您好、欢迎来到现金彩票网!
当前位置:秒速时时彩开奖 > 算法正确性 >

图灵机与控制论之分歧一切为了人类心智的荣耀!-创头条

发布时间:2019-07-30 23:46 来源:未知 编辑:admin

  艾伦·图灵,是天才的计算机科学家、数学家、逻辑学家、密码分析学家和理论生物学家,他被视为计算机科学与人工智能的奠基者之一。

  图灵对于人工智能的发展有诸多贡献,例如图灵曾写过一篇名为《计算机器和智能》的论文,提问 “机器会思考吗?”(Can Machines Think? ),作为一种用于判定机器是否具有智能的测试方法,即图灵测试。至今,每年都有试验的比赛。此外,图灵提出的著名的图灵机模型为现代计算机的逻辑工作方式奠定了基础。

  早在1948 年,图灵就写了一篇题为《智能机器》的论文,描绘了现在成为人工智能核心的许多概念,包括遗传算法、神经网络、强化学习等。在没有电子计算机的年代,图灵用纸和铅笔做出了这项开创性的研究,在今天引发热议。

  诺伯特·维纳,是美国著名应用数学家,控制论的鼻祖。维纳在数学、物理、工程学、哲学等领域都颇有建树,但人们始终将创立控制论视为他对科学发展所作出的最大贡献,称其为 “控制论之父”。

  自从 1948 年诺伯特・维纳发表了著名的《控制论 —— 关于在动物和机器中控制和通讯的科学》一书以来,控制论的思想和方法已经渗透到了几乎有的自然科学和社会科学领域。

  图灵和维纳的思想都对人工智能的研究之路产生了重要影响。为了对当前实现人工智能的方法做一个高层次的总结,本文解释了图灵方法和维纳方法之间的关键共性和主要区别。

  图灵所设想的人工智能设计是一次性成型的,而维纳所设想的人工智能设计是自主寻找,反复迭代多次后成型。

  作者:清华大学自动化系 李力;西安交通大学人工智能与机器人研究所 郑南宁;中国科学院自动化研究所复杂系统管理与控制国家重点实验室 王飞跃

  本文讨论了AI发展过程中的主要困难,特别是解释了图灵的人工智能方法和维纳的人工智能方法之间的关键区别,此外,本文还强调了人类在开发人工智能方面的作用。

  特别地,对维纳的观点所涉及的问题、成功的成果、局限性以及现有方法的未来研究方向分别进行了阐述,旨在为读者提供一个良好的起点和路线图。

  莱布尼茨(Gottfried Leibniz)在1676年提出通用语言(universal language)的思想。他希望创造一种通用语言来将所有的任务进行计算式的描述。同时,莱布尼茨还设想了一种机器,能够根据这种通用语言来计算数学论断是否正确。

  之后,希尔伯特(David Hilbert)于1928 年提出了著名的“判定性问题”(Entscheidungs problem):是否存在一系列有限的步骤,它能判定任意一个给定的数学命题的真假?

  邱奇(Alonzo Church)和图灵(Alan Turing)在1936-1937年各自独立解决了这一问题。他们的主要贡献在于将“判定性问题”形式化,详细定义了何为“一系列有限的步骤”。邱奇描述“有限的步骤”的模型为算子(-Calculus),而图灵描述“有限的步骤”的模型为图灵机(Turing Machine)。

  从现代的角度来看,“判定性问题”中的“有限的步骤”指的就是由条件语句、循环语句等元素搭建而成的一系列可以由机械执行的过程。而这一执行过程也就是我们常说的“算法”。

  邱奇和图灵还探讨了“可计算性”的概念,并提出了“丘奇-图灵论题”(Church–Turing thesis),断言:假设不考虑计算资源(脑力体力等)的限制,定义在自然数域,能被人通过算法计算的函数,也能被图灵机计算;反之亦然。

  令人欣喜的是,图灵敏锐的意识到了计算和智能之间的密切联系,并开始了关于人工智能的研究。1950年,图灵发表了“计算机器与智能”一文,提出机器可以“模仿”人的思维活动(Turing, 1950)。图灵认为在没有真正理解人的心理和意识活动之前,我们只能以“模仿”方式进行机器思维的研究和测验。很遗憾,图灵在其有生之年,没有进一步对该思想进行更为透彻的阐述。

  而另一方面,维纳(Norbert Wiener)于1950年出版《人有人的用处: 控制论与社会》一书,将自动机器和人进行了对比,认为两者均由感知装置,信息传递装置和行动装置等构成一个相对独立的系统。这一系统接受、处理、储存和传递信息,并籍此做出一系列行动,以实现与系统之外世界的互动。

  如果将图灵和维纳的想法比较,我们不难看出两者对于人的智能的抽象方式有着某些共同之处,更有着显著不同之处。

  1956年Dartmouth会议之后,人工智能研究取得了持续不断的进展。不同研究者提出了多种模型来解决特定的问题。特别的,麦卡洛特(Warren Sturgis McCulloch)和皮茨(Walter Pitts)于1943年首先提出的所谓“神经网络”人工智能模型的极大关注。在经历了多次低潮之后,Geoffrey Hinton等提出了深度神经网络,对于传统神经网络的网络结构,训练方式等进行了重要变革,极大的提升了模型的能力,在图像识别,语音处理等领域取得了显著的进展。

  目前,人工智能取得了飞速发展和显著成就,已成为学界和社会关注的焦点。然而,经过了60多年的发展,我们仍然无法准确的回答“什么是人工智能?”“如何用算法实现人工智能?”“如何判定机器是否具有智能”等问题。因此,我们有必要回顾人工智能研究之路的一些关键节点和分歧之处,进一步深入考虑人工智能的本质。

