需要什么樣的智能助理，是《棋魂》中的佐為還是蠟筆小新？

對于閑聊機器人來說，如果告訴你失戀了，能回個“藍(lán)瘦，香菇”。那這聊天機器人挺牛。一定是經(jīng)常更新訓(xùn)練數(shù)據(jù)，與時俱進(jìn)。但回過來一想，求之不得的憂傷，恒久遠(yuǎn)已，天下之才獨占八斗并且貴不可言的陳思王曹植，不也因為求不得寫了篇《洛神賦》。詩經(jīng)中也有“漢有游女 不可求思”, ”求之不得 寤寐思服”的句子。王菲的歌詞中也有”思念是一種很玄的東西，如影隨形，無聲又無息出沒在心底，轉(zhuǎn)眼吞沒我在寂默里，我無力抗拒，特別是夜里，想你到無法呼吸”。這么多樣的表達(dá)。情感是難以描述的，“我們的精神狀態(tài)是如此復(fù)雜，只能以類比的方式來描述”[1]，中國歷來的文人墨客最是擅長比興手法，我們不排除“藍(lán)瘦，香菇”是一種表達(dá)，但中文中那么更優(yōu)美的表達(dá)也不該忽略。而按目前基于大量聊天樣本，當(dāng)客戶反饋時既為正樣本，通過深度學(xué)習(xí)RNN之類的模型解決Sequence2Sequence的問題。如能學(xué)到一個機智對話的蠟筆小新已是很贊，而且目前也還有很長的路。

那我們?nèi)鐚⑻囟I(lǐng)域的問題答案做成樣本，同樣將其看做Sequence2Sequence映射問題。通過深度學(xué)習(xí)模型去擬合這個復(fù)雜映射函數(shù)。且不說這是個有多少人工就有多少智能的方案。可以想象這種方式《棋魂》中的佐為肯定也是訓(xùn)練不出來的。

?理想中的智能助理?

▼

“人工智能助理：這里指的是Intelligent personal assistant/agent (IPA) ，指幫助個人完成多項任務(wù)或多項服務(wù)的虛擬助理”[2],如何幫助？在文章[2]中，提出對話式助理至少滿足這幾點功能：”具備基于上下文的對話能力，具備理解口語中的邏輯，所有能理解的需求，都要有能力履行。”[2]但這樣幫助就夠了嗎？能不能像YY玄幻小說中的深山偶獲老法師靈體，之后在你修行中的方方面面問題中提供指導(dǎo)。喬布斯在一次訪談中提到”我認(rèn)為展望未來50至100年，如果我們真能開發(fā)出一款設(shè)備，它可以捕捉潛在精神，或者一套潛在的原則，或者是潛在的看待世界的方式，這樣當(dāng)下一個亞里士多德出現(xiàn)的時候……也許他可以隨身攜帶這款設(shè)備，將所有東西都輸入其中。這樣當(dāng)這個人死后，我們就可以問這款設(shè)備‘喂，對此亞里士多德會怎么說？’，我們得到的答案或許是錯誤的，或許是正確。但是想到此我就已經(jīng)很激動了。”這應(yīng)該也是指通過人工智能借助于大師、領(lǐng)域?qū)＜业慕?jīng)驗為各樣的決策提供建議。那是不是理想中的智能助理定位是在收集各樣信息的基礎(chǔ)上，結(jié)合其強大的計算能力和人類已有的決策樣本數(shù)據(jù)提供預(yù)測與決策建議呢？

前幾天，AlphaGo升級版Master最終以60勝0負(fù)的成績在快棋戰(zhàn)橫掃中日韓三國頂尖棋手。聶衛(wèi)平賽后說：“Master顛覆了多年的定式。而且最后證明它的選擇都成立。” 柯潔九段也表示：“從來沒見過這樣的招法，圍棋還能這么下？看Master的招法，等于說以前學(xué)的圍棋都是錯誤的，原來學(xué)棋的時候要被罵的招法現(xiàn)在Master都下出來了。” 李喆在賽后總結(jié)“每盤棋里，AI大部分的招，都和人類棋手的想法接近。體現(xiàn)了人類經(jīng)驗仍然具有有效性。。。人無法完全做全局運算，因此會因經(jīng)驗局限性而錯失對當(dāng)前盤面的針對性”。可想而知，結(jié)合了人類經(jīng)驗（樣本數(shù)據(jù)），加上計算機強大的計算能力，在圍棋這樣的完全信息博弈游戲領(lǐng)域必然橫掃頂尖棋手。

