人工智能的利与弊(关于人工智能的利与弊)

早期，人类不得不用轮子、火等工具和武器与自然作斗争。15世纪，古腾堡发明了印刷机，极大地改变了人们的生活。19世纪，工业革命利用自然资源发展电力，促进了制造业、运输业和通讯业的发展。20世纪，通过对天空和太空的探索，以及计算机的发明和小型化，人类成为了个人电脑、互联网、万维网和智能手机，并在不断前进。过去的60年见证了一个世界的诞生，这个世界出现了海量的数据、事实和信息，这些数据、事实和信息必须转化为知识(一个例子是人类基因编码中包含的数据，如图1.0所示)。介绍了人工智能的概念框架，阐述了人工智能成功应用的领域和方法、近期历史和未来展望。

图1.0人类基因编码中包含的数据

人工智能的定义

在日常语言中，“人造”一词的意思是合成的(即人造的)，通常有一种否定的意思，即“人造物体的质量不如自然物体。然而，人造物体通常优于真实或自然物体。例如，人造花是由丝和线制成的花蕾或花状物体。它们不需要阳光或水分作为养料，但可以为家庭或公司提供实用的装饰功能。

虽然人造花给人的感觉和香味可能不如天然花，但它们看起来和真花一模一样。

另一个例子是由蜡烛、煤油灯或电灯泡产生的人造光。很明显，只有太阳出现在天空空的时候，我们才能得到阳光，但我们随时都可以得到人造光。从这个角度来说，人造光优于自然光。

最后，考虑到人工交通工具(如汽车、火车、飞机和自行车)与跑步、步行和其他自然交通方式(如骑马)相比，在速度和耐用性方面有很多优势。然而，人工交通也有一些明显的缺点——地球上无处不在的高速公路，充满汽车尾气的大气层，人们内心的平静(和睡眠)经常被飞机的噪音打断。

和人造光、人造花、交通工具一样，人工智能不是自然的，而是人工的。要确定人工智能的优劣，首先要了解和定义智能。

什么是思考？什么是智能？

智能的定义可能比手工定义更难以捉摸。r·斯腾伯格对人类意识这一主题给出了如下有用的定义:智力是个体从经验中学习、理性思考、记忆重要信息和满足日常生活需要的认知能力。

我们都熟悉标准化测试的问题，例如，给出以下序列:1，3，6，10，15，21。询问下一个号码。

你可能会注意到，连续数之差的间隔是1。比如1到3的差是2，3到6的差是3，以此类推。所以问题的正确答案是28。这个问题旨在衡量我们识别模式中显著特征的熟练程度。我们通过经验发现模式。

试试以下系列的运气:

答:1，2，2，3，3，3，4，4，4，4，？

b.2，3，3，5，5，5，7，7，7，7，？

现在智能的定义已经确定了，你可能会有以下疑问。

(1)如何判断某些人(或事物)是否有智慧？

(2)动物聪明吗？

(3)如果动物有智力，如何评价其智力？

第一个问题，大部分人都能轻松回答。我们通过与他人交流(如发表评论或提出问题)来观察他们的反应，每天多次重复这个过程来评估他们的智力。虽然我们没有直接进入他们的思想，但我们相信间接的问答方式可以为我们提供对内部大脑活动的准确评估。

如果坚持用问答来评价智力，那么如何评价动物的智力呢？如果你有宠物，那么你可能已经有答案了。小狗似乎能记住一两个月没见的人，迷路后还能找到回家的路。

小猫在晚餐时间听到开罐头的声音，往往会很兴奋。仅仅是简单的巴甫洛夫反射问题，还是小猫有意识地把罐头的声音和晚餐的欢乐联系起来？

有一个关于动物智力的趣闻:1900年左右，德国柏林有一匹马，叫“聪明的汉斯”，据说精通数学(见图1.1)。

图1.1“clever Hans”——一匹马做数学？

当汉斯加法或计算平方根时，观众都惊呆了。从那时起，人们就注意到，如果没有观众，汉斯不会表演得很好。事实上，汉斯的天才在于他能够识别人类的情绪，而不是精通数学。

马通常有敏锐的听觉。当汉斯接近正确答案时，观众变得相对兴奋，心跳加快。或许，汉斯有着惊人的能力，能够察觉到这些变化，并得到正确的答案。虽然你可能不想把汉斯的这种行为归因于智力，但在得出结论之前，你应该参考一下斯腾伯格早期对智力的定义。

