智能行为
实现自动化的发展既需要人类的进步,也需要自动驾驶汽车的发展,它的发展并不是递进式的,会有退步,也会有突破。我们相当于在引入一个新物种,不只与它分享所走的道路,也与它分享我们所处的世界。
所以,我们需要给接下来要探讨的自动驾驶汽车和驱动它的人工智能下一个准确的定义。自动驾驶汽车最特别的地方,在于它可以利用人工智能从经验中学习,这与编程计算机的作用原理存在显著差异:程序是由人编写的,代表了计算机完成一项任务所要遵循的全套规则,这些规则可能很复杂,但是是有限的,是人可以理解的。换言之,当计算机做决定时,它是基于这些规则的,人们可以据此追溯,从而理解它做这个决定的原因。但很快我们就会发现,对人工智能来说不是这样。
当计算机或任何设备可以从经验中学习时,往往马上会被归类为智能设备,但各种形式的人工智能构成了一套远非传统编程所能及的解决方案,我们需要对这些形式的人工智能做一个清晰的界定,并在此基础上进一步挖掘自主性的定义。
此处不再深究人工智能的悠久历史和诸多影响,尽管那些话题会很有意思,但多数已有相关论著或有人正在写作相关内容。如果你想了解美国国家科学与技术委员会(National Science and Technology Council,简称NSTC)开发人工智能的速度,《为人工智能的未来做好准备》(P reparing for the Future of Artificial Intelligenc )[12] 是最好、最简洁的可用资源。如果本书内容不能满足你对于人工智能的兴趣,我们推荐你读一读《为人工智能的未来做好准备》这本书。本书的目的是建立一个基础,让你可以了解人工智能的工作原理和背后的原因。
我们主要讨论三种人工智能:机器学习、狭义的人工智能和广义的人工智能。我们会把自动驾驶汽车作为探讨的背景,希望在这个过程中能揭开人工智能的神秘面纱,揭示某些夸大机器发展的反乌托邦观点,这些误导很容易引发人们对未来的恐惧。首先我们要介绍人工智能最基本的形式——机器学习。
跟编程计算机一样,机器学习始于计算机遵循的一套基本规则,我们称之为培训规则(training rules),同时还设有一个目标,以确定这些规则是否应用得当,是否达到了预期的效果。传统的编程与人工智能的不同之处在于,能够进行机器学习的计算机可以通过经验积累规则(这是它的编程过程),在执行规则的过程中,运用统计模型决定规则组合在指定情形下的效果,以最好地实现目标。例如之前介绍过的AlphaG o,它在围棋比赛中采用了政策网络和价值网络,政策网络定义了可能的选择,价值网络则定义了最好的选择。
多数人很容易想到一个简单的类比,就是学习骑自行车。回想一下刚开始学习骑自行车时的经历,你或许会回想起来或至少也能想象得到,为了能够在自行车上坐直不失控,你需要在心里记住一大堆规则,多到让你感到手足无措。相信要列出实现学会骑自行车这个目标的各种规则对你来说一定苦不堪言。
