谷歌高管自黑：逼得李世石退役的阿尔法狗真的不算啥

如果不能确定今天的技术比，昨天的更聪明，怎么会知道技术进步了呢？...

凤凰网科技官方账号，带你直击真相

出品 | 凤凰网科技 凤凰新闻客户端

作者 | 霜叶

在计算机科学领域，衡量人工智能技术的“智能”是最棘手，也是最重要的问题之一。如果不能确定今天的技术比昨天，的技术更聪明，怎么会知道技术，有了进步呢？

乍一看，这似乎是一个伪命题。“很显然，人工智能越来越聪明”是一个答案。有大量资金和人才涌入，人工智能领域，人工智能也获得了一些里程碑，意义的进展，例如战胜顶尖人类围棋，选手；一些在10年前还，不可能解决的问题，目前已司空见惯，例如图像识别。这些都标志着人工智能取，得了很大进步。

另一种答案是，这些进步真心不是衡量，人工智能技术“智商”的好指标。在国际象棋和围棋领域超过顶尖人类，选手确实很了不起，但如果最聪明的计算机在解决，常见问题方面的表现还不如幼儿或小白鼠，这又有什么意义呢？

这是由谷歌软件工程师、机器学习领域大腕弗朗，科斯·乔列特（François Chollet）提出的一种观点。乔列特(乔列特)是得到广泛应用的神经，网络开发工具keras的开发者。

在最近发表的一篇标题为《智商的衡量》的论文中，乔列特阐述了一个观点，人工智能领域需要重新关注什么是，智商的问题。他说，如果研究人员想要在，通用人工智能领域取得进步，他们需要抛弃过去，流行的指标，例如视频游戏和棋类游戏，开始考虑使人更聪明的，技能，例如归纳和适应的能力。

在接受The Verge电子邮件采访时，乔列特(乔列特)解释了，他在这一问题上的想法，阐述了他认为当前人工智能，成就具有“误导性”的原因、未来我们应当，如何衡量人工智能“智商”，以及对超级人工智能的，担忧（代表人物就是埃隆·马斯克(Elon Musk)）会限制公众想象力的原因。以下是略经编辑的，采访实录：

问：在论文中，您阐述了人工智能，领域两种不同的“智能”概念，一种概念把“智能”视作在多种任务方面表现，出众的能力；另一种概念更重视归纳，和适应的能力——人工智能对新挑战(新，挑战)作出反应的能力。目前哪种概念影响力更大，后果是什么？

答：在人工智能发展的前30年，第一种概念更有影响力：智能表现为一组静态程序和，明确的知识。目前，事情发生了180度的变化：人工智能领域对智能的，描述是 “白板”。令人遗憾的是，这一框架基本上，没有遇到过挑战，甚至基本上没有受到过，审视。这些问题有很长的历史——可能是数十年，目前人工智能界对这些历史，基本上一无所知，原因也许是目前从事深度学习工作的，大多数人都是在2016年以后进入这一领域的。

这种知识垄断不是好事，尤其是对知之甚少，的科学问题的答案而言。它限制了人们的质疑，限制了人们创新的空间。我认为目前研究，人员应该认清事实。

问：在论文中，您还提出了一个观点：要想进步，人工智能领域需要对智能，有一个更好的定义。您认为，研究人员目前专注于静态(于静态，)测试性能，例如在玩游戏和下棋方面，战胜人类。您为什么认为这种衡量，智能的方法存在不足？

答：问题在于，一旦选定一个指标，人们会想尽一切办法改进，人工智能在这一指标上的表现。例如，如果把下国际象棋作为，衡量人工智能技术智能的指标（在1970至1990年代，期间就是如此），最终会得到一个下棋系统，它不会擅长完成其他任务，对我们了解人类，智能没有任何帮助。目前，开发擅长玩《Dota》或《星际争霸》等游戏的人工智能技术，也会落入完全相同，的智能陷阱。

这种情况或许不明显，因为对于人类而言，技能和智能密切相关。人类可以利用其通用智能获得与具体，任务相关的技能。一个人棋下得很好，会被认为具有相当高，的智能，因为我们知道，他下棋的技能并非天生的，而是借助通用智能，逐步学会下棋的。他的人生目标不是下棋。我们知道，他可以利用通用智能高效地，学会完成其他任务所需要的技能。这就是通用智能的威力。

但机器存在一些限制。一台机器可以设计为，专门用来下棋的。因此，我们在人类中获得的推断——“会下棋，所以一定具有智能”——就不成立了。通用智能可以生成完成，特定任务的技能，反之则不成立。对于机器而言，技能不等于智能。只要能获得与特定任务相关，的无限数据（或投入无限的工程资源），机器就可以掌握，完成任务的技能。但这不会使它们向通用智能，迈近一步。