有些生物只体现群体智慧。例如，蚂蚁是一种简单的昆虫，单个蚂蚁的行为几乎不能归入人工智能的话题。然而，另一方面，蚁群在解决复杂问题上表现出非凡的能力，比如寻找从巢穴到食物源的最佳路径、搬运重物、形成桥梁等。集体智慧来自个体昆虫之间的有效沟通。第12章将在讨论高级搜索方法时重点讨论涌现智能和集群智能。大脑的质量和大脑与身体的质量比通常被视为动物智力的指标。海豚在这两个指标上与人类不相上下。海豚的呼吸是自控的，说明它的大脑太重了，也说明了一个有趣的事实，就是海豚的两个半球交替睡眠。

在动物自我意识测试中，比如镜子测试，海豚得到了很好的分数，它们意识到镜子里的影像其实是自己的影像。海洋世界等公园的游客可以看到海豚会玩复杂的把戏。这表明海豚具有记忆序列和执行复杂身体动作的能力。

使用工具是智力的另一个“试金石”，它经常被用来区分直立人和以前的人类祖先。海豚和人类都有这种特质。例如，海豚在觅食时使用深海海绵(一种多细胞动物)来保护它们的嘴。显然，智力不是人类独有的。在某种程度上，许多生命形式是智能的。

你应该问自己以下问题:“你认为生命是智慧的必要前提吗？”或者“无生命的物体，比如电脑，能有智能吗？”人工智能宣布的目标是创建与人类思维相当的计算机软件和/或硬件系统，换言之，显示与人类智能相关的特征。一个关键问题是“机器会思考吗？”更一般的，你可能会问:“人类、动物或者机器有智能吗？”

在这个节点上，强调思维和智能的区别是明智的。它是推理、分析、评估和形成想法和概念的工具。不是所有会思考的东西都是聪明的。也许智力是高效和有效的思维。很多人对这个问题有偏见。他们说:“电脑是由硅和电源构成的，所以不会思考。”或者走向另一个极端:“计算机比人快，所以也比人智商高。”真相大概存在于这两个极端之间。

正如我们所讨论的，不同的动物物种有不同程度的智力。我们将解释在人工智能领域开发的软件和硬件系统，它们也具有不同程度的智能。我们不太重视对动物智商的评估，还没有开发出标准化的动物智商测试，但我们对确定机器智能是否存在的测试非常感兴趣。

也许拉斐尔的说法是最恰当的:“人工智能是一门科学，它让机器去做人类需要智能去做的事情。”

图灵测试

在最后一节，“你如何决定智力”和“动物聪明吗？”这两个问题都解决了。第二个问题的答案不一定是简单的“是”或“不是”——有些人比别人聪明，有些动物比别人聪明。智能也遇到了同样的问题。

艾伦·图灵寻求可操作的方法来回答智能问题，想把功能(智能能做什么)和实现(如何实现智能)分开。

补充信息

抽象是一种忽略对象或概念(如内功)实现的策略，这样你就可以更清晰地得到工件的图像以及它们与外界的关系。换句话说，你可以把这个对象当作一个黑盒，只关注对象的输入和输出(见图1.2)。

图1.2黑盒的输入和输出

一般来说，抽象是一个有用且必要的工具。例如，如果你想学习如何驾驶，将汽车视为一个黑匣子可能是一个好主意。自动挡和动力总成的入门不用苦学，可以重点学习油门踏板、刹车、转向灯等系统输入和前进、停止、左转、右转等输出。数据结构的课程也是使用抽象的，所以如果你想知道栈的行为，可以把重点放在基本的栈操作上，比如pop(弹出一个项)和push(插入一个项)，不要深究如何构造链表的细节(比如是用线性链表还是循环链表，是用链接链表还是连续分配空)。

