《通用人工智能》（1）

实际上人工智能的意义是经过了一些演变的。通用人工智能的目的更接近于人工智能本来的意义，就是希望做一个在各个方面和人脑都有可比性的系统，它实际上强调的是通用性和智能的整体性

在这个地方我想强调一件可能大家不是很清楚的事情。人工智能实际上它的意义在历史上是经过了一些演变的。最粗浅的说人工智能是让计算机像人脑一样工作。计算机出现以后，大家很快的发现它可以代替人的一部分脑力劳动，所以自然就会提出它是不是能够代替人的全部脑力活动这个问题。现在大家看到科幻电影、小说里面说到的人工智能的基本上都是这个意思。但是这种想法没有过多久就狠狠的碰了壁，后来大家发现这个事远没有那么简单。因为人脑和人的思维活动实际上是非常复杂的过程。大家觉得原来的目标定的有点太大了，这样就造成了人工智能的整体研究方面发生了转向。其实大家对于这个事评价不一样，有些人说是学科变的成熟了，丢掉了那些幻想，做一些实实在在的工作。具体来说就是不再去奢望在任何方面都做出一个和人脑能相比的系统，反而认为在某些方面、某一件事情能做好就不错了。这两年听说的各个方面的人工智能的重大进展基本上都是属于这一类，但是与此同时它又有一个负面的效果。负面效果就是对于原来意义下的智能系统，就是所谓通用的、各种事情都能做的系统的发展产生了阻碍。起码在80年代后期、90年代开始直到最近，这个工作基本上是不被鼓励的，甚至好多时候是被禁止的。

虽然说在这种情况下也有好多进展，但是大家觉得这种情况有问题。很显然有一个问题就是说你最后做出来好多系统但是每个系统只能做一件事情。如果要是由于某一个原因，你希望这个系统做很多事情，那么就需要把以前的只能做一件事情的系统都弄到一起。这个事情很困难。因为它的理论基础、技术、方法都不一样，没办法往一块做。另外一个问题就是即使是那些做一个具体的技术的系统也有问题。大家发现做出来以后，这个系统仍然好像缺那么一股劲。即使只是直观的看，你把现在的计算机和你自己的脑子比一比，你会觉得虽然计算机在好多方面上很强，但是有些地方你稍微错个标点符号它就会整个就会乱掉。大家就觉得存在这种情况的系统好像不能算智能了。大家总觉得是它缺了一些灵活性、创造性这种东西。

通用人工智能的目的更接近于人工智能本来的意义，就是希望做一个在各个方面和人脑都有可比性的系统，这就是为什么叫通用。英文的名字叫做Artificial General Intelligence，就是在Artificial 和Intelligence中间插了一个General，在这儿是“通用”的意思，缩写一般叫做AGI，比普通的AI多了一个G。实际上AGI和我前面讲到的最一开始的AI是同一个意思，比如说在中国引起轩然大波的Alpha Go。它下围棋把所有人都给赢了，大家都觉得这个人工智能聪明的不得了，但是要按AGI的标准，Alpha Go就不算人工智能。因为它除了围棋以外什么都不会干。围棋下的再好它也是一个专用系统而不能叫通用系统。  

我觉得现在AGI实际上就强调两点：一个是强调通用性，就是说虽然它是会有范围的，但是它开发出来之后你仍然有可能让它去做各种各样的事情。另外一点就是强调智能的整体性。因为很显然智能有很多的方面，比方说有些人研究学习，有些人研究推理，有些人研究视觉，有些人研究听觉，有些人研究运动，有些人研究自然语言的处理等等。而AGI的研究工作者就觉得这些东西之间的相互联系是不可忽略的，所以他们强调如果要做一个系统的话，很可能要把这些东西或者这些东西当中的绝大部分做一个统一的处理。这就是强调智能这个概念本身的整体性，而不是说我每次只做其中的一部分。简单的说这个事情是因为你的专业性互相不融合，当你设计的时候并没有考虑到跟别人、跟其他方面工作的可能性。比如下围棋下的很好的AlphaGo和前些年下国际象棋下得很好的“深蓝”。有些人说把它俩整合到一块，然后这个机器就又会下围棋，又会下象棋。其实这件事是干不了的。从理论上、从技术上都是有问题的。所以一定不是专用系统做多了，或者把100个专用系统放在一块就是通用系统，根本不是这么回事。反过来有些人有误会认为通用系统一旦做出来所有的专用系统就都被它们给取代了。其实也不是，因为实际上就某一个特定的问题来说，专用系统总是比通用系统效率要高、要可靠、要稳定、要简单。专用系统有好多的优点。所以通用系统并没有想取代现有的人工智能。总而言之，越来越多的人认识到实际上通用系统和专用系统是两类不同的问题，谁也不能取代谁，各有各的价值。这也是我对这个问题的看法。

