一、哲学能够为人工智能做些什么？

　　 哲学要做的第一件事是思考大问题，澄清基本观点。

　　 与哲学家比较较，一样平常的自然科学家每每只是在自己的研究中预设了干系问题的答案，却很少系统地反思这些答案的合法性。

　　 第二，哲学在不同学科的研究成果之间探求汇通点，而不受某一详细学科视野之局限。

　　 举一个例子，用军事上的比方，哲学更像是计策性思考。
如果你是在一个炮兵学院里面，不同的研究炮兵战术的军官会谈论炮兵战术所牵扯到的详细的几何学问题。
但是站在计策层面，它可能对付这些非常细微的问题会忽略，更多的会考虑炮兵在军事体例中所扮演的功能角色，站在更高的层面去看。
这可能帮助大家理解哲学该当是干什么的。

　　 第三，重视论证和辩解，相对轻视证据的约束。

　　 人工智能须要哲学吗？

　　 我个人认为如果说化学家、物理学家和生物学家对哲学的排斥还有一点道理的话，人工智能对哲学的排斥是最没道理。
就对付哲学文化的宽容程度而言，AI科学绝对算是个科学界内部的异数。
从某种意义上说，该学科本身的出身，就正好是“头脑风暴”般的哲学思辨的产物。

　　 人工智能异数异到什么地步？以至于现在教诲部的学科目录里面没有人工智能，这是很有讽刺意味的事。
大概往后会形成一级学科，但是现在还没有形成。

　　 我们先看下阿兰·图灵，阿兰·图灵（Alan Turing，1912-1954）在英国哲学杂志《心智》上揭橥了论文《打算机器和智能》（Turing 1950）。
在文中他提出了著名的“图灵测验（Turing Test）”的思想。

　　 此文牵扯到了对付“作甚智能”这个大问题的追问，并试图通过一种行为主义的心智理论，终极消弭生理学研究和机器程序设计之间的楚天河界，同时还对各种敌对见地供应了丰富的回嘴见地。
这些特色也使得这篇论文不仅成为了AI科学的先声，也成为了哲学史上的经典之作。

　　 1956年发生大事宜——Datmouth 会议，在这一年夏天的美国达特茅斯学院（Dartmouth College），一群志同道合的学者驱车赴会，畅谈如何利用刚刚问世不久的打算机来实现人类智能的问题，而洛克菲勒基金会则为会议供应了7500美元的帮助（这些美元在当年的购买力可非今日可比的）。

　　 在会议的预备期间，麦卡锡（John McCarthy，1927～）建议学界往后就用“人工智能”一词来标识这个新兴的学术领域，与会者则附议。

　　 参加达特茅斯会议的虽无职业哲学家，但这次会议的哲学色彩依然浓郁。
首先，与会者都喜好谈论大问题，即如何在人类智能水平上实现机器智能（而不是如何用某个特定的算法办理某个详细问题）。

　　 其次，与会者都喜好谈论不同的子课题之间的关联，追求一个统一的办理方案（这些子课题包括：自然措辞处理、人工神经元网络、打算理论以及机器的创造性，等等）。

　　 末了，不同的学术见地在这次会议上自由碰撞，表示了高度的学术宽容度（从麦卡锡完成的会议方案书[McCarthy et al. 1955]来看， 没有什么证据表明这次形式疏松的会议是环绕着任何统一性的、逼迫性的研究纲领来进行的）。
让人欣慰的是，这些“哲学化特质”在美国日后的AI研究中也得到了保留。

　　 为何AI科学对哲学的宽容度相对来得 就比较高？这背后又有何玄机呢？

　　 这首先和AI科学自身研究工具的分外性干系的。

　　 AI的研究目的，即是在人造机器上通过仿照人类的智能行为，终极实现机器智能。
很显然，要做到这一点，就必须对“作甚智能”这个问题做出解答。

　　 如果你认为实现“智能”的本色便是去只管即便仿照自然智能体的生物学硬件。
你就会去努力研讨人脑的构造，并用某种数学模型去重修一个简化的神经元网络（这便是联结主义者所做的）。
现在我们都知道有一个类脑研究操持，这种研究有繁芜版本和大略版本，繁芜版本便是蓝脑操持一样，把大脑运作的信息流程只管即便逼真的仿照出来，比较大略的便是简化的神经元网络。

