起步。
但是，最初關於人工智能的研究思路與我們現在看到的並不相同。當時的人工智能追求規則和邏輯，被稱為符號主義。而我們當下常見的人工智能則是基於模式識別的統計系統，被稱為聯結主義。
在“人工智能”這一概念提及之初，相關領域的專家認為，所謂智能機器就是像人一樣的機器。因此，機器要獲得智能，就得向人類學習。解決智能問題的路徑也成了先了解人是如何產生智能的，然後讓計算機按照人的思路去做。因此，這條研究路徑極為注重規則和邏輯推理。
遺憾的是，按照這種方式研究了十多年後，沒有出來什麼有用的成果。到上世紀70年代，一些人開始嘗試用數學模型和統計方法去解決一些機器智能問題，諸如語音識別、翻譯和圖像識別等。
一開始，相比於符號主義，聯結主義並沒有顯示出特別大的優勢，但是這種方法有一個潛在好處，就是隨著數據量的積累，系統會變得越來越好，識別準確度也會越來越高。隨著互聯網的發展與普及，尤其是移動互聯網的發展，數據開始呈爆炸式增長，聯結主義的路子也越走越寬，迎來了突飛猛進。而傳統的符號主義則很難從數據量的提升上獲益，至今也鮮有突破。
對於兩類人工智能的區別，《人機平臺》一書中用成人學習第二語言和嬰兒學習母語的比喻，可以讓我們更好地理解其中的就裡。
成年人學習第二語言時，會從語法入手，也就是從規則入手。想想我們學習英語的過程，首先要了解句子包含哪些成分，詞性有多少種，什麼詞能做什麼成分，什麼時候用什麼時態等等。規則不僅多，而且常常還會出現很多例外，讓人難以把握，痛苦不堪。
而嬰兒學習母語時則沒有這種苦惱，在上學之前，他們從未接觸過明確的規則指導，只是通過傾聽父母和周圍人的聊天，然後辨別其中的規則和模式。這其實就是用統計原理去辨別語言模式，先攝入大量的數據，然後從數據中提取共同點，形成正確的認知。
為什麼成年人學好第二語言的比例甚少，而嬰兒卻都成功掌握了母語（除非身有殘疾），這其中的區別，在很大程度上也解釋了為什麼聯結主義突飛猛進，而符號主義進展緩慢。
儘管聯結主義為主的人工智能在當下取得了快速的發展，但是也並不意味著符號主義被“判了死刑”。專業領域依舊認為兩種方式各有優劣，解決的是不一樣的問題，相關的爭論也一直持續著。
兩類人工智能在思維模式上的不同，很容易讓人聯想到哲學史上的一樁公案，即關於亞裡士多德和他的老師柏拉圖在世界觀上的不同。
與柏拉圖之前的哲學家一樣，都希望從變化無常的事物中找出永恆不變的事物。
如果稍加留意的話，我們不難發現，全天下的馬都是一樣的，儘管沒有兩匹完全相同的馬，但是有些特質是所有馬都具備的，這些特質使得我們可以從眾多事物中認出馬就是馬。儘管一匹馬本身也會發生變化，會變胖或變瘦，會瘸腿，會死亡。但是其所具備的馬的“形式”是永恆不變的。
據此，柏拉圖認為，有一個比感官世界層次更高的“理型世界”存在，所有感官世界中的事物，都是對理型世界的拙劣模仿，或是以理型世界的事物為模子，復刻出了感官世界的事物。
比如，感官世界中所有的馬，都是理型世界中“理型馬”的復刻品。感官世界中所有的馬的特點的集合，是理型馬特點的子集。這也能夠解釋為什麼感官世界中的同一種事物的個體間會存在差異，因為只有模子是完美的，而復刻品總會存在各種各樣的缺陷。
在柏拉圖看來，理型世界在先，是更高層次的，而感官世界在後，是低層次的。
但是，亞裡士多德卻認為感官世界之外並不存在一個理型世界。我們之所以能夠認出馬是馬，並不在於有一種理型馬的存在，而是我們在見過足夠多的馬之後，無意中提取了這些馬的共性，形成了馬的“形式”，正是這一基於大數據的模式提取過程使得我們能在眾多事物中認出馬是馬，而不是別的什麼事物。
再來看看人工智能的兩種研究思路。符號主義有點像柏拉圖，把人視為人工智能的“完美理型”，人工智能是對人類的一種模仿。其實我們不難設想，按照這種思路，很難讓人工智能真正超越人類。
而聯結主義則有點像亞裡士多德，認為人類的規則和邏輯也是事後總結的產物，而並不是先於人類出現的、支配人類行為的“理型”。因此，先不去管什麼規則和邏輯，而是給機器提供大量的數據，讓機器從數據中提取隱藏的結構和模式。在這個過程中，算力更為強大的計算機很容易發現人類都難以意識到的模式，這也是為什麼AlphaGo能夠最終戰敗人類最厲害的圍棋手的原因。
絕對的錯與對是很難界定的，但是短期內產生的效果卻不難衡量。在當前看來，聯結主義在創造價值和推動變革上是優於符號主義的，正如亞裡士多德的世界觀對今人而言比柏拉圖的世界觀更容易接受一樣。
更為重要的是，我們能夠從這種隱約的關聯中看到，儘管技術的更迭日新月異，相應的產品也在快速地推陳出新。但是，某種程度上，這些都是一種表面現象，真正推動突破與變革的內核，依舊是人類如何思考問題和提出問題。
儘管人工智能在很多方面都已經超過了人類，但不可否認的是，人依舊有人的用處。哪怕是在最前沿的創新和技術變革中，起到決定作用的可能依舊是能否提出一個正確的問題。同樣，一個蘊含著巨大潛力的新機遇得以突破的關鍵，往往與一個存續已久的老問題有關。
轉載請超鏈接註明：頭條資訊 » 老問題與新機遇
免責聲明
：非本網註明原創的信息，皆為程序自動獲取互聯網，目的在於傳遞更多信息，並不代表本網贊同其觀點和對其真實性負責；如此頁面有侵犯到您的權益，請給站長發送郵件，並提供相關證明(版權證明、身份證正反面、侵權鏈接)，站長將在收到郵件24小時內刪除。