Alex Wissner-Gross博士戴著(zhù)很多帽子：他在波士頓經(jīng)營(yíng)一家名為Gemedy的公司，專(zhuān)注于人工智能(AGI)，他在哈佛大學(xué)和麻省理工學(xué)院有過(guò)許多學(xué)術(shù)任命，并且為許多政府機構提供建議。他的目標是確保通過(guò)經(jīng)濟重新分配人工智能(AI)的利益。您會(huì )認為，具有這些頭銜和角色的人會(huì )釘上AI的定義。事實(shí)證明，對AI定義問(wèn)題的答案由于一個(gè)事實(shí)而變得復雜：我們沒(méi)有對智能本身的精確定義。
數據驅動(dòng)智能的挑戰
在最近的AI Today播客中，Alex Wissner-Gross教授更廣泛地分享了他對AI和智能的見(jiàn)解。幾年前，Alex問(wèn)自己關(guān)于A(yíng)I的限制因素的知識，并開(kāi)始研究AI的許多關(guān)鍵進(jìn)展，并找到了一個(gè)有趣的模式。盡管許多人認為算法或數據量可能是推動(dòng)AI研究發(fā)展的限制因素，但他發(fā)現，以越來(lái)越高的計算消耗將數據強加到算法中可能并不是實(shí)現AI突破的真正限制因素。
Wissner-Gross博士希望加速更高級形式的AI的出現。他著(zhù)眼于語(yǔ)音識別，下象棋算法，識別系統以及其他最先進(jìn)的AI實(shí)現方面的進(jìn)步，以確定可能出現的任何模式。他發(fā)現要解決這些基于A(yíng)I的挑戰的三個(gè)因素中，算法往往會(huì )引起最多的關(guān)注。但是，算法僅是AI限制因素的三類(lèi)因素之一。另外兩個(gè)是訓練數據集和訓練環(huán)境，第二類(lèi)是原始計算限制。
Alex發(fā)現，正在開(kāi)發(fā)的用于解決挑戰的算法與解決大挑戰的數據集之間的可用性時(shí)間差異幾乎有一個(gè)數量級。在某些情況下，用于訓練AI應對這些挑戰的數據集僅在解決挑戰之前一兩年可用。亞歷克斯(Alex)認為，由于其他兩個(gè)因素往往過(guò)分強調，因此數據集不受歡迎。很自然地推測，有必要關(guān)注該領(lǐng)域的數據集和策展環(huán)境，以推動(dòng)AI的進(jìn)一步發(fā)展并在此基礎上展開(kāi)競爭。但是，為解決更棘手的問(wèn)題而對越來(lái)越大的數據集的追逐可能會(huì )錯位。
Wissner-Gross博士的物理學(xué)博士學(xué)位與專(zhuān)注于“智能物理學(xué)”的計算機科學(xué)相交。他比人類(lèi)通過(guò)嘗試理解智能的現象學(xué)或物理學(xué)而不是智能的機理，對加速超級智能的興起最感興趣。如果您看看自動(dòng)動(dòng)力飛行花費了幾個(gè)世紀，而不是了解飛行的基本物理原理，那么可以說(shuō)人類(lèi)可能早在幾個(gè)世紀之前就已經(jīng)接受了這項技術(shù)。
亞歷克斯研究智力的物理等價(jià)物，并致力于獨立于智力過(guò)程的生物學(xué)限制而對其進(jìn)行優(yōu)化。他能夠確定一個(gè)物理規則，該規則可以基于將智力視為試圖“最大化未來(lái)行動(dòng)自由”的過(guò)程的基本原理來(lái)再現關(guān)鍵的動(dòng)物智力測驗。
