在韓國(guó)首爾舉行的圍棋賽的中途，世界級(jí)頂尖圍棋選手李世石和谷歌人工智能阿爾法狗的較量中，人工智能阿爾法狗走出了超越人類(lèi)令人不安的神秘的一步棋。

在第37步，AlphaGo選擇把一塊黑色的棋子放在一開(kāi)始就像一個(gè)荒謬的位置。它看起來(lái)肯定會(huì)放棄一個(gè)實(shí)質(zhì)性的領(lǐng)域 - 這是圍棋中控制棋盤(pán)空間的一個(gè)新手錯(cuò)誤。兩位電視評(píng)論員想知道他們是否誤讀了這一舉措，或者機(jī)器出了故障。事實(shí)上，與傳統(tǒng)智慧相反，第37步將使AlphaGo在棋盤(pán)中心建立一個(gè)強(qiáng)大的基礎(chǔ)。谷歌程序高效地贏得了這場(chǎng)比賽，采取了一個(gè)沒(méi)有人會(huì)想出的走法。

關(guān)于藝術(shù)

理解語(yǔ)言對(duì)計(jì)算機(jī)和人工智能系統(tǒng)（AI）如此困難的一個(gè)原因是，單詞通常具有基于上下文的含義，甚至需要考慮字母和單詞的表達(dá)方式。在這個(gè)圖片的故事中，幾位藝術(shù)家展示了使用各種視覺(jué)上的細(xì)節(jié)來(lái)傳達(dá)超越實(shí)際字母的意義。

這個(gè)故事是我們2016年9/10月的問(wèn)題的一部分

阿爾法狗的勝利特別令人印象深刻，因?yàn)閲褰?jīng)常被看作是對(duì)直覺(jué)式智能的測(cè)試。規(guī)則很簡(jiǎn)單。兩名球員輪流在棋盤(pán)上的水平線和垂直線交叉處放置黑色或白色棋子，試圖圍繞對(duì)手的棋子并將棋子從場(chǎng)上移開(kāi)。然而，要玩的好是非常困難的。

盡管棋手能夠預(yù)測(cè)之后的幾??步棋，但是圍棋游戲開(kāi)始之后卻會(huì)展現(xiàn)出無(wú)比的復(fù)雜性，而且沒(méi)有經(jīng)典的博弈。衡量?jī)?yōu)勢(shì)也沒(méi)有直接的方法，即使是大師也很難解釋為什么他下了這一步棋。這使得用一套簡(jiǎn)單的規(guī)則編寫(xiě)專(zhuān)家級(jí)圍棋計(jì)算機(jī)程序是不可能的。

沒(méi)有人告訴阿爾法狗怎么玩圍棋。相反，該程序分析了數(shù)十萬(wàn)場(chǎng)比賽，并和自己打了數(shù)百萬(wàn)場(chǎng)比賽。在一些人工智能技術(shù)中，它使用了一種越來(lái)越受歡迎的深度學(xué)習(xí)方法，這種方法涉及的數(shù)學(xué)計(jì)算非常簡(jiǎn)單，通過(guò)神經(jīng)元的在大腦中的相互連接，它可以學(xué)習(xí)如何理解新的信息。該程序通過(guò)幾個(gè)小時(shí)的練習(xí)來(lái)教導(dǎo)自己，逐漸磨練出一個(gè)直觀的戰(zhàn)略意識(shí)。當(dāng)時(shí)它能夠擊敗世界上最好的圍棋選手之一時(shí)，代表了人工智能（AI）的真正里程碑。

勞倫斯·韋納橡 膠球扔到海里 1970 / 2014

第37步之后的幾個(gè)小時(shí)，AlphaGo贏得了兩場(chǎng)比賽的勝利，在五人制比賽中連勝。之后，李世石站在一群記者和攝影師面前，禮貌地道歉由于人類(lèi)的失敗。“我無(wú)話可說(shuō)，”他說(shuō)，透過(guò)閃光的攝影機(jī)。