这些规则包括:该怎么蹬踏板、何时蹬、以什么速度蹬,如何协调身体保持平衡,观察周围环境和路况,路面是否潮湿或有沙子,是否存在障碍物,交通状况如何,是白天还是晚上,是多云还是晴天,有没有刮风,等等。而要考虑的还不止这些,最终的目的只是让身体一直保持直立的状态,利用车轮的回转效应前进,不从车上摔下来。
你本来就知道这些对不对?你没有摔倒,是因为你自己具有保持平衡的能力,再加上自行车车轮产生的回转效应,让你可以一直骑着往前走,不至于摔倒。这也在一定程度上解释了,当你骑车准备右转弯时,为什么身子要先右倾,同时车把手稍微向左转向,以便对你和车产生向右的推力,这时你会握紧车把完成转弯。这听起来很绕,非常反直觉,因此,除非你马上骑上自行车试试,否则绝不会相信这番话。不过你其实一直都是这样做的。我们想要说明的就是,人类的大脑知道那些已经被实践证明行之有效的做法,只是人们自己意识不到而已,或甚至不知道为什么这么做就是对的。而智能设备的作用,很大程度就是略过人们行为的细节,直接达到预期的结果,它无须了解人们行为背后的原因,总之就是达到了目的。
随着逐步学习,你的知识进一步丰富,可以处理越来越多的新情况,最终你不仅能够驾轻就熟地骑自行车,还学会了很多花式骑车的方法——站立骑车、放把骑车、坐在车把上骑车,并且对各种情况都能应对自如,这的确很有意思。到了这个时候你才真正相信自己,因为你凭本能可以判断,自己十有八九能做到保持身体坐直不失控,一切尽在掌握之中。确实如此,所有的信任都始于有足够的自信能够预测结果,这种预测通常以达到某实验数据临界量为基础,但别被实验这个词吓到,不是说你要有第一手的实验资料,而是你有过的类似经历或听说过他人屡试不爽的类似经历。
很明显,到了这个阶段,你已经对骑自行车了如指掌了。若干年以后,发生了一件很让人受挫的事。突然到了你要把这些知识传授给你的子女、侄女、侄子或孙子女的时候,你会给他们列出自己学骑车时遵守的成百上千甚至成千上万的规则吗?当然不是,就算你真想这样做,也是心有余而力不足,因为规则实在太多了,而且其中大部分是你根本没有意识到的。那么他们是怎么学的呢?用跟你一样的办法,通过积累成千上万次的经历,尝试成千上万的小动作,就是为了实现保持平衡这个目标,并且为了消除他们的恐惧,你很可能会对他们说:“相信我,你一定会找到诀窍的。”
这也同样适用于人工智能。人工智能要学会开车,那么它应该也会“思考”,但其实它并不会,至少不能像人类一样思考,这是大众经常存在的误区。其实,人工智能遵循一套规则,受各种复杂变量的支配,其复杂程度远远超出我们的理解,这就是我们称之为人工智能的原因;它做的决定虽然不能让人一眼看穿,但最终还是取得了理想的效果。这并不是说它遵守的规则是无限的(即使这套规则一直在扩充),而是如果要尝试拆解每一个决定,弄清楚其中的每一个细节,是不现实的。lvl5(level 5,意指5级自动驾驶)是一家专为自动驾驶汽车做3-D地图的公司,该公司的CEO安德鲁·科里(Andrew Kouri)表示:
(自动驾驶)汽车并不是真的会思考,它只是按照指令行事,有时候很难理解它为什么会按照这样的指令行事,这涉及再现大量的输入指令,比如,真的是晴天吗?还是因为太阳处在某个角度?
