上帝按照自己的模樣創(chuàng)造了人類。

人類按照自己的模樣創(chuàng)造了人工智能(AI)。

至少最開始的時(shí)候是這樣的。

人類和海豚、黑猩猩、倭黑猩猩一樣，可能是低于某個(gè)智能門檻的。一些聲稱擁有基于人工智能系統(tǒng)的公司經(jīng)常使用人力來處理其在線系統(tǒng)的棘手任務(wù)，而用戶對此并不知情。這可能會(huì)嚴(yán)重混淆公眾對現(xiàn)今的人工智能發(fā)展程度的認(rèn)知。

我一直在思考我們需要進(jìn)行哪些研究，要解決哪些問題，以及為了達(dá)到超級人工智能或人類智能水平，我們已經(jīng)解決了哪些難題。我們已經(jīng)孜孜不倦地嘗試了62年，但顯然直到現(xiàn)在我們才接近實(shí)現(xiàn)所有必要的突破。

愛因斯坦在1916年預(yù)言了引力波的存在，但是在99年之后，也就是2015年，我們?nèi)祟惒攀状翁綔y到引力波。

有一些事情的成功就是一個(gè)漫長的過程，需要大量的新技術(shù)，需要很長的時(shí)間將想法變得更成熟，也需要眾多出色的人才投身其中。我覺得人類智能水平的人工智能或許就是這樣的，而且更為復(fù)雜，可能要花上數(shù)百年時(shí)間才能得以實(shí)現(xiàn)。

過去62年里至少有四種人工智能的主要方法。當(dāng)然，其他人可能還總結(jié)了不同的方法。

在我看來，這四種主要方法以及大致的開始日期分別是：

1.符號（1956年）

2.神經(jīng)網(wǎng)絡(luò)（1954年，1960年，1969年，1986年，2006年….）

3.傳統(tǒng)機(jī)器人（1968年）

4.基于行為的機(jī)器人（1985年）

符號

符號通常由字符串表示，這些字符對應(yīng)一個(gè)詞。然后人們設(shè)定了相互間的聯(lián)系，對其進(jìn)行編碼，比如instanceof運(yùn)算符和is字符串。

當(dāng)我們向搜索引擎輸入查詢時(shí)，我們選擇了用符號進(jìn)入人工智能系統(tǒng)對世界的了解。系統(tǒng)做了一些推理和推論，然后生成一個(gè)網(wǎng)頁列表，它推斷出與我們正在尋找的內(nèi)容相匹配的信息（它實(shí)際上并不知道我們是與其數(shù)據(jù)庫中的“人”符號相對應(yīng)的） 。然后我們會(huì)瀏覽這些精選出來的信息，點(diǎn)擊最匹配的一兩個(gè)網(wǎng)頁，如果不是我們想要的資料，我們就會(huì)輸入一個(gè)新的符號或者修改原來的符號進(jìn)行新的搜索。
神經(jīng)網(wǎng)絡(luò)

2014年11月17日，《紐約時(shí)報(bào)》報(bào)道了一則消息，向全世界展示了一個(gè)新功能。谷歌程序自動(dòng)為以下圖片生成的標(biāo)題：“一群年輕人在玩飛盤游戲”(A group of young people playing a game of Frisbee)。

我認(rèn)為從那個(gè)時(shí)候起人們才真正開始注重深度學(xué)習(xí)。即使對于人工智能研究人員，尤其是基于符號的人工智能的研究人員來說，一個(gè)程序能做得這么好是一個(gè)奇跡。但是，我也覺得人們將表現(xiàn)和能力混淆了。如果一個(gè)人有同等水平的表現(xiàn)，能夠準(zhǔn)確描述這個(gè)畫面，那么人們就很自然會(huì)期望這個(gè)人有足夠的能力去理解這個(gè)世界，他/她可能會(huì)回答以下每個(gè)問題：

飛盤是什么形狀？

大致上，一個(gè)人可以扔多遠(yuǎn)？

人可以吃飛盤嗎？

一次大約有多少人可以一起玩飛盤？

一個(gè)三個(gè)月大的嬰兒可以玩飛盤嗎？

今天的天氣適合玩飛盤嗎？

但是生成上述標(biāo)題的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)無法回答這些問題。
 

傳統(tǒng)機(jī)器人

在人工智能最初的幾十年，就是基于符號的人工智能那個(gè)階段，研究人員試圖通過制造機(jī)器人來實(shí)現(xiàn)人工智能。其中有些機(jī)器人可以四周移動(dòng)，并能用來推東西。還有固定在指定位置的機(jī)器臂。但是同時(shí)具備上述兩種功能的帶鉸接臂的移動(dòng)機(jī)器人在當(dāng)時(shí)是很難制造出來的。