AlphaGo令人驚訝的成功指出，過(guò)去幾年人工智能取得了多大的進(jìn)步，經(jīng)過(guò)幾十年的挫折和挫折，即常常被形容為“人工智能冬天”的那段時(shí)間。深度學(xué)習(xí)意味著機(jī)器可以越來(lái)越多地自學(xué)如何執(zhí)行那些在幾年前才被認(rèn)為需要人類(lèi)獨(dú)特的智慧的復(fù)雜任務(wù)。自駕汽車(chē)已經(jīng)是可預(yù)見(jiàn)的了。在不久的將來(lái)，基于深度學(xué)習(xí)的系統(tǒng)將用于診斷疾病和推薦治療。

然而，盡管取得了令人印象深刻的進(jìn)步，但其中一個(gè)基本能力仍然是難以捉摸的：自然語(yǔ)言 像Siri和IBM的Watson這樣的系統(tǒng)可以理解簡(jiǎn)單的口頭表達(dá)并回答基本的問(wèn)題，但是他們不能進(jìn)行對(duì)話，也不能真正理解他們使用的單詞。如果人工智能要真正具有變革性，這種情況就必須改變。

即使AlphaGo不能說(shuō)話，它使用的技術(shù)可能會(huì)促進(jìn)更好的語(yǔ)言理解。在谷歌，臉書(shū)和亞馬遜這樣的公司以及領(lǐng)先的人工智能實(shí)驗(yàn)室中，研究人員試圖最終解決這個(gè)看似棘手的問(wèn)題，使用一些類(lèi)似的使得阿爾法狗成功的人工智能（AI）工具（包括深度學(xué)習(xí)）。它們是否成功將決定現(xiàn)在正在進(jìn)行的人工智能的革命的規(guī)模和性質(zhì)。這將有助于確定我們是否會(huì)擁有我們可以輕松地與其進(jìn)行溝通的機(jī)器 （機(jī)器成為我們?nèi)粘Ｉ钪械囊徊糠?）或者人工智能（AI）系統(tǒng)是否仍然是神秘的黑匣子，即使它們變得更加自動(dòng)化。“你不可能擁有一個(gè)人性化的沒(méi)有自然語(yǔ)言理解能力的人工智能（AI）系統(tǒng)，“麻省理工學(xué)院認(rèn)知科學(xué)與計(jì)算學(xué)教授Josh Tenenbaum說(shuō)，“這是區(qū)分人類(lèi)智慧的最明顯的事情之一。”

也許使阿爾法狗攻克圍棋的技術(shù)最終將使計(jì)算機(jī)掌握語(yǔ)言，或者也許還需要點(diǎn)別的技術(shù)。但是沒(méi)有語(yǔ)言理解，人工智能的影響將會(huì)大為不同。當(dāng)然，我們?nèi)匀豢梢該碛蟹浅?qiáng)大和智能的類(lèi)似阿爾法狗的軟件。但是我們與人工智能的關(guān)系可能遠(yuǎn)遠(yuǎn)不夠和諧，遠(yuǎn)沒(méi)有那么友好。“從一開(kāi)始這就是一個(gè)令人頭痛的問(wèn)題，”如果你有那些在有些方面是很有效的東西，但是卻和我們不同。“斯坦福大學(xué)名譽(yù)教授Terry Winograd說(shuō)。“你可以想象運(yùn)行世界機(jī)器不是基于人類(lèi)的智慧，而是基于這個(gè)大數(shù)據(jù)的東西。

機(jī)器低語(yǔ)者

在阿爾法狗勝利幾個(gè)月后，我前往硅谷，這是人工智能最新潮的核心。我想拜訪那些在人工智能的實(shí)際應(yīng)用上取得顯著進(jìn)步的研究人員，他們現(xiàn)在正試圖讓機(jī)器更好地理解語(yǔ)言。