　　 站在专业的研究脑科学的态度上，神经元网络很不神经，离真正的神经活动来说，它是高度简化，但是站在很宏不雅观的态度上，至少你说神经元网络也是受大脑的启示和影响。
这个路线很多人认为是对的，我认为可以做出一些成果，但是不要抱有太高的期望。

　　 如果你认为智能的本色仅仅在于智能体在行为层面上和人类行为的相似。
那么你就会用尽统统办法来填满你空想中的智能机器的“心智黑箱”（无论是在个中预装一个巨型知识库，还是让其和互联网接驳，以便随时更新自己的知识——只要管用就行）。

　　 由此看来，正是由于自身研究工具的不愿定性，AI研究者在哲学层面上对付“智能”的不同理解，也才会在技能履行的层面上产生如此大的影响。
很明显，这种学科内部的基本不合，在相对成熟的自然科学那里是比较罕见的。

　　 其次，AI科学自身的研究手段，缺少删除不同理论假设的决定性讯断力，这在很大程度上也就为哲学思辨的展开预留了空间。

　　 下面我们讲一些案例，这些案例可以证明哲学思维对AI是非常有用的。

　　 霍伯特·德瑞福斯（Hubert Lederer Dreyfus, 1929-），美国加州伯克利分校哲学教授，美国最精良的征象学家之一，在海德格尔哲学、福柯哲学、梅洛-庞蒂哲学研究方面很有成绩。
让人惊异的是，以欧陆人本主义哲学为背景的德瑞福斯，却写下了AI哲学领域最富争议的一部著作《打算机不能够做什么？》（Dreyfus 1979）以及其修订本（Dreyfus 1992），并使得他在AI领域的社会影响超越了他的学术本行。
那么，他为何要转行去写一本关于AI的哲学书呢？

　　 Hubert L. Dreyfus，《机器战警》里面涌现某个反对机器人有自动开火能力的哲学家和这个哲学家的名字一样的，我认为编剧是故意这么干的，由于他在美国是非常有名的搞人工智能哲学的专家。
他为什么要去搞人工智能哲学？

　　 非常故意思，根据他自己和的讲法，这和他在麻省理工学院传授教化时所遭到的一些刺激干系。
在1962年就有学生明白地见告他，哲学家关于人性的思辨现在都过期了，由于闽斯基等AI科学家听说在不久后就可以用工程学的方法实现人类智能的方方面面。

　　 德氏以为这话近乎于天方夜谭，但是为了做到公允起见，他还是在不久后去了美国的顶级民间智库“蓝德公司”（Rand Corporation）进行调研——由于正好在那个时候，司马贺、纽艾尔和肖（Cliff Shaw）等AI界的顶级大腕也正在那里从事研究。
经由一段韶光的剖析往后，德氏末了确定自己对付当时的AI方案的疑惑乃是有根据的，并在1965年扔出了他掷向主流AI界的第一块板砖：《炼金术和AI》（Dreyfus 1965）。

　　 德氏对付主流AI进路的批评见地很多，个中比较故意思的一条是，真实的思维是不能够被明述的程序所穷尽的。
比如说你在打网球的时候，是不是得先看到了球，然后打算其入球的角度，打算你的拍子接球的角度以及速率，末了才能够接到球？显然不是这样的，由于由上述打算所带来的运算负荷是很高的，我们人类的大脑未必“消费得起”。

　　 实际上，闇练的网球手仅仅是凭借某种前符号规则的直觉领悟才能够把握到接球的精确机遇的——而对付这些直觉本身，传统的程序设计方案却每每是无能为力的。

　　 不过，德氏本人并不认为所有的AI进路都无力办理上述问题。
换言之，一些更为新颖的AI进路或许能够对如何把握这些前符号的直不雅观供应方案。
他认为，这些进路必须更为虔诚地反响身体的构造，以及身体和环境之间的互动关系，而不仅仅是在符号的内部天下中打转。
他的这个想法，往后在AI专家布鲁克斯的理论建树中得到了发扬光大。

