7 個月大以后，多數(shù)孩子都已經(jīng)學(xué)會了移出視線的物體仍然存在。把玩具放在毯子下面，孩子會知道玩具還在那里，并且可以伸手把它從毯子下面取回來。這種對于 " 物體永久性 " 的理解是常見的發(fā)展里程碑，也是基本的現(xiàn)實原則。

但這也是自動駕駛汽車所不具備的，這會是一個問題。自動汽車越來越好，但它們理解世界的方式仍然與人類不同。在自動駕駛汽車看來，被經(jīng)過的貨車暫時擋住的自行車已不再存在。

對于現(xiàn)在廣泛存在的僭取了稍有誤導(dǎo)性的人工智能稱號的計算原則來講，這種失敗是基礎(chǔ)性的。目前人工智能通過建造世界的復(fù)雜統(tǒng)計模型來工作，但是其缺乏對于現(xiàn)實的更深層理解。對于如何能夠給人工智能賦予一定程度的理解能力（也許是與 7 個月大孩子一樣的推理能力），人們正在積極開展研究。

現(xiàn)代人工智能基于機(jī)器學(xué)習(xí)的理念。如果工程師想要計算機(jī)認(rèn)識停車標(biāo)識，他不需要費力寫出上千行代碼，以表述有可能指示該標(biāo)識的每種像素模式。他會寫一個能夠自己學(xué)習(xí)的程序，然后給它看成千上萬張停車標(biāo)識的圖片。重復(fù)多次以后，該程序會逐漸了解這些圖片的共同特點是什么。

人們也在使用類似的技巧來訓(xùn)練自動駕駛汽車在交通中的操作。這樣，汽車就能夠?qū)W習(xí)如何按交通標(biāo)線行駛，躲避其他汽車，遇到紅燈踩剎車，等等。但對于人類司機(jī)認(rèn)為理所當(dāng)?shù)暮芏嗍虑椋鼈儾⒉焕斫狻＠纾焕斫馄渌下返钠囉邪l(fā)動機(jī)和四個輪子，不理解它們（通常）會遵守交通規(guī)則、（永遠(yuǎn)）會遵守物理定律，也不理解物體永久性。

瑞典 Orebro 大學(xué)的 Melhul Bhatt 是 CoDesign Lab 公司的創(chuàng)始人，他通過該公司按照自己的想法進(jìn)行商業(yè)開發(fā)。他最近在 " 人工智能 " 雜志發(fā)表了一篇文章，描述了另外一種方法。他和同事們獲取了一些在自動駕駛汽車中使用的已有人工智能程序，在上面注入了名叫符號推理引擎的軟件。

心有其理

與機(jī)器學(xué)習(xí)那樣通過概率來接觸世界不同，該軟件將基礎(chǔ)物理概念應(yīng)用在自動駕駛汽車傳感器信號處置程序的輸出結(jié)果中。這種修正后的結(jié)果將被輸入駕駛汽車的軟件中。相關(guān)概念涉及的相關(guān)理念包括：分離的物體持續(xù)存在；它們彼此間有 " 在前面 " 和 " 在后面 " 這樣的空間關(guān)系；它們可能完全可見、部分可見或徹底被另一物體遮擋。

這種方法很管用。在測試中，如果一輛車暫時地被另一輛車擋住，該推理強(qiáng)化軟件將跟蹤這輛被擋住的車，預(yù)測它將于何處、何時再次出現(xiàn)，有必要的話會想辦法躲避。這種改進(jìn)并不算大。在一般測試中，Bhatt 博士的系統(tǒng)已有軟件的得分高約 5%。但這證明該原則成立。此外還有其他收獲。例如，與機(jī)器學(xué)習(xí)算法不同，推理引擎能夠告訴你它做事情的原因。

例如，你可以問一輛裝有推理引擎的車為什么踩剎車，它將能夠告訴你，它認(rèn)為一輛被貨車擋住的自行車將進(jìn)入前方路口。機(jī)器學(xué)習(xí)程序做不到這一點。除了能夠幫助改進(jìn)程序設(shè)計，Bhatt 博士認(rèn)為這樣的信息將對監(jiān)管者和保險公司有幫助。這也將能夠加快公眾對與自動駕駛汽車的接受速度。