我從Winograd開(kāi)始，他住在郊區(qū)，在帕洛阿爾托斯坦福大學(xué)校園南端，離谷歌，臉書(shū)和蘋(píng)果公司總部不遠(yuǎn)。他卷曲的白頭發(fā)和濃密的胡須，看起來(lái)是一個(gè)古老的學(xué)者，他有著傳染病般的熱情。

早在1968年，Winograd就成為教機(jī)器交談的先驅(qū)者之一。作為一位數(shù)學(xué)神童，他著迷于語(yǔ)言，他來(lái)到麻省理工學(xué)院新的人工智能實(shí)驗(yàn)室學(xué)習(xí)他的博士學(xué)位，并決定通過(guò)文字提示，用日常語(yǔ)言建立一個(gè)與人交談的程序。當(dāng)時(shí)這看起來(lái)似乎是一個(gè)很古怪的想法。人工智能正在取得令人難以置信的進(jìn)展，麻省理工學(xué)院的其他人正在構(gòu)建復(fù)雜的計(jì)算機(jī)視覺(jué)系統(tǒng)和未來(lái)的機(jī)器人手臂。他回憶說(shuō)：“人工智能有一種未知的，無(wú)限的可能性。

四種顏色 四個(gè)字母 Joseph Kosuth 1966

盡管不是每個(gè)人都相信，語(yǔ)言可以很容易掌握。包括有影響力的語(yǔ)言學(xué)家和麻省理工學(xué)院教授諾姆·喬姆斯基（Noam Chomsky）在內(nèi)的一些批評(píng)家認(rèn)為，由于對(duì)人類(lèi)的語(yǔ)言機(jī)制知之甚少，人工智能研究人員很難使得機(jī)器理解語(yǔ)言。Winograd記得參加一個(gè)派對(duì)的時(shí)候，喬姆斯基的一個(gè)學(xué)生聽(tīng)到他說(shuō)自己在人工智能實(shí)驗(yàn)室工作，就走開(kāi)了。

但是也有理由保持樂(lè)觀。德國(guó)出生的麻省理工學(xué)院教授Joseph Weizenbaum在幾年前建立了第一個(gè)聊天機(jī)器人程序。被稱(chēng)為ELIZA，它被編程為一個(gè)卡通心理治療師，重復(fù)聲明關(guān)鍵的部分或提出的問(wèn)題，將促進(jìn)進(jìn)一步的交流。例如，如果你告訴程序，你對(duì)你的母親生氣，就會(huì)說(shuō)：“當(dāng)你想到你的母親時(shí)，還想到了什么？”一個(gè)簡(jiǎn)單的伎倆，但它工作的出人意料的好。當(dāng)一些學(xué)科開(kāi)始向他的機(jī)器承認(rèn)他們最黑暗的秘密時(shí)，魏澤鮑姆感到非常震驚。

將深度學(xué)習(xí)應(yīng)用于語(yǔ)言存在明顯的問(wèn)題。語(yǔ)言是抽象的，它們與圖像存在著本質(zhì)的差異。

Winograd想要?jiǎng)?chuàng)造一些真正似乎理解語(yǔ)言的東西。他從縮小問(wèn)題的范圍開(kāi)始。他創(chuàng)造了一個(gè)簡(jiǎn)單的虛擬環(huán)境，一個(gè)“方塊世界”，由一些想象中的物體放在一張?zhí)摌?gòu)的桌子上組成。然后他創(chuàng)建了一個(gè)名為SHRDLU的程序 ，這是能夠解析所有名詞，動(dòng)詞，和簡(jiǎn)單的語(yǔ)法規(guī)則，這些規(guī)則被用來(lái)描述這個(gè)精簡(jiǎn)的虛擬世界。SHRDLU（由Linotype機(jī)器上的第二列鍵組成的無(wú)意義的單詞）可以描述對(duì)象，回答它們之間的關(guān)系的問(wèn)題，并根據(jù)輸入的命令對(duì)塊世界進(jìn)行更改。它甚至有一種記憶，所以如果你告訴它移動(dòng)“紅色圓錐體”，然后再提到“圓錐體”，它會(huì)認(rèn)為你的意思是移動(dòng)紅色的，而不是另一種顏色。

