最近開發(fā)的人工智能(AI)模型能夠?qū)崿F(xiàn)許多令人印象深刻的壯舉，包括識別圖像和產(chǎn)生類人語言。但僅僅因?yàn)槿斯ぶ悄芸梢詧?zhí)行類似人類的行為并不意味著它可以像人類一樣思考或理解。

作為一名研究人類如何理解和推理世界的研究人員，我認(rèn)為重要的是要強(qiáng)調(diào)人工智能系統(tǒng)“思考”和學(xué)習(xí)的方式與人類的行為方式有著根本的不同——在人工智能真正能夠像這樣思考之前，我們還有很長的路要走我們。

普遍的誤解

人工智能的發(fā)展已經(jīng)產(chǎn)生了可以執(zhí)行非常類似于人類行為的系統(tǒng)。語言模型GPT-3可以生成通常與人類語音無法區(qū)分的文本。另一個模型，PaLM，可以解釋它以前從未見過的笑話。

最近，一種被稱為Gato的通用AI已經(jīng)開發(fā)出來，它可以執(zhí)行數(shù)百種任務(wù)，包括為圖像添加字幕、回答問題、玩Atari視頻游戲，甚至控制機(jī)械臂堆疊積木。DALL-E是一個經(jīng)過培訓(xùn)的系統(tǒng)，可以根據(jù)文本描述生成修改后的圖像和藝術(shù)品。

這些突破導(dǎo)致了一些關(guān)于這種人工智能能力的大膽主張，以及它可以告訴我們關(guān)于人類智能的什么。

例如，谷歌人工智能公司DeepMind的研究員NandodeFreitas認(rèn)為，擴(kuò)大現(xiàn)有模型將足以產(chǎn)生人類水平的人工智能。其他人也贊同這一觀點(diǎn)。

在所有的興奮中，很容易假設(shè)類似人類的行為意味著類似人類的理解。但人工智能與人類的思考和學(xué)習(xí)方式之間存在幾個關(guān)鍵差異。

神經(jīng)網(wǎng)絡(luò)與人腦

最近的AI是由人工神經(jīng)網(wǎng)絡(luò)或簡稱為“神經(jīng)網(wǎng)絡(luò)”構(gòu)建的。使用“神經(jīng)”一詞是因?yàn)檫@些網(wǎng)絡(luò)受到人類大腦的啟發(fā)，其中數(shù)十億稱為神經(jīng)元的細(xì)胞形成了相互連接的復(fù)雜網(wǎng)絡(luò)，在它們來回發(fā)射信號時處理信息。

神經(jīng)網(wǎng)絡(luò)是生物學(xué)的高度簡化版本。一個真正的神經(jīng)元被一個簡單的節(jié)點(diǎn)代替，節(jié)點(diǎn)之間的連接強(qiáng)度由一個稱為“權(quán)重”的數(shù)字表示。

通過將足夠多的連接節(jié)點(diǎn)堆疊到足夠多的層中，神經(jīng)網(wǎng)絡(luò)可以被訓(xùn)練來識別模式，甚至可以“概括”到與他們以前看到的相似(但不相同)的刺激。簡單地說，泛化是指人工智能系統(tǒng)從特定數(shù)據(jù)中獲取知識并將其應(yīng)用于新數(shù)據(jù)的能力。

能夠識別特征、識別模式并從結(jié)果中進(jìn)行概括是神經(jīng)網(wǎng)絡(luò)成功的核心——并模仿人類用于此類任務(wù)的技術(shù)。然而，也有重要的區(qū)別。

神經(jīng)網(wǎng)絡(luò)通常通過“監(jiān)督學(xué)習(xí)”進(jìn)行訓(xùn)練。因此，他們會看到許多輸入和所需輸出的示例，然后逐漸調(diào)整連接權(quán)重，直到網(wǎng)絡(luò)“學(xué)習(xí)”以產(chǎn)生所需的輸出。

為了學(xué)習(xí)語言任務(wù)，神經(jīng)網(wǎng)絡(luò)可能會一次一個單詞地呈現(xiàn)一個句子，然后慢慢地學(xué)習(xí)預(yù)測序列中的下一個單詞。

這與人類通常的學(xué)習(xí)方式非常不同。大多數(shù)人類學(xué)習(xí)是“無監(jiān)督的”，這意味著我們沒有被明確告知對于給定刺激的“正確”反應(yīng)是什么。我們必須自己解決這個問題。

例如，孩子們沒有得到關(guān)于如何說話的指導(dǎo)，而是通過接觸成人演講、模仿和反饋的復(fù)雜過程來學(xué)習(xí)這一點(diǎn)。

另一個區(qū)別是用于訓(xùn)練人工智能的數(shù)據(jù)規(guī)模龐大。GPT-3模型訓(xùn)練了4000億字，大部分來自互聯(lián)網(wǎng)。以每分鐘150個單詞的速度，人類需要將近4000年才能閱讀這么多文本。

這樣的計(jì)算表明人類不可能像人工智能一樣學(xué)習(xí)。我們必須更有效地利用更少量的數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)可以以我們無法學(xué)習(xí)的方式學(xué)習(xí)

一個更根本的區(qū)別在于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式。為了使刺激與期望的響應(yīng)相匹配，神經(jīng)網(wǎng)絡(luò)使用一種稱為“反向傳播”的算法將錯誤向后傳遞到網(wǎng)絡(luò)中，從而以正確的方式調(diào)整權(quán)重。

然而，神經(jīng)科學(xué)家普遍認(rèn)為，反向傳播無法在大腦中實(shí)現(xiàn)，因?yàn)樗枰耐獠啃盘柛静淮嬖凇?/p>

一些研究人員提出大腦可以使用反向傳播的變體，但到目前為止，還沒有證據(jù)表明人類大腦可以使用這種學(xué)習(xí)方法。

相反，人類通過構(gòu)建結(jié)構(gòu)化的心理概念來學(xué)習(xí)，其中許多不同的屬性和關(guān)聯(lián)聯(lián)系在一起。例如，我們對“香蕉”的概念包括它的形狀、黃色、它是水果的知識、如何握住它等等。

據(jù)我們所知，人工智能系統(tǒng)不會形成這樣的概念性知識。他們完全依賴于從訓(xùn)練數(shù)據(jù)中提取復(fù)雜的統(tǒng)計(jì)關(guān)聯(lián)，然后將這些關(guān)聯(lián)應(yīng)用到類似的環(huán)境中。

正在努力構(gòu)建結(jié)合不同類型輸入(如圖像和文本)的人工智能——但這是否足以讓這些模型學(xué)習(xí)人類用來理解世界的相同類型的豐富心理表征還有待觀察。

關(guān)于人類如何學(xué)習(xí)、理解和推理，我們還有很多不知道的地方。然而，我們所知道的表明人類執(zhí)行這些任務(wù)的方式與人工智能系統(tǒng)非常不同。

因此，許多研究人員認(rèn)為，在我們能夠制造出真正像人類一樣思考和學(xué)習(xí)的機(jī)器之前，我們需要新的方法，以及對人類大腦如何工作的更基本的了解。