根據維斯納·格羅斯(Wissner-Gross)的說(shuō)法，這是一個(gè)簡(jiǎn)單明了的概念，可以封裝成方程式，該方程式可用于各種環(huán)境：從動(dòng)物界到金融市場(chǎng)或電子游戲。他認為這是一種新的智力方法，其重點(diǎn)是從根本上理解智力的本質(zhì)以及其行為的原因。他的理由是，智能本身必須具有進(jìn)化的原因，因此，了解智能的潛在進(jìn)化動(dòng)機可能會(huì )解開(kāi)在計算機中復制智能的秘密。與理解動(dòng)力飛行的基本物理原理相似，亞歷克斯認為，理解使未來(lái)行動(dòng)自由最大化的智能基礎過(guò)程可以被視為智能系統實(shí)際的基本物理過(guò)程。
這種對智力的定義比其他人可能描述的更為具體。從亞歷克斯的角度來(lái)看，智能的基礎是保持選擇權開(kāi)放的過(guò)程。他認為，與其他定義相比，例如在某些環(huán)境中基于獎勵結構的智力或能夠學(xué)習某些環(huán)境的智力，該定義更有利于智力的發(fā)展。從他的角度來(lái)看，這些其他定義太狹窄了，因為智力需要能夠在沒(méi)有明確獎勵的環(huán)境中運行，或者學(xué)習的性質(zhì)不同，而不僅僅是加強學(xué)習。
智力和自私的基因
亞歷克斯(Alex)引用了理查德·道金斯(Richard Dawkins)的著(zhù)名著(zhù)作《自私的基因》，該書(shū)描述了一個(gè)有趣的概念，即在我們周?chē)氖澜缰?，有兩個(gè)穩定的系統：(1)通過(guò)招募周?chē)纳矬w進(jìn)行復制而自我復制的基因;(2)通過(guò)永久性穩定的基因。智能實(shí)現了穩定性的第二種形式。智能系統能夠適應其環(huán)境的變化，并通過(guò)這些適應得以生存。
看上述內容的另一種方法是看由史蒂文·平克(Steven Pinker)推廣的認知適應性利基原理?；靖拍钍?，進(jìn)化善于適應時(shí)間尺度長(cháng)于復制時(shí)間的環(huán)境變化。如果您在培養皿中有細菌，并且在時(shí)間尺度上改變環(huán)境的時(shí)間長(cháng)于要復制的細菌，則細菌可以適應其環(huán)境。但是，如果您改變環(huán)境的速度快于繁殖時(shí)間，那么細菌將沒(méi)有時(shí)間適應其環(huán)境。這在自然進(jìn)化中留下了空白，被稱(chēng)為認知適應性利基市場(chǎng)。生態(tài)位只能由能夠以環(huán)境可能適應的方式內部模擬的生物填充。因此，與其依靠繁殖來(lái)依賴(lài)生物體的復制，以使某些生物在環(huán)境變化時(shí)能夠生存，您可以在內部進(jìn)行更改以模擬環(huán)境適應的可能方式，這種方式可以更快地發(fā)生。心理模擬比物理世界的變化要快得多。
以全新的視角應對AI挑戰
亞歷克斯看好未來(lái)五年內應對AI的挑戰。AI的許多工業(yè)應用都集中在狹小的智能問(wèn)題上，但真正的進(jìn)步將是更多的自適應智能形式。在這些環(huán)境中，將需要智能的一般形式來(lái)發(fā)展。例如，亞歷克斯(Alex)相信，進(jìn)步將在于在連續動(dòng)作空間中進(jìn)行操作的能力以及在長(cháng)期時(shí)間范圍內預測演變的能力。Alex相信，當AI可以獲取數據并將其推算到未來(lái)時(shí)，對企業(yè)的影響將是巨大的。從這個(gè)角度來(lái)看，企業(yè)和組織可以看作是由幾個(gè)較小的智能組成的大型生物，可以實(shí)現個(gè)人無(wú)法獨自實(shí)現的目標。
最終，Alex相信AI的最終挑戰是構建能夠成功和諧地最大化未來(lái)行動(dòng)自由的AI。個(gè)人的目標是生存和發(fā)展，各種規模和復雜性的組織的目標也是如此。如果我們能夠理解智能的基本物理原理，就可以利用AI的真正力量并取得重大突破。