人工智能何时会超越人类表现？早在 2015 年，牛津大学的一组研究人员 就询问了全球顶尖的人工智能研究者，他们认为机器何时会在各种任务中达到超人水平。
结果令人大开眼界。他们说，一些任务会相对较快地被机器完成——例如，语言翻译、驾驶和撰写高中论文。其他任务会需要更长时间。但研究专家们认为，在 45 年内，机器有 50% 的可能性在或多或少所有事情上都比人类做得更好。
有些人甚至更乐观。2008 年，现已被谷歌收购的 Deepmind technologies 的联合创始人 Shane Legg 预测，我们将在 2020 年代中期拥有达到人类水平的人工智能。2015 年，Facebook 创始人马克·扎克伯格表示，Facebook 计划在 10 年内，在所有主要人类感官：视觉、听觉、语言和通用认知方面，实现比人类更好的能力。
这种炒作提出了一个有趣的问题。研究人员是否误判了人工智能的潜力？如果误判了，又在哪些方面呢？
现在，由于新墨西哥州圣达菲研究所的计算机科学家兼作家 Melanie Mitchell 的工作，我们有了一些答案。Mitchell 认为，由于我们对人工智能复杂性的理解有限，人工智能比我们想象的要困难。事实上，她认为该领域充斥着解释我们无法准确预测人工智能发展轨迹的四大谬误。
机器的胜利
第一个谬误源于人工智能在某些领域机器战胜人类所带来的那种胜利主义——它们在国际象棋、围棋、各种电子游戏、某些类型的图像识别等方面都比我们强。
但这些都是非常狭窄的智能范例。问题出在人们的推断方式上。Mitchell 说：“特定人工智能任务的进步常常被描述为迈向更通用人工智能的‘第一步’。”但这是一种将狭义智能视为通往广义智能的连续体一部分的谬误的体现。
Mitchell 在此话题上引用了哲学家 Hubert Dreyfus 的观点：“这就像声称第一只爬树的猴子正在朝着登陆月球迈进。”但实际上，沿途有无数意想不到的障碍。
第二个谬误基于计算机科学家 Hans Moravec 等人推广的一个悖论。他指出，对人类来说困难的活动——如下棋、翻译语言和在智力测试中取得高分——对计算机来说相对容易；但对我们来说容易的事情——如爬楼梯、聊天和避开简单的障碍——对计算机来说却很难。
然而，计算机科学家们认为，即使我们的人类思维过程隐藏着巨大的复杂性，机器也很快能够胜任人类的认知活动。Mitchell 指出 Moravec 关于这个主题的论述：“人类大脑中庞大、高度进化的感觉和运动部分编码了关于世界性质以及如何在其中生存的十亿年经验。”这就是为什么困难的任务显得容易。
Mitchell 的第三个谬误集中在“愿望性记忆助记符”上。她说，计算机科学家倾向于将某些程序、子程序和基准测试命名为他们希望模仿的人类特征。例如，一个被广泛引用的基准测试是斯坦福问答数据集，研究人员用它来比较人类和机器在回答某些问题方面的能力。
Mitchell 指出，这个以及其他类似命名的基准测试实际上测试的是非常狭窄的一系列技能。然而，它们会导致一些新闻标题，暗示机器可以超越人类，但这仅仅是在基准测试所测试的狭窄范围内才是正确的。
她说：“虽然机器可以在这些特定的基准测试中超越人类，但人工智能系统仍然远远无法匹配我们与基准测试名称相关的更广泛的人类能力。”
Mitchell 的最后一个谬误是认为智能完全存在于大脑中。她说：“智能原则上可以‘脱离身体’的假设，在人工智能历史上的几乎所有工作中都隐含着。”
但在最近几年，越来越多的证据表明，我们的大部分智能都被外包给了我们的人类形态。例如，如果你从墙上跳下来，你的肌肉、肌腱和韧带的非线性特性会在你的大脑没有深度参与协调运动的情况下吸收冲击。相比之下，机器人的类似跳跃通常需要精确测量四肢和关节的角度，而强大的处理器则决定执行器应如何运作以吸收冲击。
形态计算
在某种意义上，所有这些计算都是由我们身体的形态来完成的，而身体形态本身是数十亿年进化的结果（这也是一种算法过程）。这种“形态计算”并不在大脑中进行。认知心理学家（公平地说，一些计算机科学家也是如此）长期以来一直在研究智能的这一方面。
但许多人工智能研究者在预测未来时未能将这一点考虑在内。Mitchell 说：“认为智能完全在大脑中的假设导致了猜测，即要实现人类水平的人工智能，我们只需要扩大机器的规模以匹配大脑的‘计算能力’，然后为这种匹配大脑的硬件开发适当的‘软件’。”
事实上，许多未来学家似乎认为，超智能可以完全脱离身体。
Mitchel 强烈反对。“我们从具身认知研究中了解到，人类智能似乎是一个高度整合的系统，具有紧密相互关联的属性，包括情感、欲望、强烈的自我感和自主性，以及对世界的常识性理解。”她说。“这些属性是否可以分离，这一点一点都不清楚。”
总而言之，这些谬误使得许多人工智能研究者对过去取得的进展和未来可能发生的事情产生了错误的认识。事实上，一个重要的悬而未决的问题是“智能”意味着什么。如果不清楚研究人员试图模仿的对象是什么，那么进步的可能性似乎黯淡。
Mitchell 提出，当今许多人工智能研究与通用智能的关系，就像炼金术与科学的关系一样。“要理解真正的人工智能进展的本质，特别是为什么它比我们想象的更难，我们需要从炼金术转向发展对智能的科学理解，”她总结道。
一篇引人入胜的文章！
参考：为什么人工智能比我们想象的更难：arxiv.org/abs/2104.12871
