從CS小白到侯世達高徒、CS教授、《複雜》作者,她這次再向世界展現 AI 十年思考 | 贈書(王飛躍力薦)

1.png

《GEB》啟蒙了人工智慧的發展熱潮,《生命3.0》重構了人工智慧的進化框架,《AI 3.0》將開啟新一輪人工智慧爆發的大戲。

作者 | AI科技評論
《AI 3.0》是暢銷書《複雜》的作者、《GEB》作者侯世達的高徒、波特蘭州立大學電腦科學教授、複雜系統前沿科學家梅拉妮•米歇爾耗時10年思考,釐清人工智慧與人類智慧的全新力作。侯世達曾逐章審讀本書,並為每一頁都寫滿意見。
2.png
本次,AI科技評論聯合湛廬文化,為同學們帶來這本新書的贈書活動!
 

1

結緣GEB

米歇爾的學術生涯頗為有趣。她本科是數學專業,畢業後在紐約市的一所預科學校教數學。但她過的並不開心,並一直在苦苦思索內心所愛。
直到有一天,她在《科學美國人》上閱讀到了一篇關於《GEB》的熱情洋溢的評論文章之後,立刻被買來這本書,如饑似渴地閱讀。在閱讀過程中,她越來越堅信,自己不但想成為一名人工智慧研究人員,並想與侯世達共事。「我從來沒有對其他任何一本書或一種職業有過如此強烈的渴望。」
Douglas Richard Hofstadter,中文名侯世達,美國學者、作家。他的主要研究領域包括意識、類比、藝術創造、文學翻譯以及數學和物理學探索。
3.png
侯世達因其著作《哥德爾、埃舍爾、巴赫》(GEB)獲得普利策獎(非小說類別)和美國國家圖書獎(科學類別),這本書在人工智慧界特別有名,並在豆瓣上獲得了9.4高分。

侯世達從數學、邏輯學、生命遺傳、大腦思維、人工智慧、甚至音樂、繪畫等許多不同領域對莫比烏斯帶進行了討論,使人們發現怪圈有著豐富的內蘊,它與自然、科學、人類、藝術都有著深刻的聯繫。此書也被電腦科學界和人工智慧界很多科學家所推薦,影響了一大批研究學者。據說,TensorFlow的logo也參照了這本書的封面設計。

4.png

但是,要當侯世達學生就意味著,從未上過哪怕一門電腦科學課程的米歇爾,要去申請印第安納大學電腦科學系教授侯世達的電腦科學博士學位。
聽起來真是異想天開,然而,米歇爾從小對電腦非常熟悉。她父親是20世紀60年代一家科技創業公司的硬體工程師,作為一項業餘愛好,他在家裡的書房裡組裝了一台大型電腦——一台像冰箱一樣大的「Sigma 2」機器,上面有一個磁性按鈕,寫著「我用FORTRAN祈禱」。

5.png

「Sigma 2」機器
當米歇爾還是個孩子的時候,她半信半疑地以為它確實是在祈禱,尤其在夜深人靜,家人都睡著的時候。20世紀六七十年代,隨著成長,米歇爾對當時流行的各種程式語言都略有了解:先是FORTRAN,然後是BASIC,再然後是Pascal,但她對規範的編程技術幾乎一無所知,更不用說那些對即將入學的電腦系研究生來說必須知道的知識了。
為了加快計劃,米歇爾在學年末辭去了教職,搬到波士頓,開始學習電腦科學的入門課程,來為新職業做準備。
開始新生活幾個月後的某一天,她在麻省理工學院(MIT)的校園裡等著上課,無意間瞄到了一張關於侯世達講座的海報,而且舉行時間就在兩天後。米歇爾相當激動,「我簡直不敢相信自己的好運。」
她去聽了這場講座,在一大群崇拜者中排了很長時間的隊後,終於和侯世達說上話了。原來他正在麻省理工學院度過他為期一年的學術假期,在這之後他會從印第安納州搬到密歇根州安娜堡的密歇根大學。
經過不懈的努力,米歇爾成功說服侯世達,成為他的研究助理。先是一個暑假,然後在接下來的6年里,米歇爾又成了他的碩士生、博士生,並最終作為密歇根大學的電腦科學博士畢業(論迷妹的正確追星姿勢)。這些年來,米歇爾和侯世達一直保持著密切聯繫,並曾多次就人工智慧進行討論。米歇爾和侯世達共同創建了Copycat程式,該程式可以在理想化的情境里進行創造性的類比。
如今,米歇爾已成為頗有影響力的人工智慧學者。她現在是波特蘭州立大學電腦科學教授,主要的研究領域為類比推理、複雜系統、遺傳演算法等。
6.png
在聖塔菲研究所時,米歇爾主導了複雜系統領域的研究工作,並教授了相關的在線課程。她的在線課程《複雜性入門》已經被近30 000名學生選修,成為Coursera排名前50位的在線課程之一。
米歇爾還是知名暢銷書作家,著有《複雜》(Complexity: A Guided Tour)(豆瓣評分9.0)、《遺傳演算法導論》(Genetic Algorithms)等。
7.png
 