　　 布鲁克斯在论文《大象不下棋》中以哲学家的口吻评价道：新潮AI是建立在物理根据假设（physical grounding hypothesis）之上的。
该假设说的是，为了建立一个足够智能的系统，我们就绝对须要将其表征的根据奠定在物理天下之中。
我们关于这一事情路径的履历见告我们，一旦我们做出了这种承诺，那种对付传统符号表征的哀求就会立时变得黯淡无光。

　　 这里的核心命意在于，天下便是认知系统所能有的最好的模型。
天下一贯能够及时更新自身。
它总是包含了须要被理解的一些细节。
这里的诀窍便是要让系统以恰当之办法感知天下，而这一点常常就足够了。
为了建立表示此假设的模型，我们就得让系统通过一系列感知器和实行器而与天下相联系。
而可被打印的字符输入或输出将不再引起我们的兴趣，由于他们在物理天下中缺少根据。

　　 按照布鲁克斯的意见，AlphaGo打败李世石很伟大吗？他第一个反应是有什么了不起？由于他认为智能的主要性不是在于下棋，举出他的反例是大象不下棋，你造一个人造大象，仿照大象的所有生命活动，实在大象有很繁芜的活动。
或者海豚不下棋，你造一个人造海豚，下棋算什么本事？什么德州扑克，他都不在乎。
他更关心怎么制造智能系统和外部天下由嵌入式的认知，能够把外部天下本身直接当作这样的认知工具，而不是当中造出一个中间的符号。

　　 这种想法在很大程度上具有一定哲学上的创新性，布鲁克斯本身的研究更加看重的是对机器昆虫这种低等动物的行走能力的仿照，对高等智能是比较轻视的。
这也是建立在很基本的不雅观察上，人工智能研究的特点是小孩子越是随意马虎做到的事，现在人工智能越难做到。
比如很大程度的感知、把握，这是非常困难的。

　　 为何科学演习中缺席哲学演习？

　　 首先，对付处于“学徒期”的科学入门者而言，学会服从既定的研究范式乃是其第一要务，而对这些范式的“哲学式疑惑”则会导致其无法入门，而不是像哲学一样，在这个范式以外还有其他的可能性，有不同见地的互换。

　　 第二，严格的一级、二级、三级学科分类导致学生们忙于如何熟习特定领域内的研究规范，而无暇开拓视野，浮想联翩。
根据我对教诲部的分类理解，人工智能在中国是不存在的学科，这是很奇怪的事。

　　 轻微对人工智能这门学科理解的人都知道，大概十几年前搞人工智能的人不敢说自己搞人工智能，怕被扔砖头，大家认为是骗子，现在行情溘然发生变革。
如果你站在详细学科分类的内部来看学科，你就不随意马虎受到其他学科的思维办法的滋养。

第三，对付威信科学模式的服从，在很大程度上使大家不愿意接管异说。
人工智能学科最大的特点是很喜好攻击对方是异说，现在深度学习起来了，但深度学习的前身是神经元网络，它最大的仇敌便是符号AI，符号AI和神经网络之间的关系基本是曹操和刘备的关系，便是汉贼不两立，双方险些在人脉、资金、学术不雅观点所有地方展开比《甄嬛传》还要激烈的宫争。

　　 现在从整体看来，神经元网络的儿子便是深度学习霸占了比较高的位置，历史上它被打压的间很长。
我自己不雅观察下来，人工智能中不同的辩论是对资金的方向的掌握。

　　 传统AI最范例的哲学问题是框架问题：

　　 知识见告我们，手若抓起了积木，只会改变积木的位置，却不会改变积木的颜色以及大小，由于手抓积木这个动作和被抓工具的颜色以及尺寸无关。
但一个AI系统却又如何知道这一点呢？除非你在定义“手抓”动作的时候得说清，这个动作一定不会引起什么。

