人工智能的應用越來越廣，隨著可用場景的不斷增多，人們對它的期望也越來越大。目前只能解決某些特定領域問題的“弱人工智能”已經開始無法滿足人們的需要，“強人工智能”似乎已經成為眾多研究者開始鉆研的下一個方向。
和強人工智能相比，弱人工智能被認為是不可能真正具備推理和解決問題能力的智能機器，雖然能夠解決特定某些問題，但是他們無法說是真正擁有智力和自主意識。
但是另一方面，關于“強人工智能“的觀點，卻也并非所有人都認同。
如果要追溯“強人工智能“這一概念的產生，它最早是由 John Rogers Searle 針對計算機和其他信息處理機器創(chuàng)造的，他將其定義為：“強人工智能觀點認為計算機不僅是用來研究人的思維的一種工具；相反，只要運行適當的程序，計算機本身就是有思維的?！?/p>
關于強人工智能是否就意味著機器具備思維的問題，目前依然還存在著很多爭論，而參與這場討論的人中就包括許多 AI 研究學者、哲學家等。
丹尼爾·丹尼特在其著作《意識的解釋》（Consciousness Explained）里認為，人也不過是一臺有靈魂的機器而已 ，“人可以有智能，而普通機器為什么就不能呢？”他認為即便是基于數據轉換來思考的機器，同樣有潛力能夠具有思維和意識。
因此在這里我們暫時認為這種不具有“靈魂”的思考機器是可以做到“無限接近”人類智力水平的。問題是，要如何才能達到這種“無限接近”的水平？
人類智力是綜合作用的產物，包括觀察力、注意力、記憶力、思維力、想象力等等，而每一種構成因素又會受其他更多因素的影響。
因此我們可以看到目前很多使用仿生的方法來研究人工智能的技術都在參照各種和“人”有關的學科理論對這項技術進行研究和發(fā)展，所以說，人工智能也就因此變成了一門更像是跨學科的研究。
人工智能的智力源頭之謎
人工智能的智力來源于數據的收集。在人工智能學習和訓練的過程中，深度學習和神經網絡通過對所收集的大量數據進行分析歸類，從而完成對人工智能系統的塑造。
目前，神經網絡的結構通常由如下部分組成：
在學習過程結束之后，新的物體就能夠送入這個網絡，并且能夠在輸出層看到每個種類的分數。
之所以說目前大多數人工智能多屬于“弱人工智能”的范疇，就是因為這些人工智能一般只會針對目標的用途進行某一特定數據的深度垂直學習，又或者是像 Siri 這樣的語音助手一樣，能做的事情非常有限，更像是一個“幫助傳遞信息，提供搜索服務”的助手。
我們似乎從來沒有想過人類的智力僅僅依靠“數據”就能夠獲得，但是就目前的相關研究來看，已經查明能夠對智力產生影響的因素包括飲食、遺傳與環(huán)境、早期經驗、學校教育、社會實踐和主觀努力等等。
這些因素中的大部分都能在機器和人工智能中找到類似的對比。食物作為生命和大腦的物質基礎，決定了生命和大腦的健康——這可以和機器的構造類比；遺傳和環(huán)境、早期經驗、學校教育、社會實踐就是人類用來學習的“數據”，只不過這些“數據”的影響更加潛移默化，目標性不如機器學習中的明確；至于主觀努力就是一直以來很多人用來區(qū)分機器與人類差異的重要依據所在了。
這種對于主體目標的一種似乎與生俱來的熱枕，似乎是機器還難以達到的部分。這部分和人類所稱的“靈魂”其實可以歸屬到同一類別，都是一種難以模仿的、非常主觀性的心理活動。
但是除去最后一點，目前的機器似乎已經可以模仿人類絕大多數的心理活動和環(huán)境影響。