2

AI 3.0

有些讀者可能讀過《複雜》,並且可能會想知道《複雜》和《AI 3.0》之間的關係。米歇爾解釋道:《複雜》這本書是對複雜系統科學的一個概述,複雜系統科學研究的是複雜行為如何從相對簡單的組成部分之間的相互作用中產生;而《AI 3.0》則是深度聚焦於複雜系統科學中的一些最難的問題,比如智慧的本質是什麼?研究者是如何創建智慧機器的?我們如何評判這一領域目前所取得的成就?今天的機器距離真正像人一樣來理解世界還有多遠?
在《AI 3.0》中,作者首先從人工智慧的發展歷程講起,然後從視覺識別、遊戲與推理、自然語言處理、常識判斷等人工智慧的4個主要應用領域來詳細闡述人工智慧的原理、當下的能力邊界,及其正在面臨的關鍵挑戰,書中關於人臉識別、無人駕駛、機器翻譯等方面的案例分析都充滿了含義豐富的啟示。
《AI 3.0》的英文版全名為《Artificial Intelligence:A Guide for Thinking Humans》,2019年,這本書甫一出版,就躋身亞馬遜「電腦與技術」暢銷書行列。
8.png
中文版由中國自動化學會監事長王飛躍領銜翻譯,並得到眾多名人推薦,包括Robust.AI首席執行官Gary Marcus、財訊傳媒集團首席戰略官段永朝、聯想集團高級副總裁芮勇以及理論物理學家、暢銷書《規模》作者傑弗里·韋斯特等。

9.png

譯者王飛躍教授與梅拉妮 · 米歇爾
10.png
段永朝表示,人工智慧類的圖書可謂汗牛充棟,大致可分為兩類:一類是給專業的工程師看的,另一類是給大眾的普及讀物,米歇爾的這部書介乎兩者之間。「它既有專業的技術闡釋,更有深刻的思想洞察。」
《AI 3.0》所要傳達的觀點是:我們人類傾向於高估人工智慧的進步,而低估人類自身智慧的複雜性。目前的人工智慧與通用的、人類水平的智慧還相距甚遠。我們應該感到害怕的不是智慧機器,而是「愚笨」的機器,即那些沒有能力獨立做決策的機器。相比於機器的「智慧」,我們更應關注如何規避「愚笨」機器的潛在風險。
這一觀點基於「侯世達的恐懼」。AlphaGo讓全世界炒作起了人工智慧,並進一步誇張化為「奇點爆炸」、「超級智慧」、「數字永生」等概念。侯世達對此不以為然,並直言「很討厭『人工智慧』這個辭彙」,他認為目前的人工智慧技術毫無智慧可言。
米歇爾的這部《AI 3.0》也以侯世達作為開篇和結語的思想經緯,為侯世達對人工智慧的萬般憂慮,做了一次深度的技術解析。
對人工智慧的種種討論,特別涉及到技術倫理、社會價值和發展前景的時候,一般總會停留在「悲觀」或者「樂觀」的選邊站隊層面,無法進一步深入下去。這不奇怪。技術專家們擅長的話語是數據、演算法、模型,社會學者和新聞記者們只能從技術的外部性、程式碼的背後之手、人性之善惡的角度,捍衛或者反對某種價值主張。對絕大多數非專業人士而言,由於搞不懂隱藏在反向傳播演算法、卷積神經網路、馬爾可夫過程、熵原理這些硬核知識背後的「思想內涵」,對人工智慧的理解和評判,就只能以「好與壞」、「善與惡」的視角進行。
講述技術視角的思想基礎,彌合理科生與文科生之間看待人工智慧的思想鴻溝,正是米歇爾這部書的價值所在。
米歇爾的論述,有這樣一個清晰的線條,她細緻分析了人工智慧在視覺、遊戲、機器翻譯等領域最新的進展後指出,迄今為止令人眼花繚亂的智慧突破,其實尚未觸及智慧問題的核心——自然語言理解和意義問題。