SHRDLU被認(rèn)為是AI的領(lǐng)域正在取得深刻進(jìn)展的一個(gè)標(biāo)志。但這只是一個(gè)錯(cuò)覺(jué)。當(dāng)Winograd試圖使程序的方塊世界更大時(shí)，必要的詞匯和語(yǔ)法規(guī)則的復(fù)雜性將變得難以管理。就在幾年之后，他放棄了，并且最終他放棄了人工智能（AI），專(zhuān)注于其他領(lǐng)域的研究。他說(shuō)：“這個(gè)限制比當(dāng)時(shí)看起來(lái)要更加接近了“。

Winograd總結(jié)說(shuō)，使用當(dāng)時(shí)可用的工具讓機(jī)器真正理解語(yǔ)言是不可能的。加州大學(xué)伯克利分校哲學(xué)系教??授Hubert Dreyfus在1972年的一本名為“ What Computers Can not Do”的書(shū)中認(rèn)為，問(wèn)題在于，人類(lèi)所做的許多事情都需要一種本能的直覺(jué)，而這種直覺(jué)不能夠被簡(jiǎn)單的規(guī)則所掌控。這正是為什么在李世石和阿爾法狗之間的比賽之前，許多專(zhuān)家懷疑機(jī)器會(huì)掌握圍棋。

純美 John Baldessari 1966-68

但是，即使德雷福斯提出這樣的觀點(diǎn)，事實(shí)上上，一些研究人員正在開(kāi)發(fā)一種方法，最終會(huì)使機(jī)器具備這種智能。他們從神經(jīng)科學(xué)中獲得了靈感，他們正在試驗(yàn)人工神經(jīng)網(wǎng)絡(luò) （數(shù)學(xué)建模成的神經(jīng)元層，可以訓(xùn)練它們響應(yīng)某些輸入而激活）。首先，這些系統(tǒng)的速度非常緩慢，并且這種方法在邏輯上被認(rèn)為是不切實(shí)際的。然而，至關(guān)重要的是，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)做不能被手工編程的東西，后來(lái)這種方法被證明對(duì)于一些簡(jiǎn)單任務(wù)是有效的，例如識(shí)別手寫(xiě)字符，這是一種在20世紀(jì)90年代商業(yè)化的技術(shù)，用于 讀取支票上的數(shù)字。支持者認(rèn)為，神經(jīng)網(wǎng)絡(luò)最終會(huì)讓機(jī)器做得更多。有一天，他們聲稱(chēng)，這項(xiàng)技術(shù)甚至?xí)斫庹Z(yǔ)言。

在過(guò)去的幾年里，神經(jīng)網(wǎng)絡(luò)變得越來(lái)越復(fù)雜和強(qiáng)大。這種方法得益于關(guān)鍵的數(shù)學(xué)方法的改進(jìn)，更重要的是，現(xiàn)在出現(xiàn)了更快的計(jì)算機(jī)硬件和更多的數(shù)據(jù)。到2009年，多倫多大學(xué)的研究人員已經(jīng)證明，多層深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型能夠準(zhǔn)確的識(shí)別語(yǔ)音。然后在2012年，同樣的一個(gè)小組使用深度學(xué)習(xí)算法贏得了機(jī)器視覺(jué)比賽，這個(gè)算法非常準(zhǔn)確。