　　 但这种定义一定是非常冗长的，由于这会逼得你事先将事物的任何方面都罗列清楚，并将这些方面在相应的“框架公理”中予以事先的打消。
很显然，对付“手抓”命令的任何一次实行，都会调用到这些公理，这就会使得系统在实行任何一个大略任务的时候都会花费大量的认知资源。
然而，我们又都期盼系统能够用比较少的资源来办理这些看似大略的任务。
这就构成了一个巨大的冲突。

　　 语义干系性究竟是怎么一回事情？既然打算机的在句法运作的层面上只能够根据符号的形式特色进行操作，它又是如何理解自然语词之间的内涵性语义关联的？形式逻辑，或者别的形式系统，究竟是否可能以一种简便的办法刻画语义干系性？

　　 你可以预先在逻辑、公理里面说清楚所有事情之间的干系、不干系，但是没有办法写成一个可以实行的程序。
你写这样的程序，在任何一种情形下，你的机器手举起任何一块积木，这件事情只会导致它的位移，而不会改变被举起来的积木的颜色。
你以为啰嗦吗？这不是最恐怖的，更恐怖的是机器会一直问你，会引起这个、引起那个吗？很烦，由于机器不懂我们一下子能把握的干系性和不干系性，这是很胆怯的。

　　 以是丹尼尔·丹尼特写了一篇论文说，如果你用这个事理去造一个拆弹机器人，剪黄线还是剪红线、剪线会引起什么，他想半天，炸弹炸了。
由于剪炸弹的线是有韶光限定的。
你不能想象这个东西是有用的东西。

　　 我们再看比较新的话题，从哲学的角度反思现在的自然措辞处理与机器翻译，严格的说，自然措辞处理是大观点，机器翻译是一个小观点。
机器翻译是属于自然措辞处理的，但有时候会把它分开来说。

　　 现在机器翻译历史上有不同的路数，有基于神经元网络，基于统计的，基于符号的，基于中间语的，还有很多、很多路数。
但是深度学习牛掰起来往后，大家都用深度学习来做，很大程度上，深度学习做机器翻译也将盛行，也结合了一些大数据的方法。

　　 “深度学习”技能，紧张是作为一种“工程学技巧”进入我们的视野的。
实际上，我们目前尚无法在科学层面上清楚地解释：“深度学习”技能为何能够提高干系程序之运用表现——遑论在哲学层面上为这种“进步”的“可持续性”供应辩解。

　　 传统的神经元网络和深度学习比较，它的特点是中间处理层层数比较少，而现在的深度学习靠硬件的进步，可以把中间的处理层做成几十层上百层，这因此前不可想象的。
做多往后，在很大程度上剖析问题的层次感就多了，由于它层数越多就可以用不同的角度和层数剖析问题，因此，很大程度上处理问题的手段就更加细腻了。
的确表示出一种明显的工程学的进步。

　　 很大的问题是，这种进步是否可持续？我自己站在哲学领域是持保留见地，我认为可以搞搞，但是认为这件事末了能做成像霍金所说的毁灭人类的超级人工智能是胡扯。
我们可以借一些例子来谈论、谈论。

　　 传统的人工神经元网络有输入层、中间层和输出层，通过数据的处理得到一个输出，通过反馈算法等等东西来弄，它的最主要的是要调度打算单元之间的权重，通过这种权重的调度，逐步的让它的适应一类任务。
传统的神经元网络最大的特点是，它能够实行的任务是比较单一的，也便是说它完成一个任务往后做了什么，就永久的恒定在这个表现的水准上做这个事。

　　 如果你让他在大量帧数的画面里，在所有有刘德华的脸涌现的图片里面做标记，他开始标记的水平比较差，但是他标记的至少比其余一台机器好，其余一台机器把关之琳的脸也标成刘德华，你的机器至少在精确的道路上，随着韶光推移，通过演习逐步能做了。
然后刘德华演一部新电影，这电影刚刚上映，显然不是在演习样本里面，让他辨认里面是谁，分得很清楚，刘德华、吴彦祖、关之琳，分得很清楚，演习成功。

　　 现在给它一个新任务，现在不是认人脸，是认一个完备不同的东西，练什么东西呢？假设是一部武打电影，里面也有刘德华参与，但是不要认刘德华，把所有打螳螂拳或者咏春拳的画面选出来，我没学过，如果你要做这件事，这个机器要重新来进行调度。