內容簡介

《AI 3.0》第一部分回顧了人工智慧超過半個世界的發展歷史。與一般人工智慧書籍不同的是,在概要講述「人工智慧的冬天」這一背景之後,米歇爾將注意力集中在「何以如此」這個關鍵問題上。
第二部分對分析了視覺領域的技術進展,這部分可用來理解人工智慧核心演算法演變的心路歷程。視覺領域廣泛使用的專業工具,是所謂「卷積神經網路」,這一領域的創立者包括日本學者福島邦彥,以及法國電腦科學家Yann LeCun(中文名字楊立昆)。對外行人來說,繁複的演算法過程遮蔽了其中包含的技術思想。米歇爾將其「拎出來」展現給讀者:所謂視覺識別,無非是訓練出某種演算法,使得機器可以「識別和命名它所『看到』的世界」的過程。Geoffrey Hinton開發出的AlexNet在ImageNet競賽中的強勢勝出讓深度學習一夜之間成為AI社區的大明星。然而,儘管有著巨大的成功,ConvNets距離真正的視覺智慧還很遙遠,比如依賴於大數據,受限於長尾效應,缺乏真正的視覺理解能力,存在偏見,容易被愚弄等。
第三部分的討論主題是遊戲人工智慧,用人工智慧演算法練習打遊戲,是挖掘演算法潛能、理解演算法機理的有效途徑。米歇爾為我們分析了著名的AI圍棋程式AlphaGo,並指出很多人工智慧應用的智慧表象的背後是強大算力和大數據的支撐,而遊戲AI在解決問題時,仍然缺乏對世界的完整理解,轉而依賴於目標函數本身。在第四部分討論的自然語言處理中,儘管語言AI或許更具有智慧的表象欺騙性,但AI的語言理解依然逃不出同樣的魔咒。
第五部分落到了「意義問題」上。米歇爾指出,理解的背後是意義。意義,是AI的真正障礙。至於是不是不可逾越的障礙,這可以成為激烈爭論的話題。但我感覺,米歇爾所闡述的意義問題,並不是說AI無法理解意義,也不是說AI無法創造出新的意義(當然這取決於你怎麼定義「意義」),而是說,AI對意義的理解是否在安全邊界之內——這其實是全書開篇「侯世達恐懼」的核心。
嬰幼兒理解這個世界的過程,是不斷地將自己的新奇感受,裝入成人的詞語世界的過程。這個過程也是絕大多數真實的認知歷程。當然也有「漏網之魚」。比如日益流行的網路用語,就突破了附著在傳統詞語上面的固有含義。意義的產生,既有漫長、深厚、難以細數的生活積澱,和約定俗成的「能指-所指」的任意配對兒,也有突破詞語邊界的「類比」和「象徵」——按米歇爾的導師侯世達的觀點,後者是「思考之源和思想之火」。(參見侯世達《表象與本質》)
借用Gian-Carlo Rota的話,米歇爾提出了這一根本性的問題:「我想知道AI是否以及何時將會打破意義的障礙」。
米歇爾並未直接了當地回答這個艱難的硬核問題。但她畢竟是侯世達的弟子。她從侯世達的思想中汲取營養:這個世界是隱喻式的。我們並非確鑿無疑地生活在符號世界中,我們生活在色彩斑斕的隱喻中。
侯世達在40多年前寫作偉大的作品《GEB》的時候,針對人工智慧自問自答了10個問題,侯世達對這10個問題的思考,更多地指向形式邏輯、符號演算和線性思維天然的不足之處:這一不足之處正在於,符號思維難以超越其內生的邏輯悖論。沒辦法,這是天生的。
米歇爾從侯世達的10個問題中提取了6個問題——看上去都是迫在眉睫的問題——並嘗試給出了自己的回答。米歇爾的回答只是多種意見中的一種。但勇敢面對這些基本問題,並持續展開深入思考和交流的時代,才剛剛開始。