关键的一点是，没有一种任务能让机器，获得通用智能，除非是元任务——通过解决大量以前未知的，问题获得新技能(新技能)，而这正是我提议的衡量人工智能，技术智能的指标。

问：既然目前这些指标无助于开发具有通用，智能的人工智能技术，为什么它们会被广泛应用？

答：毫无疑问的是，在知名游戏中击败顶尖，人类玩家的人工智能技术开发，主要是由媒体推动的。如果不是公众对，这类华而不实的“里程碑”感兴趣，研究人员会从事其他，更有意义的工作。

我认为这是令人悲哀的，因为科学研究应当解决尚未解决，的科学问题，而不是作秀。如果着手借助深度学习在《魔兽争霸III》中战胜顶尖人类玩家，只要获得足够的工程，技术人才和计算能力，我肯定会成功。不过，即使完成了这一目标，我对智能或归纳，会有新的认识吗？这一问题的答案显然，是否定的，大不了我只是会对大规模深度，学习系统有更多技术方面的了解。因此，我真的不认为，这属于科学研究的范畴，因为它没有使我们，获得新的知识，没有解决任何，悬而未决的问题。

问：您如何看待这些，项目的实际成就？对它们的错误，认识有多严重？

答：我发现的一个完全错误，的认识是，这些会玩游戏的系统，代表着人工智能技术向着能够应对实际世界复杂性，和不确定性的真正进步，其实完全不是这样。以OpenAI的OpenAI Five为例，它首先无法应付《Dota 2》的复杂性，因为它是用16个游戏角色，训练出来的，而整个游戏包含有(，包含有)逾100个角色。它的训练量相当于人类，玩了4.5万年《Dota 2》。

如果希望人工智能技术有朝一日能，处理现实世界的复杂性和不确定性，我们现在就必须开始考虑，这样的问题：什么是归纳？在学习系统中如何衡量和，使归纳最大化？这与利用10倍的数据，训练大型神经网络根本不是一回事。

问：更好地衡量智能的指标，是什么？

答：总之，我们需要停止评估人工智能技术，在完成特定任务中的技能，而开始评估它们获得技能，的能力。这意味着仅使用系统，之前不熟悉的新任务，衡量系统使用先验知识的能力以及，使用样本的效率。为获得给定技能，所需要的信息（先验知识和经验）越少，系统就越智能。目前的人工智能系统并非真，的非常聪明。

[我最近的一篇论文]提出了新的测试数据集ARC，看起来很像智商测试。ARC包含一系列推理任务，每个任务通过，演示进行解释，我们应该利用，演示完成任务。目前，ARC可以被人完全完成——即使没有任何口头解释或，先验训练，但迄今为止没有一项人工智能，技术能通过这一测试。

问：您认为只堆积算力人工智能技术可以，继续发展吗？有些人认为，从历史上看，这一直是提高人工智能系统性能的，最成功方法。而另一些人认为，如果继续只依靠堆积算力，我们很快会发现收益会，出现递减。

答：对于解决特定任务而言，这绝对是千真万确的。在一个垂直任务上，投入更多训练数据和算力，将使任务完成得更漂亮。但对于提高人工智能系统，的归纳能力来说，增加算力无济于事。

以自动驾驶汽车为例，数以百万计的训练，不足以生成能够安全驾驶汽车，的端到端深度学习模式。这就是为什么l5级自动驾驶汽车，还没有问世的原因。如果深度学习模型会推理，l5级自动驾驶汽车早，在2016年就该问世了。

问：鉴于您讨论了当前，人工智能系统面临的约束，我想问一下您对超级，智能的看法——担心异常强大，的人工智能系统，会在不远的将来威胁人类，您认为这样的，担心合乎情理吗？

答：这一问题的答案是否定的，我不认为有关超级，智能的说法有理有据。我们从未开发出完全，自主的智能系统，也没有任何迹象表明我们在可预见的未来，能够开发出这样的系统。当前人工智能技术的进步，不会导致这样的系统。即使在遥远的未来能够开发出，这样的系统，目前我们也绝对没有办法推测，它的特点。

参考资料：

https://www.theverge.com/2019/12/19/21029605/artificial-intelligence-ai-progress-measurement-benchmarks-interview-francois-chollet-google

想看深度报道，请微信搜索“iFeng科技”。

更多一手新闻，欢迎下载凤凰新闻客户端订阅凤凰网科技。

我就知道你在看！