图灵测试的定义

艾伦·图灵提出了两个模拟游戏。在模拟游戏中，一个人或实体的行为就好像是另一个人。在第一个模拟游戏中，一个人在一个中间有窗帘的房间里，窗帘的两边各有一个人。一边的人(称为提问者)必须确定另一边的人是男是女。提问者(其性别无关紧要)通过问一系列问题来完成这项任务。这个游戏假设男人可能会在他的回答中撒谎，而女人总是诚实的。为了让询问者无法从声音中判断性别，他用计算机代替语音进行交流，如图1.3所示。如果在窗帘的另一边有一个人，他成功地欺骗了提问者，那么他就赢了。

图1.3第一个图灵模拟游戏

图灵测试的原始形式是一男一女坐在窗帘后面，提问者必须正确识别他们的性别(图灵可能是受那个时代流行游戏的启发，发明了这个测试。这个游戏也促使他去测试机器智能)。正如埃里希·弗洛姆所写[8]:男女平等，但不一定相同。例如，不同性别的人对颜色和花卉的知识不同，购物的时间也不同。男女的区别和智力问题有什么关系？图灵认为，可能存在不同类型的思维，理解和包容这些差异很重要。图1.4显示了图灵测试的第二个版本。

图1.4第二个图灵模拟游戏

第二款游戏更适合人工智能的研究。询问者还在一个挂着窗帘的房间里。这一次，窗帘后面可能有一台电脑或一个人。这里的机器扮演着人的角色，偶尔会撒谎，但人总是诚实的。提问者提出问题，然后评估答案，以确定他是在与人交流还是与机器交流。如果计算机成功欺骗了提问者，就通过了图灵测试，因此被认为是智能的。

众所周知，在进行算术运算时，机器比人类快很多倍。如果窗帘后的“人”能在几微秒内得到三角函数泰勒级数的近似结果，那么就很容易判断出窗帘后的电脑不是那个人。

自然，计算机能在任何图灵测试中成功欺骗提问者的几率都非常小。为了得到一个有效的智力信息资源的“晴雨表”，这个测试要进行多次。同样，在这个图灵原始版本的测试中，人和计算机都在幕后，询问者必须正确识别它们。

补充信息

图灵测试

没有一个计算机系统通过了图灵测试。然而，1990年，慈善家休·吉恩·罗布纳(Hugh Gene Loebner)举办了一场实现图灵测试的比赛。第一台通过图灵测试的计算机将获得一枚金牌和10万美元的罗布纳奖金。同时，每年在比赛中表现最好的电脑将获得一枚铜牌和大约2000美元的奖金。

在图灵测试中你会问什么问题？考虑下面的例子:

(1 000 017)?多少钱？像这样的计算可能不是一个好主意。记住，计算机试图欺骗提问者。计算机可能在几分之一秒内没有反应并给出正确的答案。它可能会故意花更长的时间，并且可能会出错，因为它“知道”人类不熟悉这些计算。

现在的天气怎么样？假设计算机可能不看窗外，那么你可能会试着询问天气。但是电脑一般都是连接万维网的，所以在回答之前，也是连接天气网站的。

你害怕死亡吗？因为计算机很难伪装人的情绪，你可能会问这个问题或者其他类似的问题:“黑色给你什么感觉？”或者“谈恋爱是什么感觉？”但是记住，你现在是在尝试判断智力，人类的情绪未必是智力的有效晴雨表。

图灵预料会有很多人反对他在原论文中提出的“机器智能”的观点，其中一个就是所谓的“鸵鸟政策反对”。人们认为，思维能力使人成为万物之灵。承认计算机会思考，可能会挑战这个只有人类才享有的高贵栖息地。

许多人认为是人类的灵魂使人们能够思考。如果我们创造了一个具有这种能力的机器，我们就篡夺了“上帝”的权威。图灵反驳了这一观点，提出人只是准备等待具有灵魂禀赋的容器来执行“上帝”的意志。最后，我们提到了Lovelace女士的反对意见(她在文献中经常被称为第一位计算机程序员)。