目錄

引言 創造具有人類智慧的機器,是一場重大的智力冒險
第一部分 若想對未來下注,先要釐清人工智慧為何仍然無法超越人類智慧
01 從起源到遭遇寒冬,心智是人工智慧一直無法攻克的堡壘
  • 達特茅斯的兩個月和十個人

  • 定義,然後必須繼續下去

  • 任何方法都有可能讓我們取得進展

  • 符號人工智慧,力圖用數學邏輯解決通用問題

  • 感知機,依託DNN的亞符號人工智慧

  • 感知學習演算法,無法重現人腦的湧現機制

  • 學習感知機的權重和閾值

  • 感知機是一條死胡同

  • 泡沫破碎,進入人工智慧的寒冬

  • 看似容易的事情其實很難

02 從神經網路到機器學習,誰都不是最後的解藥
  • 多層神經網路,識別編碼中的簡單特徵

  • 無論有多少輸入與輸出,反向傳播學習都行得通

  • 聯結主義:智慧的關鍵在於構建一個合適的計算結構

  • 亞符號系統的本質:不擅長邏輯,擅長接飛盤

  • 機器學習,下一個智慧大變革的舞台已經就緒

03 從圖靈測試到奇點之爭, 我們無法預測智慧將帶領我們去往何處
  • 「貓識別機」掀起的春日狂潮

  • 人工智慧:狹義和通用,弱和強

  • 人工智慧是在模擬思考,還是真的在思考

  • 圖靈測試:如果一台電腦足夠像人

  • 奇點 2045,非生物智慧將比今天所有人類智慧強大10億倍

  • 一個「指數級」寓言

  • 摩爾定律:電腦領域的指數增長

  • 神經工程,對大腦進行逆向工程

  • 奇點的懷疑論者和擁躉者

  • 對圖靈測試下注

第二部分 視覺識別:始終是「看」起來容易「做」起來難
04 何人,何物,何時,何地,為何
  • 看與做

  • 深度學習革命:不是複雜性,而是層深

  • 模擬大腦,從神經認知機到ConvNets

  • ConvNets如何不將狗識別為貓

  • 激活對象特徵,通過分類模組進行預測

  • 不斷從訓練樣本中學習,而非預先內置正確答案

05 ConvNets和ImageNet,現代人工智慧的基石
  • 構建ImageNet,解決目標識別任務的時間困境

  • 土耳其機器人,一個需要人類智慧的工作市場

  • 贏得ImageNet競賽,神經網路的極大成功

  • ConvNets淘金熱,以一套技術解決一個又一個問題

  • 在目標識別方面,ConvNets超越人類了嗎

  • 我們離真正的視覺智慧還非常遙遠

06 人類與機器學習的關鍵差距
  • 人工智慧仍然無法學會自主學習

  • 深度學習仍然離不開「你」的大數據

  • 長尾效應常常會讓機器犯錯

  • 機器「觀察」到的東西有時與我們截然不同

  • 有偏見的人工智慧

  • 人工智慧內心的黑暗秘密以及我們如何愚弄它

07 確保價值觀一致,構建值得信賴、有道德的人工智慧
  • 有益的人工智慧,不斷改善人類的生活

  • 人工智慧大權衡:我們是該擁抱,還是謹慎

  • 人臉識別的倫理困境

  • 人工智慧如何監管以及自我監管

  • 創建有道德的機器

第三部分 遊戲與推理:開發具有更接近人類水平的學習和推理能力的機器
08 強化學習,最重要的是學會給機器人獎勵
  • 訓練你的機器狗

  • 現實世界中的兩大絆腳石

  • 09 學會玩遊戲,智慧究竟從何而來

  • 深度Q學習,從更好的猜測中學習猜測

  • 價值6.5億美元的智慧體

  • 西洋跳棋和國際象棋

  • 不智慧的「智慧贏家」深藍

  • 圍棋,規則簡單卻能產生無窮的複雜性

