人工智能初学者入门指南：什么是强AI？

　　编者按：目前AI被笼统划分为“弱人工智能”、“强人工智能”、“超人工智能”三个类别。甚至在很多业内专家（比如洪小文）眼中，只有“强”、“弱”AI的区别，因为“超人工智能”离我们实在还很远，难以捉摸。这样的笼统分类显然不利于大众对于各项AI技术进行认识和理解。因此，一些专家开始提出基于技术难度和AI智能水平的分类、分级方法。其中，美国学者Arend Hintze提出了对AI的四级分类，而最近，Intuition Machine联合创始人Carlos Perez又提出了针对深度学习的五级分类。这些分类方法对各层次AI技术进行了简单的归类，有助于初学者更好地认识AI 。

　　这是最基本的AI类型，无法产生记忆，不能利用过去的经验做决策。它们是“专才”而非“通才”，为完成特定任务所设计，不能胜任其他任务。

　　当前行为能够参考刚刚发生的事件。但记忆是瞬时的无法用于未来决策。

　　这是一个心理学术语，意思是能根据他人行为，推导、并理解他们的想法和动机。这一类型的AI能够归纳出周围环境、和与之交互的其他代理的“表征”（ representations，AI术语，详见“表示学习”）。

　　对此，AI专家Carlos Perez表示，他喜欢这个四分类法远远超过目前广泛使用的“强人工智能vs弱人工智能”二分类法（ps：或者再加上“超人工智能”成为第三个类别）。Arend Hintze的方法把弱AI 分为三个类别（响应式，有限记忆，心智理论），这给了我们更多概念，来区分不同的AI 应用。但Carlos Perez 又评论道，该分类法似乎来自于 “GOFAI” 思路（老式AI），潜台词是它已经过时了；另外，从有限记忆、能够使用部分过去记忆做决策到心智理论，这步子迈得太大了。

　　于是，Carlos Perez 提出了他自己的AI 分类方式，按能力把 AI 划分为五个级别。他表示，该分类法主要针对深度学习，希望对 AI 从业者来说更细致、更有用。它能帮我们看清楚 AI 目前在哪个阶段，以及将来会走向何方。

　　Perez 表示：“对当前 AI 技术进行评估，我们缺少一个好的概念框架。这可能只是由于大多数 AI 评论人无法跟上最新的深度学习进展需要读的东西太多，而且最新发现不停刷新我们现在对 AI 的理解。”

　　该级别包含全连接神经网络（ fully connected neural network ，FCN），卷积神经网络（convolution network，CNN）和它们之间的各种组合。这些系统把一个高维度矢量作为输入，得到单个结果，一般是对输入矢量的分类。

　　你可以把这些系统看成无状态函数，意味着它们的行为只是一个针对当前输入的函数。一个热门研究领域生成模型，就属于该类别。简单来讲，这些系统凭它们自己是十分强大的。

　　这个级别包含 “C 层”网络中整合的记忆因素。LSTM 就是一个例子：记忆单位嵌入在 LSTM 节点中。其它类似的变形还有，神经图灵机器 (NMT) 和 DeepMind 的可微分神经计算机（DNC）。在对行为进行计算时，这些系统会维持状态恒定。

　　该级别与 CM 有些相似。但 C 层网络能获取的信息不是原始内存，而是符号化的知识库（symbolic knowledge base）。雷锋网获知，事实上 Carlos Perez 就发现了三种符号化整合：1. 转移学习方式（ transfer learning approach）；2. 自上而下方式 ；3. 自下而上方式。第一种方式用一个符号化系统作为正则化矩阵（regularizer）。第二种方式在神经表征底层的最上层加入了符号化元素。第三种方式跟这相反，C 层网络直接与符号化知识库关联。

　　在这个级别，系统直接建立在 CK 之上，但是，它已能够使用不完美的信息做推理。这类系统的代表是 Alpha Go。只是 Alpha Go 采用的不是 CK 而是 CM 级别的能力。正如 Alpha Go，这类系统能通过与自身的对抗模拟来训练自己。

　　这个级别和 Arend Hintze 的“心智理论”类别十分近似，多个代理神经网络联合起来解决问题。这些系统被设计来完成多项目标。我们其实可以在对抗网络中运行它的原始版本：与判别器和生成网络一起学习归纳。在博弈论驱动的、能战略战术性解决多重问题的网络上应用该概念，就能得到高度灵活的系统。但是，我们现在还达不到这个水平，前面那些级别仍需要很多研究来完善。

　　每一层级别，都带来了上个级别没有的新能力。比方说，C 层系统只能预测反因果关系（anti-causal relationships）。 CM 级别的系统能完成不错的翻译。CIK 级别系统能玩战略游戏。

　　我们可以看出，除了没有“自我意识”级别，这个分类法和 Hinzte 四级分类高度相似。在这些“基础”级别全部达到之前，Carlos Perez 不准备探讨自我意识。这个分类同样没有提到零样本学习（zero-shot learning）、一步学习（one-shot learning）或者无监督学习。据雷锋网所知，后者仍然是 AI 基础挑战之一。正如 大牛 Yann LeCun 所形容：

　　“假设机器学习是一个蛋糕，强化学习是蛋糕上的一粒樱桃，监督学习是外面的一层糖衣，无监督学习则是蛋糕糕体。我们知道怎么做糖衣和樱桃，但不知道怎么把糕体做出来。”

　　在最近的演讲里，Yann LeCun 开始用预测学习（predictive learning）来替代无监督学习。这是一个很有意思的转变：它展示出 LeCun 在如何做蛋糕这个问题上，观点发生了微妙变化。在他眼里，这是 AI 技术大幅进步所必需的基础。换句话说，在建设好预测学习的地基之前，在现有监督学习的基础上加入更多记忆、知识库、协作代理这些能力会十分困难。

　　这些能力在反馈回路里用到时，都利用了加速器技术。我们其实在现在的研究中看到过这类元学习（meta-learning）或是学习优化（learning to optimize）。元学习技术带来的主要启示是：当我们能训练机器找出用其它方法找不出的解决方案，研究方法会变得更强大。

　　这就是为什么，即便深度学习研究有许多难题，我们也无法确定技术进步的速度。但在预测学习领域发生重大突破之前，Perez 的五级分类法应该已经够用了。至于 AI 业内人士如何看待这个新提出的分类法，我们会继续关注。

　　每日头条、业界资讯、热点资讯、八卦爆料，全天跟踪微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与，TechWeb官方微博期待您的关注。