　　 但是人类可以做一个推理，比如人类如果已经知道了甄子丹常常演叶问，而叶问是打咏春拳的，而人类已经学会了识别甄子丹，如果一部电影我给你一个任务，到底哪些画面是在打咏春拳？你不用看什么拳，你盯着叶师傅，盯着甄子丹就可以。

　　 这里面有三段论推理，非常方便的从一个知识领域到其余一个知识领域。
怎么识别甄子丹是一个领域，谁在打拳、谁在打叶问的咏春拳，这是其余一个知识领域。
当中有一个桥，便是叶问老师是由甄子丹扮演的，而甄子丹扮演的叶问老师是打这个拳的，你有这个桥，两个知识就可以合二为一。

　　 现在的问题也便是说，这对付符号AI来说很随意马虎的事，对神经元网络是很难的。
现在很多人说要把符号AI和神经元网络结合在一起，但是这个结合点怎么找？实际上困难很大。
深度学习只是它的的升级版，它是非常高等的升级版。
大家以为AlphaGo打败李世石是非常了不起的事，实际上这是迟早发生的事，由于它只能局限在围棋这一个网络。
同样一个深度学习系统同时做两件事，才算牛掰。

　　 美国的生物统计学家Jeff Leek最近撰文指出，除非你具有海量的演习用数据，否则深度学习技能就会成为“屠龙之术”。
有些人认为他的不雅观点是不对的，但是我还是方向于认为深度学习和神经元网络须要大量的演习样本，把某种模式重复性的呈现出来，让他抓到规律，整台系统才能逐步调到很好的水平。
叨教前面的数据是不是在任何一种场合都能够得到呢？这显然不是那么随意马虎的。

　　 哲学家柏拉图会怎么评价眼前的机器翻译？

　　 伯拉图有一个东西叫《美诺篇》，紧张因此对话形式来写他的哲学著作。
《美诺篇》里面有一个主要的桥段，一个从未学过几何学的小奴隶在哲学家苏格拉底的辅导放学会了几何证明。
阁下的人反复问，你真的没有学过几何学吗？怎么证明那么好？小奴隶说，真没学过。
阁下人证明，这小子字都不识，希腊笔墨母表都背不下来。

　　 由此引发的问题是：小奴隶的“心智机器”，究竟是如何可能在“学习样本缺少”的情形下获取有关于几何学证明的技能的呢？而后世的措辞学家乔姆斯基则沿着柏拉图的思路，问出了一个类似的问题：0-3岁的婴幼儿是如何在语料刺激相对贫乏的情形下，学会繁芜的人类语法的？——换言之，按照柏拉图—乔姆斯基的意见，任何一种对付人类措辞能力的建模方案，如果无法具备对付“刺激的贫乏性”（the poverty of stimuli）的容忍性的话，那么干系的建模成果就不能被说成是具备对付人类措辞的理解能力的。

　　 乔姆斯基的阐明是人有先天语法构造的能力。
人家问乔姆斯基，这个东西怎么来的？他说，这是进化当中的基因突变导致的。
我最近美国开议事大会，碰到乔姆斯基，他一方面承认这肯定是进化基因突变的，但是另一方面又否认我们可能用履历手段去严格的研究措辞进化的某个历史瞬间到底发生了什么，由于他认为我们缺少追溯几十万年的措辞基因突变的履历能力。

　　 我并不完备附和他的不雅观点，但是有一点我附和他，他精确的提出一个问题，这个问题便是机器学习主流没有办法办理的问题。
小朋友是怎么做到这么小就可以节制语法？

　　 若按照按照乔姆斯基的标准或者伯拉图、苏格拉底的标准，，我们是否可以认为目前基于深度学习的机器翻译技能是能够理解人类措辞的呢？答案是否定的。

　　 实际上，已经有专家指出，目前的深度学习机制所须要的演习样本的数量应该是“谷歌级别”的——换言之，小样本的输入每每会导致参数繁芜的系统产生“过度拟合”（overfitting）的问题。
也便是说，系统一旦适应了初始的小规模演习样本中的某些特设性特色，就无法灵巧地处理与演习数据不同的新数据。