深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)使用簡(jiǎn)單的技巧識(shí)別圖像中的對(duì)象。第一層模擬的神經(jīng)元以圖像的形式接收輸入，并且這些神經(jīng)元中的一些將響應(yīng)于各個(gè)像素的強(qiáng)度而激活。所得到的信號(hào)在到達(dá)輸出層之前經(jīng)過(guò)更多層相互連接的神經(jīng)元，這表示該物體已經(jīng)被看見(jiàn)。一種稱(chēng)為反向傳播的數(shù)學(xué)方法被用來(lái)調(diào)整網(wǎng)絡(luò)神經(jīng)元的靈敏度以使其產(chǎn)生正確的響應(yīng)。正是這一步讓系統(tǒng)有了學(xué)習(xí)的能力。網(wǎng)絡(luò)中的不同層將響應(yīng)邊緣，顏色或紋理等特征。這樣的系統(tǒng)現(xiàn)在可以擁有與人類(lèi)相媲美的精度識(shí)別物體，動(dòng)物或面部特征。

將深度學(xué)習(xí)應(yīng)用于語(yǔ)言存在明顯的問(wèn)題。語(yǔ)言是抽象的，它們與圖像存在著本質(zhì)的差異。例如，兩個(gè)單詞在意義上可以相似，但是包含完全不同的字母; 同一個(gè)詞在不同的語(yǔ)境中可能意味著各種各樣的事物。

在20世紀(jì)80年代，研究人員提出了一個(gè)關(guān)于如何將語(yǔ)言轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)可以解決的問(wèn)題的巧妙思路。他們證明，單詞可以表示為數(shù)學(xué)向量，允許計(jì)算相關(guān)單詞之間的相似性。例如，“船”和“水”在向量空間上很接近，盡管它們看起來(lái)很不一樣。由Yoshua Bengio領(lǐng)導(dǎo)的蒙特利爾大學(xué)的研究人員以及谷歌的另一個(gè)團(tuán)隊(duì)利用這種洞察力建立了網(wǎng)絡(luò)，使用一個(gè)句子中的每個(gè)單詞可以用來(lái)構(gòu)建一個(gè)更復(fù)雜的表示 （多倫多大學(xué)和的教授兼谷歌深度學(xué)習(xí)研究人員Geoffrey Hinton稱(chēng)之為“思維向量”）。

通過(guò)使用兩個(gè)這樣的網(wǎng)絡(luò)，可以在兩種語(yǔ)言之間以極高的精度進(jìn)行翻譯。通過(guò)將這種類(lèi)型的網(wǎng)絡(luò)與旨在識(shí)別圖像中的物體的網(wǎng)絡(luò)結(jié)合起來(lái)，可以得出令人驚訝的效果。

生活的目的

坐在繁華的加州山景城的谷歌總部的是該公司的研究人員Quoc Le，正在考慮開(kāi)發(fā)可以進(jìn)行一個(gè)適當(dāng)?shù)恼勗挼臋C(jī)器的想法。他的雄心壯志表明了為什么能夠語(yǔ)言交流的機(jī)器有用。他說(shuō)：“我想要一種在機(jī)器上模擬思想的方法。“如果你想模擬思想，那么你應(yīng)該需要知道機(jī)器究竟在想什么。”

谷歌已經(jīng)在教計(jì)算機(jī)語(yǔ)言的基礎(chǔ)知識(shí)。今年五月，該公司宣布了一個(gè)名為Parsey McParseface的系統(tǒng)，可以看語(yǔ)法格式，識(shí)別名詞，動(dòng)詞和其他文本元素。不難看出，機(jī)器的語(yǔ)言理解能力對(duì)公司有多大價(jià)值。谷歌的搜索算法用于簡(jiǎn)單地跟蹤網(wǎng)頁(yè)之間的關(guān)鍵字的鏈接。現(xiàn)在，使用名為RankBrain的系統(tǒng)，它會(huì)讀取頁(yè)面上的文字，收集意義并提供更好的結(jié)果。Le想進(jìn)一步發(fā)展這種算法。應(yīng)用用于翻譯和圖像識(shí)別的算法，他和他的同事們構(gòu)建了Smart Reply，它可以讀取Gmail郵件的內(nèi)容，并提出一些可能的答復(fù)建議。

