再谈智能的一多性 - 传媒教育网

近日，斯坦福联合MIT、哈佛、OpenAI等院校和机构发布了"2019年度AI指数报告"。虽然AI的表现让人印象深刻，但我们离通用人工智能还很远。正如报告中所言：“千万不要过度解读这些结果，因为列表中的任务是非常具体的，这些系统也无法迁移到其他任务上，因此可扩展性有限。”。换句话说：AI系统是一次性使用的工具，而不是人类可重复多次使用的智能。

图灵奖得主、贝叶斯网络之父Judea Pearl 曾自嘲自己是”AI 社区的反叛者“，因为他对人工智能发展方向的观点与主流趋势相反。Pearl 认为，尽管现有的机器学习模型已经取得了巨大的进步，但遗憾的是，所有的模型不过是对数据的精确曲线拟合。从这点而来看，现有的模型只是在上一代的基础上提升了性能，在基本的思想方面没有任何进步。例如机器学习就是分层寻找特征值，输入标签的质量和数量很关键，而人通常知道每个标签的内涵外延和之间的弥散聚合关系，机器不懂，只是符号的规定舞蹈，场景的机械分割，不能产生整体的感觉、知觉和理解。

理解就是看见了联系。在各种智能中，输入端的灵活性极其重要，标识内涵外延的弥聚弹性大小、速度如何在很大程度上就已经决定了智能的好坏（如同很多人生一样，儿时的理想和梦想就决定了ta一生的方向高度），同时，这也是自主地产生新信息知识、新功能（函数）、新网络、新能力的基础。一般而言，标识范围太大了不好存储，太小了不能达意，标识命名的唯一性与泛化性（即弥聚效应）要保持平衡，也即可理解性（语义性）与中心化（唯一性）的对立统一，所以输入数据、信息、知识标识的最小颗粒度，即边界范围的大小非常重要，颗粒度阈值过大易造成智能的不确定性，反之若过小易丢失关键特征。这些将直接影响着智能的体系架构：表征—标识—组网—优化—修正—迭代。

除了输入端的表征随机变化之外，推理、决策的实施也非常重要。知识驱动与网络重构之间的迭代关系，处理不好，智能内容也很难形成多种有效的新知识。规划对智能来说“只是一个推敲的基础而已”。一个好的智能体系，依靠的并不仅是逻辑，还有直觉，比起刻板的理性逻辑推进，更忠实于自己的创新灵感。有点像宫崎骏所说的那样：“所谓的电影，并非存在于自己的头脑之中，而是存在于头上的空间。”，“拍电影不能靠逻辑，或者说如果你换个角度看，任何人都可以用逻辑拍电影，但是我的方式是不用逻辑的，我试图挖掘自己的潜意识，在那个过程中的某个时刻，思维之泉被打开，各式各样的观点和想法奔涌而出。”宫崎骏作品的结构失衡，虽然有很多评论者都指出过，但很少有人对此做出批判。他的弱点，反而被视为他作品的一种风格体现——“即使凭借感觉创作，依然能够创作出满足观众观影生理快感的电影，这体现出了宫崎骏非凡的才能。”

人类智能相比机器智能有许多不同的机理，其中的反思、冥想、忏悔等机制非常重要：反思是非事实性推断，是各种假设的复盘，可以把“做一件事”演绎成“做多件事”，这也是机器智能中的“反馈”机制望尘莫及之处；冥想是一种相关无关性的非逻辑，它视时、空、逻辑为无，有点像一些好的诗歌，任性地在动静、有无、虚实、强弱中游刃穿梭；忏悔是格式化自我，任何事物都有利弊的沉淀和垢余，时间一长，清理打扫是不可避免的，删除的垃圾信息越多，阻塞就会越少，复杂性就会越少，智能就会变得越智能，进而越容易形成智慧……