淺談AI何時擁有智能

摘 ?要：本文論述AI目前的智能水平，及AI智能的正確研究思路和方向。

關鍵詞：AI智能;智能感知;智能認知;智能決策

近幾年AI圈熱鬧非凡，各種新聞令人眼花繚亂。但冷靜下來想想，圖像識別是個黑盒子，自動駕駛常出事故，重大災難發生時機器人救援效果不佳，萬眾期待的AI智能遲遲不撩開面紗。那么AI什么時候能擁有智能，并且這種智能是我們人類可以理解，可以相信的呢？

在此描述一下AI智能的正確打開方式，首先從計算機視覺開始討論。實驗心理學家赤瑞特拉做過心理實驗證實：人類獲取的信息83%來自視覺，11%來自聽覺，這兩個加起來就有94%。其它途徑是嗅覺、觸覺和味覺。在人工智能領域，計算機視覺的重要性不言而喻。

現在主流的卷積神經網絡，從AlexNet，GoogLeNet，ResNet，到DenseNet，不停變化的神經網絡結構，不管有多復雜，整體來看其實只有兩層：各個神經元之間的回歸函數層，及最后的分類層。回歸函數層起到的作用是提取不同層次的特征，最后由分類函數進行相似度計算，得出分類結果。由于提取特征的過程不透明，不可解釋，與人類的思考方式不一致，自然就不容易相信。

我們人類觀察一個物體或一張圖片，歷史的經驗會起到很重要的參考作用，而對于沒有見過的物體通過想象來推理其用處。這是一種學習和推理能力，是智能的一部分，而神經網絡顯然不是這樣的工作方式。

例如看到一張從未見過的貓的圖片，我們是從有皮毛的動物，有四肢，有尾巴，臉部形狀等來推測。那么AI能不能用類似的方法呢？答案是可以的，已經有團隊在嘗試。具體請參考[1802.00121] Interpreting CNNs via Decision Trees。

智能的整體架構

對于AI智能，僅僅擁有可解釋的觀察能力是不夠的。整體的AI智能架構包括七層，分別是初始任務、知識和常識、感知和認知、學習人類的價值函數、決策機制、頭腦和語言。我們一層一層來解釋。

初始任務

初始任務就是AI智能努力的目標。以自然界的一只小松鼠為例，首先要解決的是活下來，要有食物，不要被其它天敵吃掉，長大成熟后找到配偶，撫育下一代，這些就是小松鼠的初始任務。那么一個智能機器人的初始任務可以是家務機器人，可以是運動陪伴機器人，可以是溺水救援機器人等等。這是智能的起點。

知識和常識

常識就是我們在這個世界和社會生存的最基本的知識。它使用頻率最高，并且它可以舉一反三，推導出并且幫助獲取其它知識。包括社會常識和物理常識/視覺常識，例如房間內的物體可以是被地板支撐，可以掛在墻上，可以吊在頂棚等。

感知和認知

在AI智能領域，研究最多的就是智能識別和感知。與當前CV領域三大基本能力不同，智能感知并不是從目標識別、目標定位和目標分割三方面去努力，而是選擇了完全不同的道路。

AI智能要做的第一步是二維圖像的三維重建，而且是基于單張二維圖像的三維重建。這在數學上很難做到，因為三維重建需要雙視角的信息輸入。但是我們人類有這種能力，看到一張照片就能在腦海里進行三維還原，基本原理就是我們知道每件物品在現實社會里的大小。例如門高80英寸，椅子和小腿高度一樣，約16英寸等。

3D重建完成后，對于每一個物品的識別，并不是依賴大量標注好的圖片訓練，而是從人類視角，推測這個物品我們如何使用。如果可以存放物品，并且高度是人眼的高度，形狀是立方體，那就是壁櫥。如果從力學角度人坐上去會感覺舒服，那就是椅子，以此類推，而不是簡單貼上標簽。

識別物體之后，還要理解物體的擺放是否合理和安全。這會影響之后的動作決策。

對于各種容器內的物體或液體，要根據人類的動作和容器的狀態進行推理。如果在倒水，那壺里一定是有水的。這里漸漸能看到智能的影子。

對于各種可見不可見的物體識別完之后，如果圖像里有人或動物，就可以觀察他/她/它在關注什么，知道什么，喜歡什么，猜測之后可能的動作是什么。

上面是對單張圖片的感知內容。如果是視頻，可以了解更多的信息。

學習人類的價值函數

在一定時間的觀察之后，可以得到被觀察者做事方式的價值函數，例如喜歡喝啤酒還是飲料？喜歡多互動還是少打擾？喜歡每天掃地一次還是只要有臟東西就要清理？等等。

決策機制

了解了各種物體，了解了被觀察者的喜好，為了達成初始任務，AI智能體就能決定自己的具體任務鏈，例如去開門，去拿啤酒，去打開電視等等。隨著仿生機器人的快速發展，已經可以完美寫成這些動作。

頭腦

為了更好地完成任務，AI智能體需要理解被觀察者知道什么，正在做什么，打算做什么等等。還要清楚對方知道什么，對方知道自己知道什么，雙方共同知道什么，這是溝通和決定下一步行動的基礎。在這個過程中，需要進行溝通，而語言是溝通的一種主要方式。

語言

人類用語言溝通的基礎是要完成共同的任務，所以語言是任務驅動的。通過觀察和認知，了解這個世界，并且知道自己能做什么，就可以對具體任務進行溝通。這是基于理解的語言，而不是為了說而說。現在自然語言處理領域基本上是從語言開始，到語言結束，與現實社會脫節，成為無源之水。

總結

上面說明的智能，并不是紙上談兵，已經有很多國際團隊在2010年之在致力于AI智能體的實現。電影中描繪的強人工智能離我們還很遙遠，但是通用人工智能（Artificial General Intelligence，AGI）時代已經來臨！

在通用人工智能時代，計算機視覺、自然語言處理、機器學習都是融為一體的，這個融合劑就是感知（Recognition）和認知（Congnition），或者叫做理解和推理。

讓我們擁抱這個時代！

參考文獻

[1] ?M. S. Arulampalam，S. Maskell，N. Gordon，and T. Clapp. A tutorial on particle filters for online nonlinear/non-gaussian bayesian tracking. IEEE TSP，50（2）：174–188，2002.

[2] ?A. Belardinelli，O. Herbort，and M. V. Butz. Goal-oriented gaze strategies afforded by object interaction. Vision Re-search，106：47–57，2015.

[3] ?A. Borji，D. N.Sihite，and L. Itti. Probabilistic learning of task-specific visual attention. In CVPR，pages 470–477，2012.

[4] ?A. Borji，D. N. Sihite，and L. Itti. What/where to look next？ modeling top-down visual attention in complex interactive environments. IEEE TSMCS.，44（5）：523–538，2014.

作者簡介：王悅林（1973.2—），男，漢族，黑龍江人，本科生，現任職于聯想數據智能事務部，研究方向是人工智能。