听说AI很厉害，但最先进的AI仅相当于4岁儿童

最近，一系列旨在测试一些世界上最好的人工智能(AI)系统和人类智商(IQ)之间的胜负关系的试验表明，人工智能的智力目前已经达到了4岁儿童的水平。来自美国伊利诺伊大学的研究小组完成了这项测试，他们发现，人类一手调教出来的、最先进的人工智能系统在智力方面相当于普通4岁儿童的水平。

当然，智商测试只是智力的一个衡量手段。计算机在处理某些任务的能力方面仍然遥遥领先于我们，比如计算的速度等等。这项测试所要做的是评估人工智能是否能够合理地理解周围环境的能力。而在“自我意识”这一特定领域，智能系统跟人类相比仍然有一大段距离。

自上而下的 学习

由麻省理工大学的研究人员开发的人工智能系统ConceptNet也参与了这项研究，这是一个学术界从上世纪90年代就开始努力开发的测试系统。它在词汇和相似性方面得到了很高的分数，信息方面的表现非常一般，推理和理解方面则可以用差劲来形容。

智商测试的范围和形式不尽相同，这取决于测试者的年龄。在这次测试中，测试者被问了“你可以在哪里找到一只企鹅？”或者“房子是什么东西”之类的问题。测试者可能被要求根据一些线索来确定答案，或者被提问“我们为什么要握手？”正如你所看到的，这些问题都是计算机可能觉得麻烦的问题类型。

不过，当儿童的年龄提升到7岁的时候，人工智能系统的智力水平同样会被人类吊起来打。但可怕的事是，人类的进化极度缓慢，而人工智能却在以一日千“年”的速度进化，而且近年来有加速度趋势。专家认为，人工智能在学习能力和自然语言能力上的改善会导致它们在今后几年里拥有跟人类一样的思维，比如苹果Siri、Google Now和微软Cortana。

在这些系统中， 学习是提升人工智能“智商”的核心。在20世纪80年代，计算机科学家发明了一种巧妙的方法来让计算机检测数据中的模式：链结式(或称神经网络)架构。这种方法在上世纪90年代陷入低潮，但随着谷歌旗下DeepMind等强大的“ 学习”方法的崛起，它又重新焕发了生机。

另一种历史悠久的自下而上的技术是强化学习。在20世纪50年代，斯金纳(B. F. Skinner)在约翰·沃森(John Watson)的研究基础上，通过给鸽子安排特定的奖惩活动，控制鸽子去执行复杂的动作——甚至指示空射导弹射向目标。其基本理念是，鸽子得到奖励的行为会重复，而受到惩罚的行为不会重复，直到想要鸽子去做的行为做成了。

即便是在斯金纳的时代，这个简单的过程，一遍又一遍地重复，也可能会导致复杂的行为，计算机被设定成一次又一次地执行简单的操作，操作规模之大超出了人类的想象，计算系统可以通过这种方式学习非常复杂的技能。

例如，谷歌的DeepMind研究人员将 学习和强化学习结合起来，教计算机玩雅达利的电子游戏，计算机根本不知道这些游戏是怎么玩的。

一开始，它的行为是随机的，它也仅仅得到屏幕在每个时刻的样子以及它的得分情况方面的信息， 学习帮助它解释屏幕上的特征，强化学习则激励系统获得更高的分数，这台计算机很擅长玩其中的几个游戏，但它也完全玩不好其他的对人类而言易如反掌的游戏。

通过以类似的方式结合使用 学习和强化学习，DeepMind的Alpha Zero程序取得了成功，先后在国际象棋和围棋比赛中击败人类棋手，尽管它只具备基本的游戏规则知识和一些谋划能力。

Alpha Zero还有一个有趣的特点：它可以与自己进行数亿次的对弈，在此过程中，它会清除导致落败的错误，同时重复和阐明带来胜利的策略，这种系统，以及其他涉及到生成对抗网络技术的系统，会在生成数据的同时也在观察数据。计算机需要数以百万计的例子来对对象进行分类，而我们只需用几个例子就可以对这些对象进行分类。

儿童的学习方法与机器有何不同？

然而，关于儿童，真正值得注意的是，他们在某种程度上结合了每一种机器学习方法的最佳特征，并对它们完成巨大的超越。

在过去的15年里，发展主义者一直在探究孩子们从数据中学习结构的方式，4岁的孩子只需要像自上而下的系统那样从一两个数据例子中归纳出非常不同的概念，就可以学习，但是他们也可以从数据本身学习新的概念和模型，就像自下而上的系统一样。

你也可以在孩子们的日常学习中看出这一点。即使数据相对较少，幼儿也能像成人科学家那样迅速地学习抽象而直观的生物学、物理学和心理学理论。

近年来，无论是自下而上还是自上而下方法，人工智能系统在机器学习方面所取得的显著成就，都发生在一个由假设和概念构成的有限而明确的空间中——一组精确的游戏片段和动作，一组预先确定的图像。

相比之下，儿童和科学家则有时会以激进的方式改变他们的概念，进行范式转变，而不是简单地调整他们已有的概念。

4岁的孩子能快速识别出猫和理解单词的意思，但他们也能做出创造性的、令人惊讶的新推断，这些推断也远远超出他们的经验范畴。看看孩子们都做些什么，可能会给程序员带来一些有用的关于计算机学习方向的提示。

儿童学习的两个特点尤其引人注目，儿童是积极的学习者，他们不像人工智能那样被动地吸收数据。就像科学家做实验一样，孩子们的内在动机是，通过他们无休止的玩耍和探索，从他们周围的世界中获取信息。

最近的研究表明，这种探索比表面上看起来更有系统性，并且能够很好地找到有说服力的证据来支持假设的形成和理论选择，所以，如果将“好奇心”植入机器，并让它们与世界积极互动，可能是让它们的学习变得更真实、更广泛的一条路径。

其次，不同于现有的人工智能，儿童是社会和文化的学习者，人类不是在封闭的状态下学习，而是利用过去几代人所积累下来的智慧，最近的研究表明，甚至学龄前儿童也是通过模仿和聆听他人来学习的，但是他们并不只是被动地服从他们的老师。

相反，他们以一种非常微妙和敏感的方式从他人那里获取信息，对信息的来源和可信度做出复杂的推断，并系统地将自己的经历与所听到的内容整合起来。

“人工智能”和“机器学习”听起来很可怕，在某些方面确实如此。然而，人的愚蠢比人工智能造成的破坏要大得多，我们需要变得比过去聪明得多，才能恰当地驾驭这些新技术，但对于人工智能取代人类，还有无论是世界末日预言还是乌托邦式愿景，都没有多少依据。

【科技云报道原创】

微信公众账号：科技云报道

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。