廣義“理解”已經實現

在最新的人工智能系統中,我們經常可以觀察到一種類似“理解”的能力。這種廣義的“理解”能力,主要建立在兩個基礎之上:海量信息的記憶與搜索。

以著名的AlphaGo為例,它通過存儲和搜索大量圍棋對弈的棋譜再結合特定的搜索決策模型,逐步“理解”圍棋這一游戲的內在規律,并在與李世石九段的比賽中成功取勝。可見,通過大規模記憶與高效搜索,人工智能已經初步獲得了某種類型任務的“理解”能力。

并且在信息記憶與檢索這些能力上,人工智能系統已經遠超過人腦。以GPT-3語言模型為例,其擁有1750億個參數,相當于數百億條對話語料的記憶能力,遠非人類大腦可以匹敵。在這些廣義“理解”的層面,我們可以說人工智能已然取得了巨大的進步。

狹義“理解”正在進行

然而,“理解”這個詞在人類語言中所表示的內涵,顯然遠不止于記憶與搜索這些能力。我們還需要一個更嚴格的“理解”定義。

有時候我們會說一個人“真正的理解”了某個知識。因為即使一個人能夠記憶大量知識,但如果無法運用這些知識解決實際問題,我們仍然有可能不會說他“理解”了這些知識。

在這樣的狹義“理解”定義下,我們需要檢驗人工智能在知識運用方面的能力。事實上,在信息處理領域人工智能已經在許多場景中替代了人類,展現出強大的知識運用能力。從醫療圖像識別到自然語言處理,再到復雜的數據分析,人工智能技術已經能夠基于所學知識,解決各類實際問題。

然而主要的瓶頸,仍然在于人工智能與物理世界的交互。受限于機器人技術與傳感器的發展程度,當與復雜多變的物理世界產生交互時,人工智能仍面臨巨大挑戰。這成為其表現執行能力或狹義“理解”能力的主要障礙。

知識的執行體與被執行體

對于知識的“理解”,我們通常默認知識的學習與運用發生在同一主體之上。但從人工智能系統的運行來看,人類或許會得到更多的理解。

我們可以將人工智能系統比作計算機中的軟硬件。軟件蘊含了知識與算法邏輯,但沒有硬件的執行就無法產生智能;而硬件沒有軟件的賦能,也只是死物一堆。只有軟件與硬件的緊密結合,才能產生智能。

以GPT模型為例,預訓練模型中的網絡權重可看作“硬件”,大量知識則蘊含在這些權重中,可看作“軟件”。當輸入新問題時,這些“軟硬件”聯合起來,才產生相關的答案。

類似地,在人類身上,我們積累的知識也可看作“軟件”,而人腦神經網絡則作為執行這些知識的“硬件”。當我們運用知識解決問題時,是否也是這樣的軟硬件協同作用的結果?

如果是這樣,我們習以為常的“理解”,或許只是大腦神經網絡對知識的一種“執行”而已。知識與運用的主體并不完全重合,“理解”這一概念也許需要重新審視。人類很有可能只是在利用自己的大腦，反復執行自己被輸入的各種知識。知識是一個抽象概念，被記錄在大腦中的只是知識的一種物理映射結果而不是知識本身。知識被執行了，大腦中的知識物理映射被讀取了。人類是一個執行體，人類擁有知識的物理映射，做為一個個體的人類，真的擁有知識嗎？載體的消失，對知識毫無影響。

從“理解”進入“思維”

在記憶、搜索和知識運用等方面,我們逐漸發現了人工智能與人類認知之間的一些異同。

無論是信息容量還是搜索效率,人工智能系統在這些層面已經取得了壓倒性的優勢。它們也在越來越多的領域中展現出知識運用和解決問題的能力。這些與人類共享的認知功能日益增多,使得二者界限愈發模糊。

同時,從執行體與被執行體的關系來看,我們也對“理解”這一概念有了更深的思考。這種反思啟發我們,也許需要打破原有的框架,重新審視和定義“理解”的內涵。

要深入探討“理解”這一核心問題,我們還需要觸及更高級的認知功能——思維與意識。正是人類特有的自我意識,建立在高度復雜的思維基礎之上,使我們有別于其他生命形態。這種高維的抽象思維能力,是人類核心競爭力的所在。

要判斷一個體是否“真正理解”,我們需要檢驗它是否擁有這種高度復雜、難以概括的思維能力。這仍然是人工智能領域的核心挑戰所在。探索和對這些獨特的人類認知功能進行建模,將決定人工智能發展的方向。

未完待續

人工智能在“理解”這一認知能力的道路上,已經取得了巨大的進步,在信息處理領域已日趨接近人類。但要觸及那種高階的、獨特的人類“理解”,進入思維與意識的范疇,人工智能的任務依然繁重。我們還需要深入研究與模擬人類思維本質,這關系到人工智能發展的方向與境界。

摘要

總結

以上是生活随笔為你收集整理的发现AI自我意识：从理解到思维的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。