最近，Le建立了一個(gè)能夠?qū)﹂_(kāi)放式問(wèn)題做出回答的程序; 它通過(guò)18，900部電影的對(duì)話進(jìn)行訓(xùn)練。它的一些回答看起來(lái)很奇怪。例如，樂(lè)問(wèn)：“生活的目的是什么？”該程序回答說(shuō)：“為了更好的服務(wù)。”這是一個(gè)很好的答案，“他笑著回憶說(shuō)，“可能比我的更好。”

只有一個(gè)問(wèn)題，它很快就會(huì)顯現(xiàn)出來(lái)，當(dāng)你看到更多的系統(tǒng)答案時(shí)。當(dāng)Le問(wèn)道：“貓有多少條腿？”他的系統(tǒng)回答說(shuō)：“我認(rèn)為是四條腿。”然后他試著說(shuō)：“蜈蚣有多少條腿？”這引起了一個(gè)奇怪的回答：“八條”。 當(dāng)然，Le的程序不知道它在說(shuō)什么。它理解某些符號(hào)的組合，但是它不能理解現(xiàn)實(shí)世界。它不知道蜈蚣實(shí)際上是什么樣子，或者它是如何移動(dòng)的。這仍然只是一種智慧的幻覺(jué)，沒(méi)有人類(lèi)理所當(dāng)然的那種常識(shí)。深度學(xué)習(xí)系統(tǒng)通常可以這樣做到。谷歌為圖像生成所創(chuàng)建的程序會(huì)產(chǎn)生奇怪的錯(cuò)誤，例如將路牌描述為充滿食物的冰箱一樣。

Le問(wèn)：“生活的目的是什么？”該方案回應(yīng)說(shuō)：“為了更好的服務(wù)”。

奇怪的巧合是，Terry Winograd在帕洛阿爾托的隔壁鄰居是一個(gè)能幫助計(jì)算機(jī)更好地理解單詞實(shí)際意義的人。斯坦福大學(xué)人工智能實(shí)驗(yàn)室主任李飛飛在我拜訪時(shí)正在休產(chǎn)假，但她邀請(qǐng)我到她家，自豪地向我介紹了她美麗的三個(gè)月大的嬰兒鳳凰。“看看她怎么看你比我更厲害，”李在鳳凰盯著我時(shí)說(shuō)。“那是因?yàn)槟闶切聛?lái)的; 這是早期的面部識(shí)別。“

李在研究機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)方面花費(fèi)了大量的時(shí)間。幾年前，她領(lǐng)導(dǎo)建立一個(gè)包含數(shù)百萬(wàn)個(gè)對(duì)象圖像的數(shù)據(jù)庫(kù)，每個(gè)數(shù)據(jù)庫(kù)都標(biāo)有一個(gè)適當(dāng)?shù)年P(guān)鍵字。但李相信，機(jī)器需要對(duì)世界上發(fā)生的事情有更深入的了解，而今年她的團(tuán)隊(duì)又發(fā)布了另一個(gè)圖像數(shù)據(jù)庫(kù)，注釋的內(nèi)容更為豐富。每幅圖像都被人用幾十個(gè)描述符標(biāo)記：“一只滑滑板的狗”，“一條蓬松波浪的毛皮”，“有裂紋的道路”等等。希望機(jī)器學(xué)習(xí)系統(tǒng)能學(xué)會(huì)更多地了解物理世界。“大腦的語(yǔ)言部分可以得到大量的信息，包括從視覺(jué)系統(tǒng)，”李說(shuō)。人工智能的一個(gè)重要組成部分就是整合這些系統(tǒng)。“

通過(guò)將單詞與對(duì)象，關(guān)系和行為聯(lián)系起來(lái)，這將更接近兒童學(xué)習(xí)的方式。但是，與人類(lèi)學(xué)習(xí)的類(lèi)比僅僅就走到了這一步。幼兒不需要看滑板狗就能想象或口頭描述。事實(shí)上，李相信今天的機(jī)器學(xué)習(xí)和人工智能工具不足以帶來(lái)真正的人工智能。她說(shuō)：“這不僅僅是因?yàn)檫@是基于大數(shù)據(jù)的深度學(xué)習(xí)”。李相信人工智能研究人員需要考慮情緒和社交智能等問(wèn)題。她說(shuō)：“我們（人類(lèi)）在用大量數(shù)據(jù)進(jìn)行計(jì)算的時(shí)候非常糟糕，但我們?cè)诔橄蠛蛣?chuàng)造力方面非常出色。”