  在本文中,我们试图阐述如下几个线)图灵机(通用计算),图灵测试和人工智能之间的关系;

  为了表达方便,我们将自然的方式顺序展开我们的讨论,并在这一过程中插入我们对于这些话题的思考和观点。

  希望人或者机器做出一系列行动(activities)来实现某种目的。和这一定义相比较,我们不难发现图灵认为的实现人工智能需要大致三步:

  Step 2. 找到一种算法(也即一台能够根据这种算法进行计算的机器)解决用这种通用语言描述的数学命题问题。

  但实际上,无论那个元素都不能简单的得到其描述方式。兹举一例。类似于著名的“猴子和香蕉问题”(Monkey and banana problem),假设我们让机器人进入一个天花板上挂着香蕉,地上放在椅子和棍子的房间,完成摘取香蕉的任务。

  如果我们不设定机器人具有移动椅子和站到木块上这两种行动,而只设定机器人具有移动自身和摘香蕉的行动;

  这是因为人类已经通过经验积累和学习,潜意识中完成了对所允许行动集合更为合理的设定。纵观过去多年的人工智能研究可以发现,目前尚未有一种方法能将所有任务自动地转化为计算式的描述,都需要人先将任务转为机器可以理解的特定图灵机模型,才能进行计算和求解。

  而目不识丁的健康人也可以驾车行驶(假定我们不去关心其是否识别交通标识)。其三,通过特定任务的测试是实现特定人工智能的充分必要条件。

  需要检验一台特定机器(也即该机器所运行的算法)是否能够完成特定的任务。事实上,智能的验证同样困难重重。

  1)与之前的分析类似,在当前的人工智能研究中,我们经常面临因为无法精确将问题表述为数学命题,因此也就难以对设计用于完成某项任务的机器的智能进行正确判定。

  DARPA 2007 年无人车挑战赛则选取了96 公里的城市道路作为测试场景(Urban Challenge 2007)。但实际上,无人车到底需要完成什么样的特定任务并未进行细化。因此,这样的智能测试难以量化,也不易分析测试的有效性和可靠性(Li et al., 2016; Li et al., 2018)。另外一个典型例子则是图灵测试。

  2)随着任务的难度提升,我们很难验证受试机器对于任务中出现的任何情况都能做出正确的行动。

  3)为了解决场地实测费时费钱的问题,研究者开始在一些人工智能应用中大量使用仿真虚拟测试的方法。

  4)在很多应用中,很难直接给出一个非常明确的性能指标来评估所测试的机器是否达到了预期的指标。

  但由于维纳使用连续系统的方式来对信息论和通信技术进行建模,导致分析难度很大。而香农(Claude Shannon)使用离散系统的方式来对信息论和通信技术进行建模,获得了巨大成功(Shannon, 1948)。但维纳对于控制技术提出的反馈、稳定和镇定等概念和理论却获得了广泛认可,导致了现代控制科学理论的诞生。特别的,Rosenblueth,Wiener和Bigelow三人于1943年发表了一篇文章,将控制看作是一个在原因和目的之间随机试探,不断验证和反复调节的过程。

  结合上文的分析,我们不难发现,图灵所设想的实现人工智能的3个步骤是单向依次进行的。

  换而言之,图灵所设想的人工智能设计是一次性成型的,而维纳所设想的人工智能设计是自主寻找,反复迭代多次后成型。

  维纳的这一思想为在更少人类智能参与的情况下,实现人工智能带来了新的解决途径。

  误差反向传播是一种根据映射误差,结合优化方法调整加权系数的方法。神经网络,特别是深度神经网络获得的巨大成功表明维纳的探索——验证——调节框架具有很强的灵活性和适用性(Schmidhuber, 2015; LeCun et al., 2015)。

  最近20年来,更值得关注的维纳思想成功应用是强化学习(Sutton and Barto, 1998)。

  接着,机器将按照某种较为简单的规则来进行探索不同行动获得的回报如何,验证当前机器所采取的行动策略是否需要优化,调节更新机器下一步所采取的行动策略,反复迭代直至任务完成。强化学习首先在维纳创立的控制理论中取得了丰硕成果(Wang et al., 2009),接着和人工智能、机器学习的很多领域中都获得了成功应用。

  AlphaGo的大获成功表明,采用探索——验证——调节这一框架可以解决一些之前认为难以解决的难题(Silver et al., 2016; 2017a; 2017b)。但是,目前这一人工智能实现框架依然存在着很多研究问题需要解决,特别是:

  2)机器可能会记住错误的启发式知识,如何找出这些错误的记忆并剔除依然困难。

  3)强化学习强烈依赖于我们探索和验证的情况的数目,如果所需的数据量巨大,则整个问题的求解难度依然不容忽视。

  但这些研究结果还不具有很广的普适性。不难发现,由于探索和验证是维纳设想的实现人工智能的重要步骤,本节提到的很多问题与上节讨论图灵实现人工智能所做测试中遇到的问题有本质的相似性。

  首先,在智能表述部分,只有人类将特定任务转为为机器可以理解的特定图灵机模型,才能将计算和求解的工作留给机器来完成。

  最后,即使是人类可以较少参与的智能验证部分,尚有评价函数,停止条件等诸多内容需要人类专家来设置。

  因此,从这一角度来看,目前的人工智能研究都属于人类智能和人工智能的混合(Zheng et al., 2017)。

  这两种不同的思想带来不同的人工智能理论和实现方法,也各自有困难尚未解决。

  在精密加工领域,我们使用粗糙的加工工具(如斧头和锉刀)制造了最早的机床。

  未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能,互联网和脑科学交叉研究机构。

  未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

http://homeschoolwwh.com/suanfazhengquexing/642.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有