jin科技前沿：[ 微信公眾號：funjinn  QQ號：12783747 ]

谷歌工程主管：如何創(chuàng)造真正的人工智能

據(jù)國外媒體報(bào)道，谷歌工程主管雷·庫茲韋爾（Ray Kurzweil）日前接受了媒體采訪，介紹了他加盟谷歌的目的。作為一位著名企業(yè)家、發(fā)明家和未來學(xué)家，他加盟谷歌曾引起轟動。但庫茲韋爾介紹說，他畢生的目標(biāo)就是創(chuàng)造真正的人工智能，而谷歌擁有龐大的數(shù)據(jù)和計(jì)算資源，這是其他公司不能提供的優(yōu)勢，也是他開發(fā)人工智能的必備因素。騰訊科技匯編。

jin摘錄如下：

庫茲韋爾現(xiàn)年65歲，他有過很多發(fā)明成果，包括音樂合成器、語音識別系統(tǒng)等。早在14歲的時候，他就想要創(chuàng)造一種真正的人工智能，甚至預(yù)測機(jī)器將在2029年達(dá)到人類的智能?，F(xiàn)在，作為谷歌的工程主管，他尤其專注于使計(jì)算機(jī)真正理解，甚至發(fā)出自然語言，并最終希望創(chuàng)造一種“電子好友”（cybernetic friend），能夠在你做事情之前就知道你想做什么。

問：在你的著作《如何培養(yǎng)思維》（How to Create a Mind）當(dāng)中，你提出了大腦如何工作的理論。能否簡要解釋一下？

答：世界是多層次的，只有哺乳動物擁有大腦皮層，而大腦皮層的發(fā)展有助于更好地理解世界結(jié)構(gòu)，因此你可以更好地根據(jù)自己的需求進(jìn)行調(diào)整，并在多層次的世界里解決問題。我們應(yīng)當(dāng)分層次進(jìn)行思考。我們的第一個發(fā)明就是語言，而語言也是分層次的。

深入學(xué)習(xí)，也就是我所說的分層次學(xué)習(xí)，背后的理論在于，你應(yīng)當(dāng)有一種模式來反映想要學(xué)習(xí)的自然現(xiàn)象的不是層級。如果沒有這種模式，你的學(xué)習(xí)能力就會變?nèi)?，也會被表面現(xiàn)象所迷惑。

問：為何理解自然語言是終極挑戰(zhàn)？

答：阿蘭·圖靈（Alan Turing）進(jìn)行的圖靈實(shí)驗(yàn)完全依據(jù)書面語言。根本上講，這是一個即時信息游戲。要真正掌握自然語言，甚至是掌握書面形式的語言，達(dá)到完全令人類信服的水平，這需要全面的人工智能。你需要的不僅僅是簡單的語言處理技巧，有很多聊天機(jī)器人也能做這樣的事情，這會令一些人感到誤解。事實(shí)上，它們根本無法有效地通過圖靈實(shí)驗(yàn)。

因此，自然語言是人工智能的一個非常深奧的領(lǐng)域，在其他地方我無法像在谷歌一樣完成這樣的項(xiàng)目。現(xiàn)在，我已經(jīng)在這里工作了幾個月，我能夠看到拉里·佩奇的團(tuán)隊(duì)具備的智慧。

問：為什么這么說？谷歌能夠?yàn)槟銓?shí)現(xiàn)目標(biāo)提供什么幫助？

答：以谷歌的知識圖譜（Knowledge Graph）為例，這是一個擁有7億個主題、地點(diǎn)、人和其他概念的目錄。如果想要理解自然語言，你就必須理解世界上的這些概念和事物，無論是抽象事物還是具體事物?，F(xiàn)在知識圖譜擁有7億個入口，數(shù)十億個鏈接，并且仍在快速增加。這是我無法創(chuàng)造的內(nèi)容。顯然，我們要充分利用知識圖譜，因?yàn)槿绻７抡Z言在說什么，你就必須鏈接到這些概念的知識基礎(chǔ)，它們之間已經(jīng)建立了一些聯(lián)系。還有其他一些技術(shù)，例如句法分析，這是谷歌以外的地方看不到的。
 

