1. 图灵测试 1.1. 模仿游戏 1.2. 20世纪40年代末至50年代初,第一台计算机的出现引发了一场公开辩论,辩论主题就是这一现代科学奇迹的潜力如何 1.2.1. 这场辩论中最瞩目的贡献当归属于一本名叫《控制论》的书,由麻省理工学院数学教授诺伯特·维纳(Norbert Wiener)撰写 1.3. 自1950年第一次提出以来,图灵测试一直具有巨大的影响力,直至如今,它仍然是一个严肃的研究课题 1.3.1. 图灵于1950年在著名国际期刊《心智》上发表的《计算机器与智能》论文中,描述了他的测试 1.3.1.1. 他的文章被公认为首篇有关人工智能的论文 1.3.2. 令人遗憾的是,到目前为止,它仍然没能让怀疑者彻底沉默 1.3.3. 就图灵测试而言,被测试的对象是一个黑盒,从某种意义上来说,我们不允许检查其内部结构,只能对其进行输入和输出 1.3.4. 图灵测试在今天已经没什么用了,但它仍然是人工智能重要的组成部分,因为它第一次给了对这门新兴学科感兴趣的研究人员一个明确的目标 1.4. 图灵的杰出之处是避开了所有存在争议的问题,直指计算机程序是否“真正”拥有智能(或者意识以及其他说法)、程序是否真正有“思维”(或者意识、自主意识什么的)并不是重点,重点在于它能够做到“乱真”,即让测试者无法分辨出程序和真人 1.4.1. 关键词在于“无法分辨” 1.5. 图灵测试是科学界中标准技术的一个优秀例子,如果你想确认两种事物是相同的还是不同的,就思考一下如何设计合理的测试来区分它们 1.5.1. 若是有一种合理的测试,两种事物其中一种能通过,另一种不能,那么你可以宣称它们是不同的 1.5.2. 如果不能通过合理的测试来区分它们,那么就不能声称它们是不同的 1.6. 多年来,许多定义人工智能的方式总是根据所使用的技术方法来定义人工智能 1.7. 图灵测试就是用来区分机器智能与人类智能的方法,测试的方式是人类询问者是否能够分辨出与之交流的是机器还是人 1.7.1. 图灵测试简单、优雅、易懂 1.7.1.1. 图灵测试最吸引人的地方无疑是它非常简单明了,尽管看起来很清晰,它仍然对人工智能提出了许多挑战 1.7.2. 问题在于,大多数试图通过图灵测试的程序员都倾向于使用一些简单的小技巧来“骗过”询问者,使他们相信自己正在与真人打交道,即用小伎俩去迷惑询问者,而并非真正去探寻与解决智能行为的本质 2. ELIZA 2.1. 诞生于20世纪60年代中期,由美籍德国人、麻省理工学院计算机科学家约瑟夫·魏岑鲍姆(Joseph Weizenbaum)创造 2.2. ELIZA原本是一项严肃的、富有影响力的心理治疗科学实验 2.3. 遗憾的是,自此以后,ELIZA就成了采用肤浅的小伎俩伪装人工智能的代名词,尤其在图灵测试领域 2.4. ELIZA扮演的是一名精神病医生的角色,与病人交谈,提出开放式问题,让病人试图敞开自我 2.4.1. 你不用太费劲就能轻易看穿它使用的封装及镜像反问伎俩 2.5. 用户对他的简单实验性程序非常沉迷,ELIZA正式进入了人工智能的传说中 2.6. ELIZA的影响力,以每年一度的罗布纳奖人工智能竞赛的形式流传至今 2.6.1. 罗布纳竞赛的参赛者很大程度上都是ELIZA的变奏曲,他们并没有试图让询问者开展一场有意义的对话,充分证实人工智能拥有类人的领悟力、理解力和常识,而是使用一些误导技巧来赢得比赛 2.7. 离人类之间进行的对话还有非常漫长的道路要走 2.8. ELIZA算是某种互联网产物的始作俑者,一提到这个产物,研究人工智能的程序员们都得抓狂,那就是互联网聊天机器人 2.8.1. 它们是基于互联网的程序,试图让用户参与对话,通常活跃于推特等社交媒体平台 2.8.2. 绝大多数所谓的互联网聊天机器人都只是使用了关键字联想的脚本而已,再辅以一些类似反问、提出通用问题之类的小伎俩,就如ELIZA一样 2.8.3. 聊天内容都是肤浅并且乏味的,这种聊天机器人,并非人工智能 3. 人工智能的多样性 3.1. 程序确确实实理解了与询问者的对话,这种理解与人类的理解大致相同 3.2. 程序并没有真正理解与询问者的对话,但可以模拟出理解对话以后的回复 3.3. 构建出具有人类的理解力(或者说是意识之类的词)的目标程序,被称为强人工智能 3.4. 次一级的目标,即构建虽然没有具备人类的理解力,但是可以模拟出特定能力的程序,被称为弱人工智能 3.5. 分辨强人工智能和弱人工智能的关键点 4. 超越图灵测试 4.1. 以图灵的“无法分辨”为原则,图灵测试有许多变种 4.2. 事实上,一个无法区分机器人和人类的世界,就是绝佳的电影及小说创作素材 4.3. 威诺格拉德模式 4.4. 人工智能所面临的另一个类人挑战是理解人类世界,以及支配其中的许多约定俗成的规则 5. 通用人工智能 5.1. 强人工智能是人工智能故事中一个重要而迷人的部分,但很大程度上,它与当代的人工智能研究无关 5.2. 退而求其次的目标就是制造具有普遍人类智能水准的机器,现在,通常称其为通用人工智能(Artificial General Intelligence, AGI) 5.2.1. 即使这个次一级的目标,也是当代人工智能研究的边缘 5.3. AGI大致等同于一台拥有一个普通人所拥有的全部智慧能力的计算机,包括使用自然语言交流、解决问题、推理、感知环境等能力,与一个普通人处于同等或者更高等级的智能水准 5.4. AGI被认为是弱人工智能的弱版本 5.5. 让计算机完成某种特殊任务,有时候被称为狭义人工智能 5.5.1. 所谓的狭义人工智能,就是人工智能 5.6. 第一种是试图建立思维模型:有意识的推理、认知、解决问题的过程,我们在生活中都会用到的过程,这种方法被称为符号人工智能 5.6.1. 从20世纪50年代中期到80年代末,30多年的时间里,符号人工智能一直是构建人工智能体系最流行的方式 5.6.2. 它的过程是透明的:当机器人认为它应该执行“cleanroom(room 451)”操作时,我们可以理解为它知道即将做什么 5.7. 另一种模拟智慧的方式是模拟大脑,这是一种极端的可能性,即试图在计算机中模拟一个完整的人类大脑(也许还得包含完整的神经系统) 5.7.1. 人类的大脑是我们唯一确定能产生智慧的事物 5.7.2. 人脑包括大概1000亿个相连的神经元,我们对它们的成分、结构和如何运作的了解还达不到复制大脑结构的程度 5.8. 神经网络 5.8.1. 神经网络的研究可以追溯到人工智能出现之前,并沿着人工智能的主流研究发展 5.8.2. 正是神经网络研究在21世纪取得的突破性进展,才带来了目前人工智能研究领域的繁荣