这样挑战就变为了“我怎么能再现一模一样的情景,让它再来一次?”好让我发现问题出在哪儿。
人工智能的表现和做决定的过程十分复杂,但这并不会让决定本身彰显意识、产生直觉或具备魔力,只会让它显得难以理解。正如你无法列举学习骑自行车需要注意的所有规则一样,你只能跟要学骑车的新手说:“相信我,你一定能找到诀窍的。”
如果人工智能未曾接受过相关培训,它就无法做出相应的决策。我们再借用一下学习骑自行车这个类比,你可以骑自行车,并不意味着你就可以驾驶汽车或飞机。你甚至不能从操作两轮的交通工具转向操作独轮车,因为你需要先学习一套全新的规则。
这就是“狭义的人工智能”,它只是针对某一特定任务。例如,自动驾驶汽车在行驶途中识别物体、谷歌DeepMind开发的AlphaGo等,都属于这一类人工智能。
狭义的人工智能是目前应用的最先进的人工智能,它可以接受培训,学会如何完成任务,并通过练习越做越好。因为是人工智能自己进行学习(而不是由人类对其进行编程),所以我们也不清楚它为什么会做某个决定。当然,并非我们完全不能理解,只是操作起来不现实。这是否会让人工智能变成人人畏惧的黑匣子,因为它做决定时用到了某些超人类的能力?实际上并非如此。但很多关于人工智能的争议就是这样产生的。
比如,2017年,脸书人工智能实验室(Facebook Artificial Intelligence Research,简称FAIR)有一段广为流传的小插曲,关于两个人工智能聊天机器人完成一项谈判任务。为了遵循机器人使用的逻辑,工程师训练机器人用英语交流,但是还没有具体到用符合人类理解的英语。让人意想不到的事情发生了,机器人间的交流脱离了人们认可的语法,于是有了下面这段对话[案例中的机器人分别叫鲍勃(Bob)和艾丽斯(Alice)]:
鲍勃:我能我我任何别的事情
艾丽斯:球有零给我给我给我给我给我给我给我给我给鲍勃:你我任何别的事情
艾丽斯:球有一个球给我给我给我给我给我给我给我给我机器使用的是一种简略的表达方式,这是机器人的典型行为,然而工程师打断了它们,想要通过一个新目标,激励机器人使用恰当的用词习惯和句子结构,以及人类可以理解的语言。
对脸书的工程师来说,这没什么大不了,无非是继续在实验室进行研究罢了。然而,此事传出以后,引发了媒体界一片骚动,各大头条大肆宣传,要求脸书的工程师必须停止人工智能的开发,以免世界遭受机器入侵。这样的担心完全是子虚乌有,但对头条标题党来说,恰好可以借此大做文章。
实际上,技术恐慌早就不新鲜了。阿德里安娜·拉弗朗斯(Adrienne LaFrance)曾在《大西洋月刊》中描述过人对计算机的恐惧:“电话刚出现时,人们怀疑这个设备能否用于跟死者沟通……人们总是对巨大的技术变革满腹狐疑,或者说对任何改变都满腹狐疑。千真万确,改变总是带着一阵阵的焦虑。”[13]
《大西洋月刊》还曾发表过另一篇文章,让1 500人分别对88种事项进行排名,害怕程度从1(最不害怕)到10(最害怕),通过累加统计出最终结果后发现,技术竟排名第二,第一是自然灾害。据统计,死亡也在这88种事项之列,排名居中。看来任何确定性的事项,甚至连死亡都要比不确定性好,这是人类未能真正理解人工智能的一种表现。
狭义的人工智能是指解决活跃多变且具有不确定性,同时有具体目标的那类问题。但对于本身就不确定的问题,没有唯一的解决方案。人工智能也会犯错,就跟人类一样,因为它面对的是那些不能百分之百得到解决的问题。回顾一下第二章中对新兴系统的探讨,人工智能是针对新兴问题的新兴解决方案,无论是设备还是人类都不曾停下学开车的步伐,在这个过程中你只会越来越熟练,但永远不可能经历所有可能的情况。不过,你体验得越多,就越相信自己的判断和处理新挑战的能力。
与狭义的人工智能相对,我们把另一种形式的人工智能称为“广义的人工智能”。这是一种把学习能力应用于广泛领域的能力,这里没有具体的目标,因为目标也是学到的。自然广义学习(natural generalized learning)最典型的例子就是人类,人类首先是学会学习,接着再去学习我们想要或需要深入了解的具体领域,然后再设定目标,并调整行为以实现目标。尽管深入探讨广义的人工智能肯定趣味无穷,但我们不打算在这个话题上进行深入探讨,因为我们相信未来5年,它在学术界和实验室以外的影响会非常小。尽管如此,区分广义的人工智能和狭义的人工智能还是很重要的。但由于我们对广义的人工智能没有实际经验,所以对它的大部分探讨只能停留在概念层面。
那么,这就又回到了将人工智能应用于自动驾驶汽车领域的话题上。自动驾驶汽车跟人工智能一样,并没有某一特定类型的自主权。
本书评论