婴儿告诉我们的人工智能之道

婴儿告诉我们的人工智能之道
本内容由人工智能自动翻译。

他们或许能在棋盘上胜过国际象棋特级大师卡斯帕罗夫,但机器能像三岁孩子一样聪明吗?

与其试图制造一个模拟成人心智的程序,为什么不试着制造一个模拟儿童心智的程序呢?——艾伦·图灵,1950年。

在1月20日的一场“创意实验室”讨论中, 于达沃斯 ,来自伯克利(我的大学)的四位学者将辩论计算机能否(或者将来能否?或者未来某个时候可能吗?还是根本不可能?)比人类更善于做出决策(时态是这场辩论的重要组成部分)。

小组成员包括一位机器人学家、一位计算机科学家、一位神经科学家,以及我——一位发展心理学家。我为什么会在场?事实证明,儿童是人工智能讨论中至关重要、却未得到足够重视的一部分。

图灵的智能测试

人人都记得艾伦·图灵提出了模仿游戏,用来测试机器是否具有智能。如果一个人坐在键盘前,无法分辨自己是在和机器还是和人交谈,那么这台机器就通过了“图灵测试”。

几乎没人记得,图灵在同一篇论文中还提出,实现智能的关键在于设计一台像儿童而非成人的机器。他有先见之明地指出,人类智能真正的秘密在于我们的学习能力。学习一直是人工智能新一轮复兴的核心。大约过去15年来,计算机科学家和发展认知科学家一直在试图弄清儿童如何能如此迅速地学会如此之多,以及如何设计出能做到同样事情的机器。

人工智能的历史引人入胜,因为人类思维的哪些方面容易模拟、哪些方面难以模拟,一直很难预测。起初,我们以为下棋或证明定理之类的事情——极客男子气概的角逐——会是计算机最难做到的。实际上,这些事情相当容易。反倒是每个傻瓜都会做的事,比如认出一个杯子或把它拿起来,难得多。事实证明,模拟训练有素的成年专家的推理,比模仿每个婴儿的日常学习容易得多。那么,机器在哪些方面正在赶上儿童?哪些类型的学习仍远远超出它们的能力范围?

了不起的婴儿

过去15年来,我们发现,即使是婴儿,也非常善于发现统计模式。机器在统计学习方面也已变得相当出色。诸如“深度学习”之类的技术,能够在海量数据集中发现极其复杂的统计规律。结果是,计算机突然能够完成过去不可能做到的事情,例如准确标注互联网上的图像。

但这种纯统计式机器学习的问题在于,它依赖海量数据,而且这些数据还得先经人脑预处理。然而,即便有这些帮助,机器仍然需要庞大的数据集和极其复杂的计算,才能看着一张新图片说出“小猫咪!”——而每个婴儿只需看几个例子就能做到。

更重要的是,无论你是婴儿、计算机还是科学家,都只能以有限的方式从这种统计学习中进行概括。更强大的学习方式,是对世界的样貌提出假设,并用数据检验这些假设。16世纪时,泰科·布拉赫——他是当时的“谷歌学术”——汇总了一个庞大的天文观测数据集,并据此预测未来的星体位置。但在下个世纪,约翰内斯·开普勒的日心说假设使他能够做出出乎意料、影响广泛且全新的预测,远远超出了布拉赫的认知范围。学龄前儿童也能做同样的事。

机器学习的另一项重大进展,是将这种假设检验形式化并自动化。将 贝叶斯概率论 引入学习过程尤其重要。比如,我们可以用数学方式描述一个特定的因果假设,然后根据观察到的数据计算该假设为真的可能性有多大。机器已经能够以这种方式非常出色地用数据检验假设,其影响涉及从医学诊断到气象学的方方面面。研究幼儿时,我们发现他们也会以类似方式推理,这或许有助于解释他们为何能学到如此之多。

艾莉森·戈普尼克

儿童与计算机之间的三项差异

但即使是非常年幼的人类儿童,也能做到三件当前计算机远远做不到、甚至我们无法想象它们在不久的将来能做到的事。这些差异尤其鲜明地展现了人工智能与人类智能之间的鸿沟。

计算机已经非常擅长依据结构化假设进行推断,尤其是概率推断。但真正棘手的问题是:在无限多种可能性中,决定哪些假设值得检验。即使是学龄前儿童,也非常善于创造全新的、突破常规的概念和假设,然后检验它们。他们以某种方式将理性与非理性、系统性与随机性结合起来做到这一点,而我们甚至还没开始理解其中的奥秘。