那在非完全信息博弈領(lǐng)域呢? “撲克這類不完全信息擴展式博弈以其隨機性、信息不完全可見性、博弈規(guī)模大等特征”[4]是不是可以阻擋人工智能的腳步。答案是乎也是否定的。“由卡耐基梅隆大學(xué)（CMU）開發(fā)的名為 Libratus 的人工智能系統(tǒng)即將開始一場新的挑戰(zhàn)：試圖在一對一、無限制投注的規(guī)則下?lián)魯∈澜缱顝姷娜祟惖轮輷淇送婕摇！盵5]借助于博弈論與強化學(xué)習(xí)等模型以及專業(yè)玩家的樣本數(shù)據(jù)，結(jié)合計算的強大計算能力，在這一領(lǐng)域的游戲中人工智能終也將完勝人類。

?理想中的提供預(yù)測與決策?

?建議智能助理的可行嗎？

▼

如此看來，是乎是可行的。不過還是先聽聽人工智能領(lǐng)域先驅(qū)馬文·明斯基等人的意見。

莫拉維克悖論

?百度百科中描述：莫拉維克悖論（Moravec's?paradox）是由漢斯·莫拉維克、布魯克斯、馬文·明斯基等人于1980年代所闡釋。人類所獨有的高階智慧能力只需要非常少的計算能力，例如推理，但是無意識的技能和直覺卻需要極大的運算能力。如莫拉維克所寫“要讓電腦如成人般地下棋是相對容易的，但是要讓電腦有如一歲小孩般的感知和行動能力卻是相當(dāng)困難甚至是不可能的。”

馬文·明斯基在其著作《情感機器》[1]中討論了人類大腦思維運行方式，嘗試設(shè)計能理解、會思考的人工智能，也討論為什么會有莫拉維克悖論。書中明斯基提出“所有的現(xiàn)代程序都不具備常識性知識(Commonsense Knowledge)”[1]所以會給人感覺有時不夠智能。這些常識性知識和推理包括[1]：

• 正面經(jīng)驗(Positive Expertise)：知道在哪種情況下該使用哪種類型知識。

• 負(fù)面經(jīng)驗(Negative Expertise)：知道不該采取哪種行動，因為可能會使事情變得更糟。

• 調(diào)試技能(Debugging Skills)：當(dāng)常規(guī)方法不再適用時，還有其他可供選擇的方法。

• 適應(yīng)技能(Adaptive Skills)：知道這樣把原有知識應(yīng)用到新情況之中。

明斯基提出了框架表示常識的結(jié)構(gòu)化知識表示。這屬于機器學(xué)習(xí)中的符號主義（Symbolists），不同與當(dāng)前聯(lián)結(jié)主義（Connectionists）的深度學(xué)習(xí)。目前該領(lǐng)域還在探索期，已有一些基于知識圖譜方面應(yīng)用。并且這些常識性知識和推理難以在深度學(xué)習(xí)模型中得到解決。遷移學(xué)習(xí)也是試圖在聯(lián)結(jié)主義框架下將通用領(lǐng)域的訓(xùn)練結(jié)果遷移到特定領(lǐng)域，目前也還在探索期。

（來源：情感機器[1] ）

“專家是一位無須思考就知道結(jié)果的人”[1],所謂常識可以認(rèn)為是一種直覺。愛迪生說過“天才就是99%的汗水+1%的靈感，但沒有這1%的靈感那99%的汗水也是徒勞”，靈感既大師在決策時的直覺。“郝伯特·西蒙對比過國際象棋世界冠軍十年間不同的下法，認(rèn)為這是這是全部職業(yè)強選手的集體經(jīng)驗而積累起來的知識的結(jié)果。專家和新手區(qū)分不僅僅是前者具有大量和多樣的信息，而且是他的直覺經(jīng)驗使他能發(fā)現(xiàn)他所面對的形勢中的熟悉模式，長期記憶中儲存大量的棋子的共同模式，通過識別這些模式，從長期記憶中重新找到大量相關(guān)信息。”[5],這些并不需要大量復(fù)雜的全局計算，而“AlphaGo中使用蒙特卡羅樹搜索（Monte Carlo Tree Search，MCTS)結(jié)合估值網(wǎng)絡(luò)（Value Network）來做可選方案集合選取。”[6] 兩者完全是不同的途徑。目前要讓人工智能有如小孩般的學(xué)習(xí)能力與通用常識都很遙遠(yuǎn)。更別說像大師、領(lǐng)域?qū)＜覟楦鳂拥臎Q策提供建議。扎克伯格在搭建他的智能助理Jarvis時也說“我們距離了解學(xué)習(xí)的本質(zhì)仍然很遙遠(yuǎn)…我們?nèi)匀徊恢缹囊粋€領(lǐng)域中獲得的想法應(yīng)用到另一個完全不同的領(lǐng)域中去。“[7]