　　 一句话，凑数凑得太假了，以至于难以应对天下的真正的繁芜性！

　　 举个例子，一个人说她自己很适宜谈恋爱，很适宜和异性交往。
她谈第一次恋爱，两个人如胶似漆，而且她的恋爱工具是非常奇葩的男人，非常宅，邋遢，很奇怪，别的男人对他也有见地，但是这个女人和他一拍即合。
这便是过拟合。

　　 你作为她的闺蜜会担心一件事，她和这个男人分离往后，能不能适应正常的男人？按照统计学来看，第一次恋爱成功的概率是很低，如果你第一次就过拟合了，你往后怎么玩这个游戏？这很麻烦，这是恋爱中过拟合的问题，和谁都特殊熟，黏住谁便是谁，分不开，他什么毛病也传给你，以至于你不能和第二个人谈恋爱。

　　 其余一种是不拟合，便是和谁都不来电。
按照机器演习来说便是怎么演习都演习不出来。
一种太随意马虎演习出来，太随意马虎演习出来的问题是我现在用这组数据很随意马虎把你演习出来，往后真实天下中真实数据和实验室不一样，你能不能搪塞？

　　 就措辞论措辞，新数据与演习数据不同恐怕会是某种常态，由于能够根据既有的语法布局出无穷多的新表达式，本便是统统自然措辞习得者所都具备的潜能。
如果我乐意，我可以用大家听得懂的汉语跟大家描述各种各样的奇葩状态。
这是措辞的特点。
也便是说既有的语法许可我们布局出无穷多的新表达式。

　　 能够用既有的语法布局更多的新表达式，是任何一个措辞习得者的能力，能够听懂别人用你的母语所表达的任何一种奇葩的表达式，也是一个合格措辞习得者的能力，这个能力是何等的平常，但是对付机器来说是多么的稀奇。

　　 换言之，无论基于深度学习技能的机器翻译系统已经通过多大的演习量完成了与既有数据的“拟合”，只要新输入的数据与旧数据之间的表面差距足够大，“过度拟合”的幽灵就都一贯会在附近徘徊。

　　 以是从过去当中永久没有办法一定的推出关于未来的知识或者关于未来我们不能有真正的知识，这是休谟哲学的相论点，他没有用什么拟合、不拟合的数据，由于他当时不知道深度学习。
但是你会创造，过很多年，休谟的哲学问题没有办理。

　　 从本人的哲学态度来看，未来人工智能须要做的事情：

　　 1. 首先要在大的目标上指出通用人工智能是一个大的目的。

　　 很多人给我说通用人工智能做不出来，我的书指出了，所有指出通用人工智能做不出来的论证是不成立的。
第二个如果你相信某些人所说的，人工智能将对人类生产生活产生颠覆性的影响，而不是过去的自动化的零敲碎打的影响，只有通用人工智能才能对未来的生活进行颠覆性的影响。
由于专用人工智能不可能真正取代人的事情，只有通用人工智能能做到。

　　 比如家政做事员，让机器人做，你知道家务有多麻烦吗，家务有多难做吗？我始终以为做家务比做哲学烧脑，我一贯以为做家务合格的机器人比做哲学还是要更慢一点，你十个人都喊着文本都是一个文本，十个人不同家庭的打扫情形便是不同。

　　 这个人家里书很多，但他不肯望你理得很整洁，其余一个人家里有很多书，但是希望你理得很整洁。
这个小朋友3岁，喜好书。
这个地方有小朋友13岁，很不喜好看书。
这些问题都繁芜，人都要被他弄崩溃，机器怎么搞得清楚？

　　 2. 认知措辞学的算法化。

　　 3. 基于意义的普遍推理引擎，而不能把推理算作形式、逻辑的事情，而要认为这和意义有关。

　　 4. 节俭性算法与该推理引擎的结合，我们的打算要从小数据出发，要表示节俭性，不能依赖大数据。

　　 5. 结合认知心理学研究加入人工感情等新要素。

文章来源：腾讯研究院