在那篇里程碑式论文中另一个被忽视的部分,图灵有先见之明地提出,他的儿童机器若能在至少一部分时间里随机行动,或许会更好。三岁孩子的想法和行动往往也确实显得随机,甚至疯狂——随便加入一次假装游戏就能看出来。这正是为什么皮亚杰等心理学家认为他们不理性、不合逻辑。但他们也有一种不可思议的能力,能迅速找到恰当而古怪的假设——事实上,我们实验室的研究表明,他们在这方面可能明显胜过成年人。

例如,在一项实验中,我们让四岁儿童和伯克利的本科生研究一种新玩意儿——把某些东西放上去时它会亮,放上另一些东西时则不会。我们向孩子和成人展示这台机器以一种显而易见或较不寻常的方式运作,然后让他们用一些新积木找出如何让它启动。孩子们很快学会了那个不寻常的假设,而成人却固守显而易见的想法,尽管数据并不支持它。起初这或许令人惊讶。但如果你像我一样,见过自己三岁的孙辈迅速、自发地掌握智能手机,而你自己花了一个月才弄明白,也许就不会觉得奇怪了。

我们认为,孩子们以比成年人更宽广、更不可预测的方式探索各种可能性,就像他们在探索性游戏中“什么都要摸一摸”,或在假装游戏中想出疯狂的现实替代方案一样。但我们几乎不知道这种理性的随机性、这种受约束的创造力如何可能。

儿童胜过计算机的第二个方面,是他们能够真正走出去探索周围的世界。图灵把这称为“去拿煤斗的能力”,并认为计算机可以不具备这种能力。但毕竟,实验是科学学习中至关重要、而且相当神秘的一部分。

越来越多的研究表明,即使是非常年幼的婴儿,也会主动探索周围的世界,而且这种主动探索对学习至关重要。婴儿会有系统地把目光停留在最可能提供信息的事件上,也会以最能帮助自己学习的方式摆弄物体。这种从世界中真正提取恰当数据的能力,而不是仅仅处理别人提供给你的数据,十分强大。它还涉及与儿童创造性生成假设相同的理性与随机性之间的张力。这种能力仍远远超出我们所知的任何机器的能力范围。

儿童学习的第三种方式,是从周围的人那里获取信息。很多人没有意识到,机器学习近期的许多成功也深深依赖人类提供的信息。计算机之所以能识别互联网图像,只是因为数以百万计的真实人类把视网膜接收到的难以置信的复杂信息,简化成高度风格化、受限且简化的自家可爱小猫的Instagram照片,而且还清楚地为图像加上了标签。(在某些方面,《黑客帝国》的反乌托邦幻想只是一个简单事实:在让人麻痹的错觉中,我们以为自己只是在玩猫咪表情包,实际上都在帮助计算机变得更强大。)它们之所以能够大致进行翻译,也是因为可以利用庞大的人类译文数据库。

计算机不会翻白眼

但当前计算机以相对简单、缺乏思考的方式利用人类提供的信息。新研究表明,与此相反,即使是三岁儿童,也能以出人意料的复杂方式评估他人的陈述。他们能判断一个人是否可靠或古怪、天真或专业。他们甚至能利用非常细微的线索,判断成年人只是在说自己所想,还是有意在教导别人。幼儿还会根据自己对说话者的看法采取不同的学习方式。(即使是最先进的计算机,也还没学会对成年人的愚蠢言行翻白眼。)

当然,图灵的伟大洞见是,一旦我们对任何过程有了完整的、逐步展开的描述,就能把它编入计算机程序。这就是时态问题所在——眼下,对于能否完整描述人类智能,以及这种描述会是什么样子,我们只能凭信念判断。作为科学家,我们自然希望认同这种信念,并期待这样的描述能够实现;不过此时此刻,这仍不过是信念和希望。

毕竟,我们知道,确实 存在 能够做到所有这些事情的智能物理系统。事实上,我们大多数人都创造过这样的系统,而且也乐在其中(至少在最初阶段是这样)。我们称它们为自己的孩子。计算仍然是我们解释像大脑这样的物理实体如何能够智能行动的最佳、实际上也是唯一的科学解释。但至少目前,我们几乎完全不知道我们在儿童身上看到的那种智能如何可能。在我们弄清楚之前,最大、最强大的计算机仍然比不上最小、最弱小的人类。

作者:艾莉森·戈普尼克是加州大学伯克利分校托尔曼楼的心理学教授兼哲学系附属教授。她将参加2015年达沃斯世界经济论坛年会。本文是她在 Edge 网站上发表的一篇文章的扩展版。

图片:阿联酋阿治曼一家医院的婴儿病房里,一名女婴在婴儿床上玩耍。路透社/朱玛娜·埃尔赫卢埃

分享:

授权与转载
世界经济论坛发布的文章,可依据《知识共享署名-非商业性使用-禁止演绎4.0国际公共许可协议》以及我方《使用条款》进行转载。 本文所表达的观点仅代表作者个人立场,并不代表世界经济论坛的观点。