數(shù)據(jù)，樣本在哪里？

另一個問題是，目前的深度學(xué)習(xí)需要端到端的樣本數(shù)據(jù)。AlphaGo是使用段位以上圍棋專業(yè)棋手對弈樣本，并通過自我對弈擴大樣本數(shù)。而智能助理面對個人方方面面的任務(wù)、事件，更加無法得到那些專業(yè)的正樣本數(shù)據(jù)。并且每個助理面對客戶的情況都是不同的，個體都是獨立的，不可能得到訓(xùn)練所需的樣本數(shù)據(jù)。

不可能獲得實質(zhì)理性所需的全局信息

羅振宇在跨年演講中說道“在人工智能邏輯里，它不關(guān)心人類對一件事情的定義，但是它可以輸出你要的答案。只要有大量的數(shù)據(jù)，它就能用跟人完全不同的思路，達(dá)到同樣的結(jié)果。”真是如此嗎？筆者并不認(rèn)同，人工智能是和人的思維不同，但不等于有大量數(shù)據(jù)就能得到同樣效果或更好效果。因為“我們知道，通過深度學(xué)習(xí)和大數(shù)據(jù)，一定能得到一個更優(yōu)的模式識別效果。但前提是我們假設(shè)未來和歷史特征向量是符合同一概率分布。未來當(dāng)然不會和歷史是同一概率分布，就像彼得·林奇說的‘你無法從后視鏡中看到未來。’哈耶克也說過‘我們做出的預(yù)測有可能被否定，因為他們只具有經(jīng)驗的意義。’”[6]哈耶克舉過一個例子，對一場足球比賽，如果我們熟悉球賽，了解球隊，并可以監(jiān)測賽場上每一刻球員狀態(tài)包括心肺、肌肉等等，但球賽的結(jié)果還是超出了科學(xué)預(yù)測的范圍。因為我們的基于經(jīng)驗的預(yù)測能力也僅限于事件的一般特點，并不包括預(yù)測每個具體事件的能力。所以即使有足夠的數(shù)據(jù)，機器也不一定能得出比從1990年起每次國足比賽都押輸更牛逼的策略。

另外一點是，智能助理能得到每個具體事件決策所需要的所有信息嗎？即使人類生活在《黑客帝國》電影中的Matrix，其中的機器人主宰也不是能掌控所有信息，如電影所說總有些自由意志是不可知。哈耶克說過“社會的經(jīng)濟問題就是一個知識利用的問題，而這種知識并沒有完整的給予任何一個人”。所以即使在大數(shù)據(jù)時代也不可能獲得全局知識與信息。

?智能助理該做什么？

▼

既然智能助理定位不是在收集各樣信息的基礎(chǔ)上，結(jié)合其強大的計算能力和人類已有的決策樣本數(shù)據(jù)提供預(yù)測與決策建議。那是不是可以退一步，定位在收集各樣信息，并輔助人類決策呢？根據(jù)諾貝爾經(jīng)濟學(xué)獎，圖靈獎獲得者郝伯特·西蒙的不確定性環(huán)境下決策理論：應(yīng)當(dāng)是有限的理性，而不是全知全能的理性；應(yīng)當(dāng)是過程合理性，而不是本質(zhì)合理性。過程理性決策步驟可以參考文章[6]中描述。再結(jié)合智能助理的定位，我們可以設(shè)想智能助理需要實現(xiàn)如下功能：

• 前提：客戶信息收集以及相關(guān)領(lǐng)域信息收集

• “具備基于上下文的對話能力，具備理解口語中的邏輯”[2].