沒(méi)有人知道如何給機(jī)器提供這些人的技能 （如果這是可能的，會(huì)不會(huì)存在那些超出AI范圍的品質(zhì)，例如獨(dú)特的人性？）

像麻省理工學(xué)院的Tenenbaum這樣的認(rèn)知科學(xué)家理論上認(rèn)為，今天的神經(jīng)網(wǎng)絡(luò)中不存在思想的重要的組成部分，不管這些網(wǎng)絡(luò)有多大。人類(lèi)能夠從相對(duì)較少的數(shù)據(jù)中快速學(xué)習(xí)，并且具有內(nèi)置的三維世界建模能力。Tenenbaum說(shuō)：“語(yǔ)言是建立在其他能力之上的，這些能力可能是更基本的，在擁有語(yǔ)言能力之前就存在于嬰幼兒身上：通過(guò)視覺(jué)來(lái)感知世界，反饋給我們的運(yùn)動(dòng)系統(tǒng)，理解物理世界和其他。

如果他是對(duì)的，那么就很難在機(jī)器和人工智能系統(tǒng)中不模仿人類(lèi)，心智模型和心理學(xué)而重新建立語(yǔ)言。

自己解釋一下

諾亞古德曼在斯坦福大學(xué)心理學(xué)系的辦公室實(shí)際上幾乎是空的，只有一些抽象繪畫(huà)支撐在一堵墻和幾棵雜草叢生的植物上。當(dāng)我到達(dá)時(shí)，古德曼在一臺(tái)筆記本電腦上打字，赤腳站在桌子上。我們漫步在陽(yáng)光普照的校園里喝冰咖啡。他解釋說(shuō)：“語(yǔ)言的特殊之處在于它依賴于大量有關(guān)語(yǔ)言的知識(shí)，但它也依賴于世界的大量常識(shí)性知識(shí)，而這兩種知識(shí)以非常微妙的方式結(jié)合在一起。

古德曼和他的學(xué)生們開(kāi)發(fā)了一種編程語(yǔ)言，稱(chēng)為Webppl，可以用來(lái)給計(jì)算機(jī)一種基于概率的常識(shí)，這在對(duì)話中變得非常有用。一個(gè)實(shí)驗(yàn)版本可以理解雙關(guān)語(yǔ)，另一個(gè)可以應(yīng)付夸張語(yǔ)句。如果它被告知有些人不得不在餐廳“永遠(yuǎn)”等候一張桌子，就會(huì)自動(dòng)判定這個(gè)字面意思是不可能的，很可能只是表示等了很久而變得很生氣。這個(gè)系統(tǒng)遠(yuǎn)非真正的智能化，但它顯示了新的方法如何幫助使AI程序以更逼真的方式進(jìn)行交談。

與此同時(shí)，古德曼的例子也表明，教機(jī)器語(yǔ)言是多么困難。理解“永遠(yuǎn)”的語(yǔ)境意義是人工智能系統(tǒng)需要學(xué)習(xí)的東西，但這是一個(gè)相當(dāng)簡(jiǎn)單和基本的成果。

他說(shuō)：“我想要一種在機(jī)器上模擬思想的方法。“如果你想模擬思想，那么你需要知道機(jī)器究竟在想什么。”