  • AlphaGo對戰李世石:精妙,精妙,精妙

  • 從隨機選擇到傾向選擇,AlphaGo這樣工作

  • 10  遊戲只是手段,通用人工智慧才是目標

  • 理解為什麼錯誤至關重要

  • 無須人類的任何指導

  • 對人工智慧而言,人類的很多遊戲都很具挑戰性

  • 它並不真正理解什麼是一條隧道,什麼是牆

  • 除去思考「圍棋」,AlphaGo沒有「思考」

  • 從遊戲到真實世界,從規則到沒有規則

第四部分 自然語言:讓電腦理解它所「閱讀」的內容
11 詞語,以及與它一同出現的詞
  • 語言的微妙之處

  • 語音識別和最後的10%

  • 分類情感

  • 遞歸神經網路

  • 「我欣賞其中的幽默」

  • 「憎惡」總與「討厭」相關,「笑」也從來伴隨著「幽默」

  • word2vec神經網路:口渴之於喝水,就像疲倦之於喝醉

12 機器翻譯,仍然不能從人類理解的角度來理解影像與文字
  • 編碼器遇見解碼器

  • 機器翻譯,正在彌補人機翻譯之間的差距

  • 迷失在翻譯之中

  • 把影像翻譯成句子

13 虛擬助理——隨便問我任何事情
  • 沃森的故事

  • 如何判定一台電腦是否會做閱讀理解

  • 「它」是指什麼?

  • 自然語言處理系統中的對抗式攻擊

第五部分 常識——人工智慧打破意義障礙的關鍵
14 正在學會「理解」的人工智慧
  • 理解的基石

  • 預測可能的未來

  • 理解即模擬

  • 我們賴以生存的隱喻

  • 抽象與類比,構建和使用我們的心智模型

15 知識、抽象和類比,賦予人工智慧核心常識
  • 讓電腦具備核心直覺知識

  • 形成抽象,理想化的願景

  • 活躍的符號和做類比

  • 字元串世界中的元認知

  • 識別整個情境比識別單個物體要困難得多

  • 「我們真的,真的相距甚遠」

結語 思考6個關鍵問題,激發人工智慧的終極潛力
  • 問題1:自動駕駛汽車還要多久才能普及?

  • 問題2:人工智慧會導致人類大規模失業嗎?

  • 問題3:電腦能夠具有創造性嗎?

  • 問題4:我們距離創建通用的人類水平AI還有多遠?

  • 問題5:我們應該對人工智慧感到多恐懼?

  • 問題6:人工智慧中有哪些激動人心的問題還尚未解決?

3

精彩樣章

第二部分

11.png

13.png

15.png

第五部分

17.png

[贈書福利]

AI科技評論本次聯合湛廬文化為大家帶來8本《AI 3.0》正版新書。

在本文留言區留言,歡迎大家暢所欲言,談一談你對人工智慧近年發展、當前困境的看法,或對人工智慧未來趨勢的看法。

 

AI科技評論將會在留言區選出 3 名讀者,每人送出《AI 3.0》一本。

另外,讀者可以到AI科技評論微信公眾號3月7號同名文章留言區留言,AI科技評論將會在留言區選出 5 名讀者,每人送出《AI 3.0》一本。

 

掃描下方二維碼,關注AI科技評論微信公眾號(ID:aitechtalk):

1.png

活動規則:

1. 在本文留言區留言,在綜合留言品質(留言是敷衍還是走心)和留言點贊最高的讀者中選出3位讀者獲得贈書。獲得贈書的讀者請聯繫 AI科技評論客服(aitechreview)。

2. 留言內容會有篩選,例如「選我上去」、「這書寫的很棒(僅僅幾個字)」等內容將不會被篩選,亦不會中獎。

3. 本活動時間為2021年3月8日 – 2020年3月13日(23:00),活動推送時間內僅允許贈書福利中獎一次。