科學家們一直致力于創(chuàng)造一種像人類一樣思考的機器，但經(jīng)過一段時間的探索，這一進程遇到了阻礙，他們基本上已經(jīng)暫停了模仿“人腦”，轉(zhuǎn)而研究已有發(fā)現(xiàn)的應(yīng)用。剩下的仍在孜孜不倦地追求“超智能機器”的人中，圖靈獎獲得者Judea Pearl提出了通往智能機器的新路線圖。

“人腦”模仿受挫

卡內(nèi)基梅隆大學計算機科學系主任Andrew Moore在接受Axios采訪時表示，盡管現(xiàn)在的AI在可視化、語音和困難游戲方面有令人驚嘆的能力，但它仍然“沒有魔力”。“我們不再試圖復制人腦，我們專注于設(shè)計制造（已經(jīng)發(fā)明的東西）”，他說。

Moore的觀點與人工智能界日趨強烈的疑問一致——現(xiàn)有的方法真的可以實現(xiàn)所謂”人工智能”嗎？去年九月，AI領(lǐng)域最受尊敬的先驅(qū)之一Geoffrey Hinton稱，研究者們需要重新開始。

1986年，Geoffrey Hinton與他人合著了一篇論文，這篇論文在30年后成為了引爆人工智能的核心。該論文提出了反向傳播理論方法，這是如今人工智能所依賴的主要方法，圖像分類、Siri交談能力的進步都仰仗該方法。然而去年九月，Geoffrey Hinton在一場多倫多舉行的AI會議上直言自己提出的突破性方法應(yīng)該被舍棄。

反向傳播算法的核心工作機制是用“標簽”或“權(quán)重”代表類腦神經(jīng)層中的圖像或聲音，權(quán)重可以逐層調(diào)整，直到該神經(jīng)網(wǎng)絡(luò)能夠在最少錯的情況下執(zhí)行智能功能。如今Geoffrey Hinton對這個算法深表懷疑，他不認為這是大腦的工作方式，因為“我們顯然不需要所有標記的數(shù)據(jù)。”他說，“我的看法是拋棄一切，重新開始”。

通往“智能機器”的新路線

盡管許多AI科學家停下了對“超智能機器”的追求，但還是有研究者在堅持尋求突破。其中Judea Pearl提出了通往智能機器的新路線——“因果推理”。

Judea Pearl是計算機科學領(lǐng)域最高獎項圖靈獎的獲得者，也是人工智能領(lǐng)域暢銷書 “The Book of Why”的作者。他把他提出的新路線稱為“因果推理”，即推斷情況的原因和方式的能力。

Judea Pearl指出新路線雖然并不涉及人工智能本身，但“因果推理”是終極路徑，因此將標志一場“小型革命”，他告訴Axios。Pearl認為當下機器學習囿于相關(guān)性和關(guān)聯(lián)性，缺乏真正的思維。比如，如果一個人工智能程序每天都看到公雞在太陽升起前打鳴，它就會認為是公雞打鳴導致了太陽升起，這就是人工智能所依賴的相關(guān)性。而“因果推理”就是希望能超越相關(guān)性，讓因果解釋成為機器智能的基石。

“我所預(yù)測的迷你革命將把機器學習從目前的不透明，健忘和缺乏可解釋性的困境中解放出來，” Judea Pearl說。“此外，它還可以讓機器學習我們真正關(guān)心的問題的答案，而不僅僅是相關(guān)性。”例如，一輛裝備了“因果推理”的自駕車即使遇到一個沒有數(shù)據(jù)的情況，也能立即進行調(diào)整。這樣的自駕車可以思考是什么導致了它遇到的事故，而不僅僅是與事故相關(guān)的事物，前者才是人類真正關(guān)心的。

值得一提的是，Geoffrey Hinton也與他的谷歌同事一起提出了全新的AI理論體系——“Capsule”。這是他們對未來人工智能形態(tài)的探索。Capsule的提出受到了神經(jīng)解剖學、認知神經(jīng)科學、計算機圖形學的啟示，旨在實現(xiàn)反向傳播無法實現(xiàn)的“無監(jiān)督學習”，這能讓神經(jīng)網(wǎng)絡(luò)擺脫“標簽”，依靠自身變得智能。