問：你的著作里有個章節(jié)介紹了在芯片和軟件里培養(yǎng)真正思維的步驟。這是否是你在谷歌工作的目的，至少是最終目的？

答：我曾披露過總體的方向，但是我也有一些私人的觀點(diǎn)，顯然不會在書里分享，尤其是如何建立層級。我并沒有在書里談及這些內(nèi)容。關(guān)鍵在于，這些層級并非生而有之，與生俱來的是毫無關(guān)聯(lián)的模塊，相互之間沒有形成任何模式。然后我們開始學(xué)習(xí)，甚至在我們出生之前就開始學(xué)習(xí)，因?yàn)槲覀冊?6周的時候就睜開眼睛，并開始學(xué)習(xí)聲音。

重要的是，大腦皮層創(chuàng)造了這種層級，也就是這些模塊如何與更高級的模塊聯(lián)系起來。這需要很多年，甚至幾十年才能達(dá)到一定的水平。因此，即便大腦皮層非常出色，如果沒有學(xué)習(xí)過程，這也無濟(jì)于事。因此，打造人工智能實(shí)際上就是創(chuàng)造一個學(xué)習(xí)過程。

問：你打算怎么做？

答：我知道如何利用模擬大腦形成的數(shù)據(jù)層級。這正是我在這里需要做的事情。拉里·佩奇對這本書感到非常興奮，并且非常重視人工智能。因此我有很大的獨(dú)立性，我并沒有受到什么規(guī)格限制，也不必受制于接下來幾年需要做什么。

盡管沃森曾經(jīng)擊敗過兩位最出色的人類選手，但它獲勝是因?yàn)橐?guī)模大，因?yàn)樗梢蕴幚?億頁的內(nèi)容，而你我卻無法閱讀100萬頁的內(nèi)容。因此，它的理念就是要擁有足夠的語義，即便我們無法發(fā)掘全部的語義，或者像人類世界那樣的規(guī)模，但我們可以通過每個網(wǎng)頁，每部書頁，一步一步地在搜索領(lǐng)域做得更好。這就是搜索和知識導(dǎo)航的總體方向。

問：你的出發(fā)點(diǎn)在哪里？是否需要克服什么挑戰(zhàn)才能走上正軌？

答：關(guān)于如何模仿語義，我腦海里的想法就是眼前面臨的挑戰(zhàn)。在語音識別方面，我可以非常簡單地描述出語音信號輸出的意義：這其實(shí)是其他人所說內(nèi)容的轉(zhuǎn)述。然后，我可以努力創(chuàng)建一個擁有100萬種發(fā)音和正確翻譯的數(shù)據(jù)庫。這是一個巨大的項(xiàng)目，但卻是切實(shí)可行的。隨后你可以進(jìn)行一些學(xué)習(xí)算法。我們使用的是分層次學(xué)習(xí)方法。然后，你可以通過自己的經(jīng)驗(yàn)開始學(xué)習(xí)。

這是第一個步驟，也就是正確地翻譯語言發(fā)音，這與自然語言理解一樣困難。你如何反映語言的正確意思？即便不考慮人們語言中的含糊之義，你如何描述它的意思？我腦海中有一個以圖形表達(dá)語義的想法?；蛟S它無法抓住每一個細(xì)節(jié)，但目前的計(jì)算機(jī)程序無法抓住任何一個語義細(xì)節(jié)。

然后，我想要建立一個語音識別數(shù)據(jù)庫。你可以便捷地獲得很多文本范例，只需前往維基百科就可以獲得數(shù)百萬個頁面。然后可以建立一個正確翻譯的數(shù)據(jù)庫，用來表達(dá)語義。隨后，我們可以研發(fā)一種深入學(xué)習(xí)算法，用于進(jìn)行語義翻譯。這樣在遇到一個新句子的時候，或許是用戶在提問中使用的新句子，也或者是每分鐘都會出現(xiàn)的新網(wǎng)頁里的新句子，它能夠正確地進(jìn)行翻譯。

問：你和你的團(tuán)隊(duì)會不會與谷歌的其他人工智能相關(guān)團(tuán)隊(duì)進(jìn)行合作？

答：我已經(jīng)成立了一支團(tuán)隊(duì)，有些是內(nèi)部轉(zhuǎn)崗，有些則來自外部。我會充分利用這里的其他資源。例如，我們需要充實(shí)知識圖譜，使其具有更廣闊的關(guān)系網(wǎng)。目前的知識圖譜還不足以涵蓋語言所表達(dá)的所有關(guān)系。因此，我們在自然語言理解方面首先要做的就是讓知識圖譜團(tuán)隊(duì)擴(kuò)充知識圖譜，并加入更多的關(guān)系。