在评论分析引擎时，她很轻松地说“光靠这台机器是无法让我们感到惊喜的”。她重申了许多人的信念，即计算机不能执行任何未编程的活动。图灵反对这个观点，说机器总是让他感到惊讶。他坚持认为，这种反对意见的支持者同意，人类的智慧可以立即推断出一个给定的事实或行动的所有后果。图灵的原始论文在收集上述反对意见和其他反对意见时提到了这些读者。

图灵测试的争议与批评

内德·布洛克认为，英语文本是用ASCII编码的，换句话说，它们在计算机中用一系列0和1来表示。因此，一个特定的图灵测试，也就是一系列的问题和答案，可以存储为一个非常大的数。比如假设图灵测试长度有上限，其中“你怕死吗？你害怕死亡吗？)”存储为二进制数，如图1.5所示。

图1.5使用ASCII码存储图灵测试的开始字符。

假设典型的图灵测试持续一个小时，期间测试者问了大约50个问题，得到50个答案，那么测试对应的二进制数应该很长。现在，假设有一个存储所有图灵测试的大型数据库，这些图灵测试包含50个或更少的问题以及合理的答案。

然后，计算机可以查找表格来通过测试。当然，能够处理如此大量数据的计算机系统还不存在。然而，如果计算机通过了图灵测试，布洛克问道:“你认为这样的机器是智能的吗？你觉得舒服吗？”换句话说，布洛克的批评是图灵测试可以通过机械的查表而不是智能来通过图灵测试。

约翰·塞尔对图灵测试的批评更为根本。想象一下，提问者果然提问了——但这次是用中文。另一个房间的人不懂中文，但他有一本详细的规则书。虽然中文题是用潦草的字迹呈现的，但是房间里的人会参考规则手册，按照规则处理汉字，用中文写下答案，如图1.6所示。

图1.6中文室的辩论

提问者得到了这个问题的语法正确、语义合理的答案。这是否意味着房间里的人都熟悉中文？如果你的答案是“不”，那么人汉结合rulebook熟悉中文吗？答案仍然是“没有”——屋子里的人不是在学习或理解中文，只是在和符号打交道。类似地，计算机运行程序来接收、处理和使用符号答案，而不必学习或理解符号本身的含义。

塞尔还让我们想象，如果不是一个人拿着规则手册，人们会在体育馆里互相传递纸条。当一个人收到这样的纸条时，规则书将决定这个人是应该生成一个输出，还是只是向体育馆里的另一个人发送信息，如图1.7所示。

图1.7中文房间辩论的变体

现在，中国知识存在于哪里？属于大家，还是属于体育馆？

想想最后一个例子。描述一个真正懂中文的人的大脑，如图1.8。此人可以用中文接收问题，并准确地用中文解释和回答。

图1.8说中文的人用中文接收和回答问题

同样，语文知识存在于哪里？它是存在于单个神经元中，还是存在于这些神经元的集合中？(它一定存在于某个地方！)布洛克和塞尔批评图灵测试的关键点在于，图灵测试只是从外部进行观察，无法洞察一个实体的内部状态。也就是说，我们不要指望通过将智能代理(人或机器)视为黑盒来学习一些关于智能的新知识。然而，事实并非总是如此。19世纪，物理学家欧内斯特·卢瑟福通过用粒子轰击金箔，正确推断了物质的内部状态——它主要由空白色空组成。

他预测这些高能粒子要么穿过金箔，要么轻微偏转。这个结果与他的原子轨道理论一致:原子由一个被轨道电子包围的致密核心组成。这是我们现在的原子模型，很多学过高中化学的人都非常熟悉。卢瑟福通过外部观察成功地理解了原子的内部状态。

简而言之，智力很难定义。正是因为难以定义智能，难以确定“智能体”是否具有这种属性，图灵发展了图灵测试。在论文中，他含蓄地指出，任何能够通过图灵测试的智能体，都必须具备“大脑能力”，能够应对任何相当于普遍接受的人类水平的合理智能挑战。