人工智能和人類(lèi)智能究竟有何不同之處呢？在本文中Sabine Hossenfelder 就從十個(gè)方面分析了這兩者間的不同。

今天我想講講人工智能有何智能之處。

當(dāng)然顯而易見(jiàn)的是，人的大腦是有溫度且不確定的，而計(jì)算機(jī)不是。但是更重要的是，人類(lèi)智能和人工智能之間存在結(jié)構(gòu)性差異。這我將在之后講到。

在我們開(kāi)始之前，我要簡(jiǎn)單的講講"人工智能"指的是什么。

如今所謂的"人工智能"其實(shí)是通過(guò)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的。

神經(jīng)網(wǎng)絡(luò)是一種計(jì)算機(jī)算法，用來(lái)模擬人腦的特定功能。當(dāng)中包含虛擬的"神經(jīng)元" 這些神經(jīng)元排列在"層"中，并且互相連接。神經(jīng)元傳遞信息從而進(jìn)行計(jì)算。就像人腦中的神經(jīng)元傳遞信息，并進(jìn)行計(jì)算一樣。

在神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元只是代碼中的數(shù)字，通常它們的值在0到1之間。神經(jīng)元之間的連接也有與之相關(guān)的數(shù)字，它們被稱(chēng)為"權(quán)重"。這些權(quán)重告訴你，來(lái)自其中一層的信息對(duì)下一層有多大的影響。神經(jīng)元的值以及連接的權(quán)重本質(zhì)上是網(wǎng)絡(luò)中的自由參數(shù)。

通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，你想找到那些使某個(gè)函數(shù)最小化的參數(shù)值，這稱(chēng)為"損失函數(shù)"。這是神經(jīng)網(wǎng)絡(luò)要解決的優(yōu)化問(wèn)題。

在優(yōu)化中，神經(jīng)網(wǎng)絡(luò)的魔力是通過(guò)所謂的反向傳播實(shí)現(xiàn)的。反向傳播是指，如果神經(jīng)網(wǎng)絡(luò)給出的結(jié)果不是特別好，你可以回溯并改變神經(jīng)元的權(quán)重和連接。神經(jīng)網(wǎng)絡(luò)就是這樣從錯(cuò)誤中"學(xué)習(xí)"。

說(shuō)到這里，下面讓我們進(jìn)入人工智能和人類(lèi)智能之間的關(guān)鍵區(qū)別。

01

形式和功能

神經(jīng)網(wǎng)絡(luò)是運(yùn)行在計(jì)算機(jī)上的軟件，人工智能的"神經(jīng)元"沒(méi)有物理實(shí)體。它們以位數(shù)和字符串的形式編碼在硬盤(pán)或硅芯片上，它們的物理結(jié)構(gòu)和真正的神經(jīng)元一點(diǎn)也不像。相反，在人腦中形式和功能是同時(shí)存在的。

02

大小

人類(lèi)大腦大約有1000億個(gè)神經(jīng)元，目前的神經(jīng)網(wǎng)絡(luò)通常有幾百個(gè)左右。

03

連接

在神經(jīng)網(wǎng)絡(luò)中，每一層通常與上一層和下一層完全連接。但人腦并沒(méi)有所謂的層，相反，它依賴(lài)于許多預(yù)定義的結(jié)構(gòu)。并不是人類(lèi)大腦的所有區(qū)域都是同樣連接的，區(qū)域是專(zhuān)門(mén)用于特定目的的。

04

能量消耗

人腦在能量消耗方面，比現(xiàn)存的任何人工智能都更為節(jié)能。人腦大約耗費(fèi)20瓦能量，這與現(xiàn)在標(biāo)準(zhǔn)筆記本電腦耗費(fèi)的差不多。但有了這些能量，大腦處理的神經(jīng)元數(shù)量多一百萬(wàn)倍。

05

體系

在神經(jīng)網(wǎng)絡(luò)中，這些層是整齊有序的一個(gè)接一個(gè)地處理。而另一方面，人腦會(huì)進(jìn)行很多并行處理，沒(méi)有任何特定的順序。

06

激活狀態(tài)

在人腦中，神經(jīng)元要么是激活狀態(tài)，要么非激活狀態(tài)。在神經(jīng)網(wǎng)絡(luò)中，激活是由連續(xù)值模擬的。因此人造神經(jīng)元可以平穩(wěn)地從上到下運(yùn)行，這是人腦做不到的。

07

速度

人類(lèi)的大腦比任何人工智能系統(tǒng)都要慢得多。一臺(tái)標(biāo)準(zhǔn)計(jì)算機(jī)每秒執(zhí)行大約100億次操作。另一方面，人的神經(jīng)元激活頻率為每秒最多一千次。

08

學(xué)習(xí)方式

神經(jīng)網(wǎng)絡(luò)通過(guò)輸出來(lái)學(xué)習(xí)。如果根據(jù)損失函數(shù)，這個(gè)輸出是低性能的。然后，網(wǎng)絡(luò)通過(guò)改變神經(jīng)元的權(quán)重和它們之間的連接做出反應(yīng)。沒(méi)有人知道人類(lèi)學(xué)習(xí)的細(xì)節(jié)，但肯定不是這樣的。

09

結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)每次都是從零開(kāi)始的。而人腦呢? 很多結(jié)構(gòu)已經(jīng)連接到它的連接處，而且利用的模型，這在進(jìn)化過(guò)程中被證明是有用的。

10

精度

人腦的干擾因素更多，而且不如計(jì)算機(jī)上運(yùn)行的神經(jīng)網(wǎng)絡(luò)精確。這意味著大腦基本上不能運(yùn)行與神經(jīng)網(wǎng)絡(luò)相同的學(xué)習(xí)機(jī)制，它可能使用完全不同的機(jī)制。

這些差異的結(jié)果是，如今的人工智能需要大量的訓(xùn)練，需要大量精心準(zhǔn)備的數(shù)據(jù)。這與人腦的運(yùn)行方式是很不一樣的。

局限性

神經(jīng)網(wǎng)絡(luò)不會(huì)建立世界中模型，相反它們會(huì)學(xué)習(xí)對(duì)模式進(jìn)行分類(lèi)。這種模式識(shí)別只需要很小的變化就會(huì)失敗。

一個(gè)著名的例子是，你給圖片添加少量影響因素，這些因素小到肉眼無(wú)法識(shí)別。但人工智能系統(tǒng)可能會(huì)被騙，錯(cuò)認(rèn)為物品A認(rèn)為是物品B。

目前，神經(jīng)網(wǎng)絡(luò)也不善于從它們所學(xué)習(xí)的情況推廣到另一種情況。

它們的成功很大程度上取決于定義正確的"損失函數(shù)"。如果你沒(méi)有謹(jǐn)慎思考損失函數(shù)，你最終會(huì)優(yōu)化你不想要的東西。比如本被訓(xùn)練以恒定的高速行駛的自動(dòng)駕駛汽車(chē)，很可能變成只會(huì)原地旋轉(zhuǎn)。

但是神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)于一些內(nèi)容。比如對(duì)圖像進(jìn)行分類(lèi)，或者推斷出沒(méi)有明顯趨勢(shì)的數(shù)據(jù)。

結(jié)語(yǔ)

也許人工智能的意義就在于不讓它與人類(lèi)智能太相似。

畢竟，我們擁有的最有用的機(jī)器，比如汽車(chē)或飛機(jī)，它們之所以有用正是因?yàn)闆](méi)有模仿人類(lèi)。相反，我們需要?jiǎng)?chuàng)造專(zhuān)門(mén)處理人類(lèi)不擅長(zhǎng)任務(wù)的機(jī)器。