不過(guò)，盡管這個(gè)問(wèn)題有困難和復(fù)雜性，研究人員使用深度學(xué)習(xí)技術(shù)來(lái)識(shí)別圖像并在圍棋這樣的游戲中表現(xiàn)的優(yōu)秀性，至少給了人們語(yǔ)言方面取得突破的希望。如果是這樣，這些進(jìn)展將會(huì)很快到來(lái)。如果人工智能是一個(gè)無(wú)處不在的工具，人們用它來(lái)增強(qiáng)自己的智慧，讓它以無(wú)縫協(xié)作的方式接管任務(wù)，語(yǔ)言將是關(guān)鍵。隨著人工智能系統(tǒng)越來(lái)越多地使用深度學(xué)習(xí)和其他技術(shù)來(lái)自我編程，情況尤其如此。

研究自動(dòng)駕駛的麻省理工學(xué)院教授John Leonard說(shuō)：“總的來(lái)說(shuō)，深度學(xué)習(xí)系統(tǒng)令人驚嘆。“但另一方面，他們的表現(xiàn)真的很難理解。”

正在研究一系列自主駕駛技術(shù)的豐田公司，在人工智能和編程語(yǔ)言專(zhuān)家杰拉爾德·蘇斯曼（Gerald Sussman）的領(lǐng)導(dǎo)下，在麻省理工學(xué)院（MIT）發(fā)起了一個(gè)研究項(xiàng)目，開(kāi)發(fā)自動(dòng)駕駛系統(tǒng)用于自我解釋為什么會(huì)采取特定的行動(dòng)。而這樣做的一個(gè)顯而易見(jiàn)的方法就是通過(guò)談話。領(lǐng)導(dǎo)豐田支持的另一個(gè)項(xiàng)目的倫納德說(shuō)：“建立知道它們?cè)谧鍪裁吹南到y(tǒng)是一個(gè)非常難的問(wèn)題。“但是，理想情況下，他們不僅僅給出答案，而是給出解釋。”

從加利福尼亞回來(lái)后的幾個(gè)星期，我看到設(shè)計(jì)阿爾法狗的谷歌DeepMind研究員David Silver在紐約的一次學(xué)術(shù)會(huì)議上討論了與李世石的比賽。Silver解釋說(shuō)，當(dāng)這個(gè)節(jié)目在第二場(chǎng)比賽中出現(xiàn)殺手時(shí)，他的團(tuán)隊(duì)和其他人一樣驚訝。他們所能看到的只是阿爾法狗預(yù)測(cè)的獲勝幾率，即使在第37步之后也幾乎沒(méi)有變化。僅僅幾天后，經(jīng)過(guò)仔細(xì)分析，谷歌團(tuán)隊(duì)發(fā)現(xiàn)：通過(guò)學(xué)習(xí)以前的對(duì)局，該程序計(jì)算了人類(lèi)選手移動(dòng)同一步萬(wàn)分之一的概率。其練習(xí)局也表明，這提供了一個(gè)異常強(qiáng)大的優(yōu)勢(shì)。

所以在某種程度上，機(jī)器知道李世石會(huì)完全被騙過(guò)。

Silver表示，谷歌正在考慮將該技術(shù)商業(yè)化的幾個(gè)選項(xiàng)，包括某種智能助理和醫(yī)療保健工具。之后，我問(wèn)他與這樣的系統(tǒng)背后的人工智能交流的重要性。“這是一個(gè)有趣的問(wèn)題，”他停了一下說(shuō)。“對(duì)于某些應(yīng)用，這可能很重要。就像在醫(yī)療保健方面一樣，了解為什么做出決定可能很重要。“

事實(shí)上，隨著人工智能系統(tǒng)變得越來(lái)越復(fù)雜，我們很難設(shè)想如何在沒(méi)有語(yǔ)言的情況下與他們進(jìn)行合作而不能問(wèn)他們“為什么”。除此之外，與計(jì)算機(jī)毫不費(fèi)力地溝通的能力將使它們更有用，使得它不那么神奇。畢竟，語(yǔ)言是我們理解世界和與之互動(dòng)的最強(qiáng)大的方式。現(xiàn)在該我們的機(jī)器抓緊時(shí)間擁有這項(xiàng)能力了。