基于行為的機(jī)器人

在1985年以前，我花了10年研究計(jì)算機(jī)視覺，嘗試從圖像中提取世界的符號描述，并在傳統(tǒng)機(jī)器人技術(shù)中建立機(jī)器人的計(jì)劃系統(tǒng)，以便讓機(jī)器人在模擬或現(xiàn)實(shí)世界中運(yùn)作。

但是我備受打擊。

我開始思考昆蟲在現(xiàn)實(shí)世界中的導(dǎo)航能力，以及它們是如何用非常少的神經(jīng)元做到的（當(dāng)然少于現(xiàn)代深度學(xué)習(xí)網(wǎng)絡(luò)中人工神經(jīng)元的數(shù)量）。在思考它們是如何做到這一點(diǎn)時(shí)，我意識(shí)到簡單生物的進(jìn)化路徑可能并非由為世界構(gòu)建的符號或三維建模系統(tǒng)開始的。相反，這種進(jìn)化是通過感知和行動(dòng)之間非常簡單的聯(lián)系開始的。

在這種思維導(dǎo)致的基于行為的方法中，有許多并行的行為同時(shí)運(yùn)行，試圖理解一小部分感知，并憑借它們來驅(qū)動(dòng)世界上的簡單行為。通常，行為會(huì)為機(jī)器人的執(zhí)行器提出相互矛盾的命令，并且必須采取措施解決這個(gè)沖突。但是，這不需要回到完整的世界模型中，而是解決沖突的機(jī)制在本質(zhì)上必然是啟發(fā)式的。正如人們猜想的那樣，進(jìn)化會(huì)產(chǎn)生的這種啟發(fā)式的機(jī)制。

下面是這四種人工智能方法和人類小孩的得分對比：

從上表可以看到，如果人類小孩在這6項(xiàng)能力中每項(xiàng)得分為100分的情況下，四種人工智能方法各自的總得分才8到9分。我一如既往地認(rèn)為我們可能嚴(yán)重高估了現(xiàn)階段人工智能系統(tǒng)的能力。

原文請參考：https://rodneybrooks.com/forai-the-origins-of-artificial-intelligence/

瀏覽更多信息，請?jiān)L問：http://www.rethinkrobotics.com/zh-cn

關(guān)于Rodney Brooks

Rodney Brooks出生于澳大利亞，獲得南澳大利亞弗林德斯大學(xué)數(shù)學(xué)本科學(xué)位及美國斯坦福大學(xué)計(jì)算機(jī)博士學(xué)位。1984年至2010年間，Rodney Brooks在麻省理工學(xué)院任教，是著名的機(jī)器人教授。他創(chuàng)立了麻省理工學(xué)院電腦科學(xué)和人工智能實(shí)驗(yàn)室，并一直擔(dān)任總監(jiān)一職至2007年。

1990年，他聯(lián)合創(chuàng)辦了iRobot公司(納斯達(dá)克: IRBT)，先后擔(dān)任首席技術(shù)官、主席及董事會(huì)成員直至2011年。

他入選美國國家工程院院士，并且是多家權(quán)威行業(yè)機(jī)構(gòu)的成員，分別為美國人文與科學(xué)院、美國計(jì)算機(jī)協(xié)會(huì)、美國人工智能協(xié)會(huì)、電氣電子工程師協(xié)會(huì)及美國高級科學(xué)協(xié)會(huì)。

Rodney Brooks還致力于推廣機(jī)器人技術(shù)及人工智能，活躍于全球各大重要活動(dòng)。
 

Rethink Robotics公司介紹

Rethink Robotics的智能協(xié)作型的機(jī)器人改變了制造生產(chǎn)和分揀流程的工作方式。SawyerTM和Baxter ?協(xié)作機(jī)器人由Intera軟件平臺(tái)驅(qū)動(dòng) ，僅數(shù)小時(shí)就能完成培訓(xùn)，執(zhí)行任務(wù)。Sawyer和Baxter從設(shè)計(jì)之初就納入安全性，能和工人一起并肩工作，高度可靠且操作簡易?，F(xiàn)在，Rethink Robotics的協(xié)作機(jī)器人在全球許多地區(qū)都有應(yīng)用，幫助制造商當(dāng)下面臨的艱巨挑戰(zhàn)，包括勞動(dòng)力短缺、質(zhì)量一致性水平低、效率低下。并且，協(xié)作機(jī)器人可以幫助工廠將一系列的任務(wù)自動(dòng)化。

Rethink Robotics總部位于美國波士頓，其產(chǎn)品行銷亞洲、歐洲和北美市場。公司的投資方包括Bezos Expeditions、CRV、Highland Capital Partners、Sigma Partners、DFJ、GE Ventures和高盛集團(tuán)。欲了解更多信息，請關(guān)注：.