當前位置: 華文問答 > 數碼

機器的智能和人類的智能有什麽重要區別?這些區別對於我們培養後代有什麽啟示?

2018-10-26數碼
Vision is therefore, first and foremost, an information-processing task, but we cannot think of it just as a process.
因此,視覺是一項資訊處理任務,但視覺和處理並不完全相同。
David Marr, Vision

David Marr 可能是許多做計算神經科學,甚至一些電腦視覺的科研工作者的偶像。當回顧上世紀七十年代,在MIT的人工智能實驗室的開創之時,無數年輕的科學家(現在的大牛們)都投身於一項在他們眼中不復雜的工作:如何用機器來 「復現」 人類的視覺。很可惜,直到現在,電腦才在一些特定的視覺工作中達到了人類的水平。

當然,隨著電腦算力的提升,演算法的升級;終有一天,電腦可以像人一樣處理視覺資訊。亦或者就像Marr所言,未來的一天,一位科研工作者,就可以用一台普通網絡攝影機配以算力足夠的電腦,模擬出 「看」 的過程。但是電腦的 「看」,和人類的 「看」 一樣麽?電腦的 「智能」 與人類的 「智能」 一樣麽?

Adapted from Krakauer et al., 2016.

正如Marr 對於視覺過程的總結一般,視覺過程可以分為三個層次(David Marr’s Three Level’s of Analysis ):計算層面,演算法層面,與實作層面。便於理解的例子(以及圖)就是Krakauer et al. (2016) 的一個例子。倘若我們研究鳥類運動時候,鳥飛就是計算層面問題;飛行的演算法就是鳥的振臂拍翅;而具體的實作,就依靠於鳥類輕盈的骨骼, 豐滿的毛發以及強健的胸肌。

那麽,萊特兄弟在制作飛機的時候,肯定是達到了飛行這計算層面的問題。但是,哪怕仿生,他們也沒有鉆研如何做出巨大的強健的翅膀(你看,伊卡洛斯不就失敗了),而是用了截然不同的演算法(空氣動力學)以及不一樣的實作方法(發動機+飛機結構+材料科學的套用)。

就如同自然語意辨識一樣,視覺早期的研究都基於模仿人類本身的處理過程。沒準電腦復現果蠅的視覺系統還算簡單,但是復現人類的視覺系統太過難了。好比,處理物體辨識(object recognition)的下顳葉皮層(inferior temporal cortex)的神經元有著極為復雜的感受野。直接表達特別困難。

也正如自然語意辨識一樣,科學家們發現模擬人類(的演算法)不是最佳路線,其中兩項巨大的原因:1. 演算法本身難以描述(神經科學亟待突破),2. 人類與電腦的硬件結構不同(實作層面不同)。正如Marr所言,視覺的確是計算,但是不是計算而已。用不同的硬件實作一樣的計算,不妨使用不一樣的演算法。統計以及機器學習正是方子。

所以說,簡單而言,電腦的 「智能」 與人類的 「智能」 在一定領域達到了同樣的計算層面(比如都能辨識面孔),但是由於完全不同的硬件(視覺處理區域 v.s. 電腦的GPU+CPU),辨識演算法截然不同。

正如演化一樣,並沒有高低之分,只有適合與否。目前的電腦的 「智能」 走出了截然不同的道路,達到了很好的作用。對於科研也有著很大作用。

隨著機器學習不斷突破前沿,神經科學也收到了不少反哺。比如最新在 Nature Neuroscience的論文,無論是核磁共振數據還是neurobiology的實驗,都在機器學習的幫助下 (哪怕就是 SVM),更好地理解神經系統的執行過程。

甚至,手機中的機器學習芯片都可以學習我們使用過程,提供個人化甚至獨一無二的體貼服務。

而在教育角度,電腦的 「智能」 由於可以達到一些人類難以達到的高度 (速度和效率,甚至類似棋類軟件的強大算力),其實可以給人類一些幫助:學習機器的演算法。是的,機器的演算法雖然有時候基於電腦本身,但是拆分開一項巨大工作,裏面不少演算法可以為我們所用。獨特的角度,而且超脫了人類智力本身的電腦的 「智能」,沒準能讓我們更快地達到 我們想要的目的本身啊。