因此用仿生的研究方法來開發(fā)更加智能的機器似乎是最有效率的途徑，畢竟人類的智力也是經過數千萬年的進化發(fā)展到今天的水平的。對于關于人類的一些描述性的研究成果，似乎也可以逆向應用在人工智能的研究和開發(fā)之中。
從人類發(fā)展 AI 的歷史來看，我們不難發(fā)現，仿生的方法似乎也是唯一一種能夠讓我們將研究進行得最為深入和持久的方法。
在人類最開始研究 AI 時，首先是從直接做出一臺會思維的機器開始的，但是很快這種方法就遇到了瓶頸，于是人類開始嘗試仿生的方法，從其他在地球上已經生活了數百萬年的生物那里獲取靈感，人工神經網絡便由此誕生。
為了讓人類能夠打造出更好的 AI 機器，近日麻省理工大學甚至提議我們需要“比以前更了解生物大腦及智力產生的過程?，F在這一階段，我們已經可以開始理解將神經科學、認知科學和計算機科學應用到智能機器設計的理念?！?/p>
人工神經網絡的第一個里程碑就是“感知”（Perceptron），一個感知機器實際上就是對神經元基本概念的模擬，這是一種能夠進行自動決策的機器。比單層感知機更復雜的多層感知機就是我們我們常說的深度網絡，它是進行數據處理和模式識別的關鍵。
深度神經網絡能夠對這些數據進行處理的原因在于數據本身具有的復雜的機構很適合被 NN（Neural Network，神經網絡）識別，因此機器能夠進行自主的學習，而不需要人類預先設計識別這些結構的函數。
在深度卷積網絡（DCNN）中，信號在多級網絡里一級級傳遞，從而使得微觀到宏觀的特征都得到分辨和識別，各層神經元之間沒有相互聯系，所以它們能夠同時看到一個圖像從細節(jié)到抽象的結構，所以甚至能夠抓住一些人類都難以注意的細節(jié)和模式。
哪些學科理論將有可能對人工智能研究帶來影響？
神經科學和人工智能（AI）領域互相聯系結合，由此產生了計算神經科學和統計機器學習領域。在計算機科學和 AI 中，統計機器學習是指系統從數據“學習”模式的算法，這在神經科學中被稱為是“理論神經科學”（或“計算神經科學”或“系統神經科學”），它們采用了完全相同的模型和數學框架，只不過它們研究的方向換成了人類大腦罷了。
從心理、認知和問題解決的角度講，認知科學就像神經科學和人工智能之間的另一座橋梁。數字計算機的原始設計的靈感就來自于反思和內省的心理運作，而這一領域在后來就慢慢發(fā)展成了認知科學。
物理學家把神經網絡看成無數神經細胞相互作用組成的一個整體，就如同理想氣體是無數分子的組合或金屬晶體是原子的組合類似。雖然單個神經細胞只有一個簡單的作用，就是把接收到的信號轉化為一定的輸出，但是這樣一個簡單的東西通過大量加和的網絡效應卻可以產生智能這種十分復雜的現象，這就是物理學中所說的涌現性。
所謂簡單的東西堆在一起足夠多，突然之間產生了一個更加復雜和高級的現象。這種由于尺度跨越造成的飛躍性變化，物理學認為是自然界各種復雜的東西形成的秘密所在。
從物理學相變的角度看神經網絡也可以幫助我們理解很多常常百思不得其解的問題，例如，我們是如何睡覺的。從清醒到進入睡眠，人腦會發(fā)生一個劇烈的變化，這個變化其實跟物理學里面水結冰的現象很像，是物體從自由的狀態(tài)轉化為極為有序狀態(tài)的一個過程。
如果你觀察人類從清醒到睡著的腦電波變化，就會發(fā)現波形在某一個點上突然發(fā)生了改變。除了睡眠，冥想、愛上一個人等等，或許都可以看做是這種大量神經單元在某種條件和刺激下從一個整體狀態(tài)住轉變?yōu)榱硪粋€整體狀態(tài)的相變過程。