    下面我给大家看三张图，我觉得它们比较直观的说明了AGI和传统AI的不一样。第一张图有三个小的积木块，上面分别写着A、B、C。它的基本想法是这样的：研究主流人工智能的人会说，我今天做一个系统，明天再做一个系统，我后天再做一个系统，或者说我们大家分头做系统的不同部分，就是“分而治之”。智能这件事太复杂，大家分别做不同的部分，然后将来再想怎么把它往一块整合。这个是传统的人工智能里面比较典型的观念。而AGI社区里面绝大部分的人是完全不认同这个观点的，所以我们才自己建立了一个新的研究社区。那么研究AGI的人是怎么看的呢？我后面第二张图可以表现这个特点。比如说我们要盖一个很复杂的房子，你当然得一步一步走了。关键问题在于怎么一步一步走？这个“分而治之”的策略有点像这个意思，就是说一下子盖个房子太复杂了，咱们分头干吧。张三你去盖个厨房，李四你去盖个卧室，王五你盖个客厅，将来咱们想办法把它连在一块儿就成一间房子了。研究AGI的人说，这个想法是开玩笑，这事不可能这么干。你盖一个独立的小屋也许有一定的价值，但是你说将来把它们凑成一间房，这事根本不能这么干。没盖过房的都知道盖房子得先画一个整体的图纸。你先有一个整体的设计然后再说哪间屋怎么盖。根据这个整体的图纸去做也就是我讲到的集成型。第二种是集成性的办法。这个办法就是说系统里面有各种零件，但是每一个零件独立起来没有什么意义，必须要凑到一起去这个系统才能工作。零件的意义是它要在整个蓝图当中发挥作用。

所以好多AGI研究工作者走的是这条路线。还有一些人，包括我自己，走的是一条更极端的路线，这是我后面第三张图，叫做统一型的设计方案。这个图它中间是一个小木块，这个木块在不同的方向上有不同的投影，可以看到不同的东西。比方说现在做的三维投影是在三个不同的维度上分别投影出来的。你可以看到上面的英文字母是G、E、B。把这个图跟第一张图去比较可以看到它显然不是分别做的G、E、B这三个模块然后把它们拼在一起的。按照这种观点智能的各个方面实际上很可能是一个统一的过程。你看到的各个方面的不同无非是你从不同的角度去观察它。用中国的话说，这就叫做“横看成岭侧成峰，远近高低各不同。”这个是大家都知道的，实际上说的也是同一种现象。你说庐山它到底是岭还是峰？很大程度上是取决于你从哪个角度去观察它。它本身是一个整体，不是说你按岭去做一个，按峰去做一个，把它堆在一起得到的庐山。

所以我们可以看到这种方案跟前面更传统的人工智能的方案的差别就更明显。它根本不是从分解各个功能然后去独立实现各个功能去出发的。那么还有一个图也是比较直观的能够表示这种差别的。我们假定这个系统解决问题的能力可以打一个分。我这个图画了四条线，这四条线实际上表达的是什么呢？是这个分数跟时间的关系。我觉得起码在人工智能现在的概念底下，号称做人工智能的人做出来的系统或者说正在讨论的系统大概有这么四种基本情况。

一种情况就是我这个图里面的蓝线，这条线是一条跟x轴平行的线。这里面横轴是时间轴，纵轴是分数轴。什么意思？就是它的功能或者说它的分数、能力不随着时间的变化而变化，这个实际上就是传统的计算机系统。你想想你手里的机器，或者你兜里的手机，它出厂的时候能干什么，你用它五年以后它功能是一样的，应该是既不多也不少。这个功能的效率有高有低，但是功能本身不会变化。这类是比较传统的系统。

我这个图里面这条紫色的线，在数学上说是渐进的，一开始它上升的很快，然后它就逐渐收敛到了一个稳定的水平。典型的例子就是AlphaGo。这个故事大家都知道，AlphaGo一开始设计出来的时候它下围棋下的很差。因为这帮设计者当然会下一点围棋但都谈不上高手。它的能力增强是怎么产生的呢？是通过大量的数据训练、学习。它学习达到了一定的水平以后当然还可以提升，但是它提升的幅度就会变得越来越小基本上趋于稳定，或者我们直观的说叫做学会了。现有的机器学习基本上都是这么一个模式。

AGI的研究更典型的是我这个图里面的这条绿线。绿线也是一个直线但是它是不断上升的，而且是没有一个终点的。据我个人看，我觉得人类的学习基本上是这么一个模式：没有一天我们会觉得所有东西都学会了，没有什么可学的只要去使用就行了。AGI实际上是在朝这个方向努力，就是说通用性本身就已经说明了在任何时候你都可以试图去教系统一个新的东西。它总是对新的问题开放，而不是说提前定好了，就学围棋，学会了就完了。我觉得这个图也在一定程度上帮我们直观的理解了刚才讲的差别。

最后一条线我要稍微说一句，就是最左边这条上升的非常快的线。我标的名字叫“超人智能”，但是我是加了引号的。这个也是最近炒的很热的一个概念，就是好多人认为如果人工智能真的能达到人的水平，那么它为什么会在这个水平上停止呢？它为什么不会继续发展下去以至于发展到完全超出我们的想象力呢？就是现在所谓的“奇点”。