• 提供決策相關(guān)信息以及可選方案集。

• 在特定領(lǐng)域輔助履行。

• 決策后跟蹤相關(guān)信息，獲得新數(shù)據(jù)，是持續(xù)優(yōu)化決策的過程。

前提：客戶信息收集以及相關(guān)領(lǐng)域信息收集

智能助理需要收集客戶的個人信息，這不只是千人千面的客戶標(biāo)簽畫像，而是認(rèn)為每個人都是獨立的個體。電影《Her》中人工智能薩曼莎是位稱職的智能助理，她被啟動后立即申請是掃描主人公的硬盤。在扎克伯格的Jarvis 不但控制了他家的全部家電、門禁，還包括收集個人生活偏好。“一個AI系統(tǒng)就能越好地處理開放式問題。我經(jīng)常只對Jarvis說‘播放音樂’，它會查看我過去的聽歌習(xí)慣”[7]。授權(quán)智能助理收集個人信息的前提是信任，使用者必須相信電影《Her》中智能助理薩曼莎同時和8316個人溝通同時，每個智能助理都是獨立的并能保護(hù)每位使用者個人隱私。

這些天北京又持續(xù)爆表霧霾，是否要讓孩子離開北京，是很多家長非常糾結(jié)的問題。吳曉波在文章[8]中為賣房去大理的寬寬做了一個財務(wù)規(guī)劃。如果這個問題提給智能助理，其需要收集寬寬當(dāng)前財務(wù)以及房產(chǎn)情況，并以寬寬的名義詢問各銀行二手房按揭利率信息，以及了解大理房價信息，是否有購房限制等等。這些都是智能助理需要收集領(lǐng)域知識與信息。

提供決策相關(guān)信息以及可選方案集

參考文章[8],在寬寬提出移居大理后，智能助理應(yīng)該根據(jù)之前收集的信息給出以下兩個方案：

1）賣房530萬，購大理房一次性付款130萬元。400萬理財。

2）抵押房子給最優(yōu)貸款條件的銀行，貸款利率5.4%，拿到159萬元買大理房。每年需支出利息8.58萬元，房屋租金9.6萬元。

如何抉擇并不是智能助理的職責(zé)。寬寬可以聽從吳曉波基于他的專家經(jīng)驗，認(rèn)為“人民幣正處在一個不可逆轉(zhuǎn)的貶值周期中…最保守的計算，未來M2維持年均10%的增速”[8]得出結(jié)論是“所以，請你“拋棄”北京的時候，盡量不要拋棄北京的房子。”[8]。但寬寬也可以認(rèn)為既然人民幣正處在一個不可逆轉(zhuǎn)的貶值周期中，那將400萬換成美元理財、基金。如果房價未來以美元計價跌了，那么她再買回來。又或是她在大理找到更加明確的人生的真諦，選擇了新的生活方式，不愿再回北京，那北京房價再高也和她沒有關(guān)系。這些都是她的決定，無法讓智能助理代其抉擇，但智能助理可以提供方案以及可能的后果。

在特定領(lǐng)域輔助履行

在電影《Her》智能助理薩曼莎在評價主人公文章的價值后，將其文章發(fā)給出版社編輯從而得以出版。忽略其中代替決策的部分，能知道如何在特定領(lǐng)域輔助履行決策已是很難。就和知道特定領(lǐng)域收集什么信息一樣困難。目前這方面多是基于專家經(jīng)驗的模板實現(xiàn)。

決策后相關(guān)信息跟蹤，獲得新數(shù)據(jù)，是持續(xù)優(yōu)化決策的過程

持續(xù)跟蹤相關(guān)信息，再有新的重要信息告知用戶。比方如果北京房價跌了，寬寬的美元理財、基金漲了，北京空氣持續(xù)優(yōu)化。這時可以讓寬寬抉擇是否購回北京房產(chǎn)。如果相反那就不用說了，免得添堵。

預(yù)測重要，但也沒那么重要

在上面買房輔助決策中，并沒有預(yù)測十年后房價，也沒有預(yù)測利率、匯率，或他們未來可能的生活方式。而是提供當(dāng)前事實性的信息，可貸款信息，房價信息等，以及可選的方案。當(dāng)然，如果能準(zhǔn)確預(yù)測未來房價，那就是個規(guī)劃問題。目前看來，未來之眼的機器并不存在。而且如果人人都一個完美預(yù)測的機器，那就引入新的變量，原有的預(yù)測都又不準(zhǔn)了。另外一點，目前也不可能每人都有AlphaGo的計算能力，有篇報道稱在2015年10月的公布的版本, AlphaGo使用一千多塊CPU及一百多塊GPU，圍棋還只是完全信息博弈游戲。

既然無法準(zhǔn)確預(yù)測，那就提供可選方案對當(dāng)前決策緩沖預(yù)測誤差影響。如用400萬換套小些、遠(yuǎn)些的房子。

原文發(fā)布時間為：2017-01-13

本文來自云棲社區(qū)合作伙伴“大數(shù)據(jù)文摘”，了解相關(guān)信息可以關(guān)注“BigDataDigest”微信公眾號

總結(jié)

以上是生活随笔為你收集整理的我们需要什么样的智能助理？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。