除了上面說過的涌現性和相變，物理學對人工智能的貢獻還有非線性動力學，非線性動力學的方程式甚至能夠精準地對神經細胞放電這個極為復雜的理化過程進行預測，這就是著名的 Hodykin-Hulex 模型。
對于神經網絡的動力學解釋主要基于物理的混沌理論，因為神經網絡作為一個高維系統，它的行為正好符合混沌的框架。當任何一個神經元受到擾亂時，所產生的后果不可預料。我們都知道生物的神經網絡可以極為精準而穩(wěn)定地決定動物的各種行為，因此看似混沌的網絡實際上是能夠被精準預測的。
這里的思維就和物理學中的降維的思想不謀而合，高維度的網絡系統在執(zhí)行某個任務的時候，可以被化解到更低的維度里用動力學來解釋。
生物學中有關神經網絡的研究或許是最復雜的，因為生物學研究者了解細節(jié)和功能的方式就是通過解剖、實驗以及各種成像技術來理解的。這種對于細節(jié)的嚴謹態(tài)度在神經網絡中也有同樣的體現，關于神經元之間相互連接的精密地圖為神經網絡的構建提供了參考和借鑒。
生物學對于神經網絡提供的更有趣的還在于對學習現象的解釋。神經細胞之間額連接——神經突觸是會隨著時間的變化而不停改變的，這種微妙變化是神經活動導致的，如果一個細胞經常向另一個細胞放電，那么它們之間的聯系就會加強，它們所代表的信息就會聯系起來，這就是學習的生理基礎。
生物學和人工智能之間更奇妙的聯系還在于，人工智能反過來啟迪了生物神經網絡的發(fā)展，正如費曼所說“你要想真正理解一個東西，就自己造出一個來”。
從信息學的角度看，神經網絡就像是一個具備整合各種信息的工具。對于人類來說，之所以進化出神經網絡，就是因為我們面對的現實世界充滿了各種錯綜復雜的信息，因此我們需要把多種不同的信息整合在一起并對其做出相應的判斷就至關重要。
從信息學的視角來看，貝葉斯分析時其中應用最廣的角度。所謂貝葉斯分析，就是把新增加的證據和之前形成的信念不停進行綜合來對當下的判斷做出選擇。
要實現這種新舊知識的綜合，就需要在不斷收集新信息的同時還要對舊知識進行儲存和調用，另外和需要根據前兩者的綜合對未來的趨勢做出判斷，改變當前大腦中的連接網絡狀態(tài)。上
面的幾個步驟，就分別對應人類的感知、記憶、行為和學習幾種行為。
不少分屬理工科類的學科在 AI 發(fā)展的最早期都發(fā)揮了很大作用，但是隨著人類都 AI 的發(fā)展和了解不但深入，以及仿生方法的更深層次的應用，除了以上提到的幾種目前已經對 AI 發(fā)展產生了明顯作用的學科分支外，其他的人類學科，包括社會學、犯罪學、語言學甚至是作為終極學科的哲學都已經開始展現了它們對 AI 發(fā)展的重要理論和思維模式借鑒。
能力和智力不同的 AI，可以分成哪幾種？
大多數“入門基本型”的 AI 系統都屬于純粹的響應式機器，它們既不具備形成記憶的能力也不具備借鑒過去經驗的能力，因此也無法從過去的經驗中獲得當前決策的有效借鑒。
IBM 的超級電腦“深藍”曾經于 20 世紀 90 年代末期擊敗人類國際象棋大師加里·卡斯帕羅夫（Garry Kasparov），它就是響應式機器的完美代表。
“深藍”可以識別棋盤上的棋子，并知道如何移動棋子。它甚至還能預測自己和對手的下一步棋路，并在諸多可能性中選擇最優(yōu)方案。但是“深藍”沒有“過去”的概念，也沒有此前的記憶。除了偶爾利用國際象棋的具體規(guī)則，比如反對重復同樣的步驟 3 次外，“深藍”幾乎會忽略此前發(fā)生的一切。它的重點就是關注當前棋盤上的棋子，并為下一步移動做出選擇。