問：你的最終目標(biāo)是不是打造一種能夠通過圖靈實(shí)驗(yàn)的人工智能，或者能夠利用這些技術(shù)提升人類大腦？或者你會不會把這兩件事情分開來完成？

答：如果你談的是我的職業(yè)，那么我首先是一個發(fā)明家。我進(jìn)入未來學(xué)術(shù)領(lǐng)域，也是為了服務(wù)于自己的發(fā)明事業(yè)。時間很重要，著名發(fā)明家都能夠很好地把握時機(jī)。拉里·佩奇和謝爾蓋·布林在整理互聯(lián)網(wǎng)鏈接、打造更好的搜索引擎方面形成了出色的理念。如果他們早幾年或者晚幾年，你或許就不會知道他們的名字。這就像雙向飛碟射擊一樣?；叵肴剿哪昵?，大多數(shù)人還沒有使用社交網(wǎng)絡(luò)、維基和博客?；叵胧嗄昵?，大多數(shù)人還沒有使用過搜索引擎。

我的個人動機(jī)并不是打造一臺能夠通過圖靈實(shí)驗(yàn)的計(jì)算機(jī)，而是做出一種短期的貢獻(xiàn)。自然語言理解是一個沒有終點(diǎn)的目標(biāo)，搜索也是如此。我認(rèn)為這個項(xiàng)目沒有結(jié)束的那一天。

問：深入學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)會如何改變計(jì)算機(jī)的本質(zhì)？

答：馮諾伊曼計(jì)算機(jī)（也就是如今所有傳統(tǒng)計(jì)算機(jī)的基礎(chǔ)）的結(jié)構(gòu)與大腦結(jié)構(gòu)有很大區(qū)別。在大腦里，100萬億個神經(jīng)元連接都在同時進(jìn)行計(jì)算。因此這是真正的大規(guī)模平行處理。但是這些計(jì)算速度非常緩慢，例如每秒只能計(jì)算100次。而且這些計(jì)算本身并不重要，它只是形成了一個概率整體。計(jì)算機(jī)并不是這樣。

超級計(jì)算機(jī)的速度已經(jīng)超過了模仿人腦所需的運(yùn)算能力，不僅在分子層面模仿，而且在功能方面模仿。這是一個重要的區(qū)別。過去曾有亨利·馬克萊姆（Henry Markram）發(fā)起、已獲10億歐元資助的“藍(lán)腦計(jì)劃”，現(xiàn)在美國又有了“腦活動地圖”（Brain Activity Map），這是為了在分子層面復(fù)制大腦。

問：你認(rèn)為這并非可行的道路？

答：這是一個偉大的項(xiàng)目，但并非創(chuàng)造人工智能的正確道路，而是檢驗(yàn)我們對人腦工作理念的方法。這是了解大腦、了解神經(jīng)如何工作、了解離子渠道如何運(yùn)行的有效方法，也是創(chuàng)造大型大腦模仿器并看它是否正確運(yùn)行的好方法。這是研究大腦的方法，然后我們可以進(jìn)行借鑒，利用這種生物算法來創(chuàng)造人工智能。
 

問：還有哪些因素會決定我們何時看到真正的人工智能？

答：需要考慮“加速回報(bào)定律”。根據(jù)信息技術(shù)的進(jìn)步，我們總是用今天的技術(shù)去創(chuàng)造下一個技術(shù)。軟件領(lǐng)域同樣如此。只要有一個系統(tǒng)運(yùn)行，我們就可以改進(jìn)它，而且是成倍地改進(jìn)，而非漸進(jìn)式的改進(jìn)。同樣的技術(shù)可以使我們看到大腦內(nèi)部，大腦掃描的分辨率不斷提升，我們通過神經(jīng)學(xué)獲得的數(shù)據(jù)模塊也越來越多。然后，我們可以利用這些信息研究如何利用大腦的生物算法改進(jìn)人工智能。

jin科技前沿：[ 微信公眾號：funjinn  QQ號：12783747 ]