安卓之家
搜索
  1. 首页
  2. 列表
  3. 科技
  4. 内容详情

世界热点评！“AI世界”还缺点啥？牛津大学教授Michael Wooldridge：现实世界

来源：科普中国

无限猴子定理认为，让一只猴子在打字机上随机地按键，当按键时间达到无穷时，几乎必然能够打出任何给定的文字，比如莎士比亚的全套著作。


(相关资料图)

在这个定理中，“几乎必然”是一个有特定含义的数学术语，“猴子”也不是指一只真正意义上的猴子，而是被用来比喻成一台可以产生无限随机字母序列的抽象设备。

图｜一只黑猩猩随机打字，只要时间足够，几乎必然可以打出法国国家图书馆中的每本书。（来源：维基百科）

这个理论说明，把一个很大但有限的数看成无限的推论是错误的，即使可观测宇宙中充满了一直不停打字的猴子，它们能够打出一部《哈姆雷特》的概率仍然少于 1/10^183800。

而且，即使给无数只猴子无限的时间，它们也不会懂得如何欣赏吟游诗人诗意的措辞。

“人工智能（AI）也是如此，” 牛津大学计算机科学教授 Michael Wooldridge 这样说道。

图｜Michael Wooldridge

在 Wooldridge 看来，虽然 GPT-3 等 AI 模型借助数百亿或数千亿的参数展现出了令人惊讶的能力，但它们的问题不在于处理能力的大小，而在于缺乏来自现实世界的经验。

例如，一个语言模型可能会很好地学习“雨是湿的”，当被问及雨是湿的还是干的时，它很可能会回答雨是湿的，但与人类不同的是，这个语言模型从未真正体验过“潮湿”这种感觉，对它们来说，“湿”只不过是一个符号，只是经常与“雨”等词结合使用。

然而，Wooldridge 也强调，缺乏现实物理世界知识并不能说明 AI 模型无用，也不会阻止某一 AI 模型成为某一领域的经验专家，但在诸如理解等问题上，如果认为 AI 模型具备与人类相同能力的可能性，确实令人怀疑。

相关研究论文以“What Is Missing from Contemporary AI? The World”为题，已发表在《智能计算》（Intelligent Computing）杂志上。

在当前的 AI 创新浪潮中，数据和算力已经成为 AI 系统成功的基础：AI 模型的能力直接与其规模、用于训练它们的资源以及训练数据的规模成正比。

对于这一现象，DeepMind 研究科学家 Richard S. Sutton 此前就曾表示，AI 的“惨痛教训”是，它的进步主要是使用越来越大的数据集和越来越多的计算资源。

图｜AI 生成作品（来源：Wired）

在谈及 AI 行业的整体发展时，Wooldridge 给出了肯定。“在过去 15 年里，AI 行业的发展速度，特别是机器学习（ML）领域的发展速度，一再让我感到意外：我们不得不不断调整我们的预期，以确定什么是可能的，以及什么时候可能实现。”

但是，Wooldridge 却也指出了当前 AI 行业存在的问题，“尽管他们的成就值得称赞，但我认为当前大多数大型 ML 模型受到一个关键因素的限制：AI 模型没有真正体验过现实世界。

在 Wooldridge 看来，大多数 ML 模型都是在电子游戏等虚拟世界中构建的，它们可以在海量数据集上进行训练，一旦涉及到物理世界的应用，它们就会丢失重要信息，它们只是脱离实体的 AI 系统。

以支持自动驾驶汽车的人工智能为例。让自动驾驶汽车在道路上自行学习是不太现实的，出于这个和其他原因，研究人员们往往选择在虚拟世界中构建他们的模型。

“但它们根本没有能力在所有最重要的环境（即我们的世界）中运行，”Wooldridge 说道。

（来源：Wikimedia Commons）

另一方面，语言 AI 模型也会受到同样的限制。可以说，它们已经从荒唐可怕的预测文本演变为谷歌的 LAMDA。今年早些时候，一个前谷歌工程师声称人工智能程序 LAMDA 是有知觉的，一度成为了头条新闻。

“无论这个工程师的结论的有效性如何，很明显 LAMDA 的对话能力给他留下了深刻的印象——这是有充分理由的，” Wooldridge 说，但他并不认为 LAMDA 是有知觉的，AI 也没有接近这样的里程碑。

“这些基础模型展示了自然语言生成方面前所未有的能力，可以生成比较自然的文本片段，似乎也获得了一些常识性推理能力，这是过去 60 年中 AI 研究的重大事件之一。”

这些 AI 模型需要海量参数的输入，并通过训练来理解它们。例如，GPT-3 使用互联网上千亿级的英语文本进行训练。大量的训练数据与强大的计算能力相结合，使得这些 AI 模型表现得类似于人类的大脑，可以越过狭窄的任务，开始识别模式，并建立起与主要任务似乎无关的联系。

（来源：OpenAI）

但是，Wooldridge 却表示，基础模型是一个赌注，“基于海量数据的训练使得它们在一系列领域具备有用的能力，也进而可以专门用于特定的应用。”

“符号人工智能（symbolic AI）是基于‘智能主要是知识问题’的假设，而基础模型是基于‘智能主要是数据问题’的假设，在大模型中输入足够的训练数据，就被认为有希望提高模型的能力。”

Wooldridge 认为，为了产生更智能的 AI，这种“可能即正确”（might is right）的方法将 AI 模型的规模不断扩大，但忽略了真正推进 AI 所需的现实物理世界知识。

“公平地说，有一些迹象表明这种情况正在改变，” Wooldridge说。今年 5 月，DeepMind 宣布了基于大型语言集和机器人数据的基础模型 Gato，该模型可以在简单的物理环境中运行。

“很高兴看到基础模型迈出了进入物理世界的第一步，但只是一小步：要让 AI 在我们的世界中工作，需要克服的挑战至少和让 AI 在模拟环境中工作所面临的挑战一样大，甚至可能更大。”

在论文的最后，Wooldridge 这样写道：“我们并不是在寻找 AI 道路的尽头，但我们可能已经走到了道路起点的尽头。”

对此，你怎么看？欢迎在评论区留言。

参考资料：

https://spj.sciencemag.org/journals/icomputing/2022/9847630/

https://www.eurekalert.org/news-releases/966063

关键词： 人工智能 几乎必然 世界知识

推荐

精彩放送

创投更多》

科技更多》

云计算