這類 AI 可以短暫回顧過去的經驗，比如無人駕駛汽車系統中的 AI。舉例來說，它們會觀察其他汽車的速度和行進方向。但是它們現在還無法立刻完成這個動作，而是需要識別特定目標，并監(jiān)督它們一段時間。
這些觀察會被添加到無人駕駛汽車預先編程的模擬世界中，包括車道標記、交通燈以及其他重要元素。但是這些有關過去的簡單信息只是短暫的，不會被儲存在汽車已經了解到的經驗庫中，因此他們也無法充分建立起記住經驗和積累駕駛經歷的能力。
這很可能是目前已經建造的 AI 機器與將來要建造的 AI 機器之間的差異最大的地方。未來的 AI 機器將更加先進，它們不僅會自己建立模擬世界，還會模擬世界上其他對象和實體。在現實世界，這被稱為“心智理論”，即理解世界上的人類和其他生物都有思想和情緒，而這些思想和情緒可影響他們的行為。
這對人類形成社會時至關重要，因為它們允許我們進行社會交流。如果不相互了解動機和意圖，不考慮其他人對自己或環(huán)境的了解，最好的情況下是協作非常困難，最壞的情況是根本不可能有協作。
如果 AI 系統要想走在人類中間，它們必須能夠理解我們每個人都有不同的想法和感受，并期望自己被如何對待。為此，它們必須對自己的行為進行相應調整。
AI 發(fā)展的最后階段就是建立能夠形成代表它們自己的模擬世界的系統。最終，AI 專家不僅需要自己理解意識，還要建造擁有自我意識的機器。
從這種意義上說，第四類 AI 是第三類 AI 所代表的“心智理論”機器的延伸，同時也是意識被稱為“自我意識”的原因。
有意識的存在可以意識到他們自己，了解它們的內部狀態(tài)，能夠預測其他人的感受。我們假設有人在后面狂按喇叭代表憤怒和不耐煩，因為我們那樣做時也代表著同樣感受。沒有心智理論，我們就無法做出這些推論。
現在距離創(chuàng)造具有自我意識的機器可能還很遙遠，因此目前的重心更應該放在理解記憶、學習以及基于過去經驗作出決定的 AI 能力上。這些不僅是理解人類智慧的重要過程，而且在我們設計和開發(fā)次時代的 AI 機器中，這一點也尤為重要。
快幫云是北京快幫科技有限公司打造的一站式企業(yè)成長服務平臺，致力于通過提供互聯網管理工具，為我國企業(yè)帶來成長與變革。快幫云以為企業(yè)提供品質服務為使命，服務體系涵蓋知識產權、網站建設、營銷推廣、企業(yè)應用四大業(yè)態(tài)數十項服務內容。
快幫云通過自營模式為企業(yè)提供相應服務，通過幫助企業(yè)升級經營管理理念、快速上云、用好云時代的互聯網工具等方式，幫助企業(yè)降低成本、提高經營效率，完成升級與轉型。
快幫云特有顧問式服務機制，所有顧問經嚴格的快幫商學院系統培訓，擁有專業(yè)的企業(yè)管理知識理念，以此結合云時代企業(yè)互聯網管理工具，探觸企業(yè)內在訴求痛點并進行融合鏈接，幫助企業(yè)創(chuàng)新管理方式與商業(yè)模式，為企業(yè)提供實用、有效、低投入的企業(yè)級服務。
快幫云在北京、上海、深圳、天津、西安、廈門等二十多個地區(qū)設有分子公司及服務機構，并與阿里、騰訊、百度、北森、仁科互動、Udesk等企業(yè)建立長期戰(zhàn)略合作伙伴關系。