Bhatt 博士的工作處于人工智能領(lǐng)域長期存在的爭論之中。1950 年代，早期人工智能研究者曾利用這種前期植入的推理程序取得一定成功。但從 1990 年代起，隨著編程技術(shù)的增強(qiáng)，更強(qiáng)大計算機(jī)及更多可用數(shù)據(jù)的涌現(xiàn)，機(jī)器學(xué)習(xí)發(fā)生了顯著改進(jìn)。今天，幾乎所有的人工智能都是基于機(jī)器學(xué)習(xí)。

并非只有 Bhatt 博士對此產(chǎn)生疑問。紐約大學(xué)研究心理學(xué)和神經(jīng)學(xué)的 Gary Marcus 也有同感，他也是一家名叫 Robust.AI 的人工智能和機(jī)器人公司的老板。為了支持自己的觀點，Marcus 博士引用了 8 年前的一個廣受關(guān)注的報告。那時 DeepMind 公司（當(dāng)時是獨立公司，現(xiàn)在已被收入 Google 旗下）的工程師編寫了一個程序，能夠在不了解任何規(guī)則的前提下學(xué)會玩 Breakout 視頻游戲，即用虛擬球拍擊打移動的虛擬球。

DeepMind 成為了一個很棒的玩家。但當(dāng)另一組研究者改動 Breakout 游戲的代碼時，即便是只把球拍的位置移動幾個像素，DeepMind 的能力都會大幅下降。即便是在稍有不同的情境下，它都無法將特定情境下學(xué)到的東西進(jìn)行廣泛應(yīng)用。

回到未來

對于 Marcus 博士，這個例子突出了機(jī)器學(xué)習(xí)的脆弱性。但也有人認(rèn)為，符號推理才是脆弱的那個，機(jī)器學(xué)習(xí)的前景還很大。自動駕駛汽車公司 Wayve 的科技副總裁 Jeff Hawke 就是持這種觀念的人之一。Wayve 采取的方法是通過同時驅(qū)動汽車不同部件來訓(xùn)練軟件，而不是分開來做。在演示中，Wayve 的汽車在狹窄、擁堵的倫敦街頭行駛時判斷準(zhǔn)確，這即使是對于很多人來說都很挑戰(zhàn)。

Hawke 博士指出：" 眾所周知，無論設(shè)想的正式邏輯有多周到、結(jié)構(gòu)有多合理，專家通過規(guī)則建造的系統(tǒng)的復(fù)雜性一般都不夠。多數(shù)真實世界任務(wù)的復(fù)雜性都比使用編制規(guī)則所能解決的要大。"例如，這樣的系統(tǒng)可能會制定汽車遇紅燈應(yīng)該停的規(guī)則。但不同國家信號燈的設(shè)計不同，有些燈是給行人而不是車輛的。還有時候，你可能需要闖紅燈來給救火車讓道。" 機(jī)器學(xué)習(xí)的美妙之處 "，Hawke 博士說，" 就是所有這些因素和概念，都能夠通過數(shù)據(jù)自動發(fā)現(xiàn)和學(xué)習(xí)。數(shù)據(jù)越多，它通過學(xué)習(xí)就能夠變得越智能。"

加州大學(xué)伯克利分校的機(jī)器人和人工智能研究者 Nicholas Rhinehart 也支持機(jī)器學(xué)習(xí)。他指出，Bhatt 博士的方式實際上顯示可以將兩種方法結(jié)合起來。但他對于其必要性并不確定。在他和其他一些人的研究中，機(jī)器學(xué)習(xí)系統(tǒng)本身就已經(jīng)能夠預(yù)測未來幾秒鐘的可能性（例如另一輛車是否會避讓），并按照這些預(yù)測來制定應(yīng)急計劃。

Bhatt 博士則回應(yīng)，你可能用數(shù)百萬公里駕駛積累的數(shù)據(jù)訓(xùn)練汽車后，仍無法確認(rèn)已經(jīng)把所有可能情境都覆蓋了。在很多情況下，從一開始就把一些規(guī)則編入程序中可能更簡單，更有效。

對于這兩種策略的擁護(hù)者，這個問題不僅局限于自動駕駛汽車，而是涉及人工智能本身的未來。" 我認(rèn)為我們目前采取的方式不對 "，Marcus 博士說，" 機(jī)器學(xué)習(xí)對于語音識別等已經(jīng)被證實有效，但其實際上并不是人工智能的答案。我們?nèi)匀粵]有真正破解智能問題。"無論如何，看來 7 個月大的孩子仍然有很多東西可以教給機(jī)器。

來源：來咖智庫