導讀：人工智慧的字典定義是機器模仿人類智慧行為的能力。那麼如何定義智慧？

作者：道格·羅斯（Doug Rose）

來源：華章科技

01 圖靈測試

艾倫·圖靈是一位英國計算機科學家，他曾參與解密二戰期間德國人用來通訊的神秘機器（密碼機），這件事情讓他聲名顯赫。戰後，他把目光投向了早期的計算機，並對機器如何思考十分感興趣。

在1951年的一篇論文中，他提出了一個名為模仿遊戲的測試，這個測試是基於維多利亞時期的一個室內遊戲。在遊戲中，一男一女坐在一個房間裡，提問者在另一個房間裡（見圖1.1）。

▲圖1.1 模仿遊戲

提問者會問這對男女一個問題。然後團隊會把他們的答案以書面形式傳回來。由提問者來猜測每一個書面答案是來自男人還是女人。而同時，男人試圖愚弄提問者，而女人則試圖幫助他。

對於現代人來說，這個遊戲聽起來並不有趣，但對圖靈來說，這是測試機器智慧的一個很好的基礎。他設想了一個更新的模仿遊戲，在這個遊戲中，這個男人被一臺機器取代了（見圖1.2）。

▲圖1.2 圖靈測試

然後提問者會問這個女人和機器一個問題，並以書面形式收回答案。如果提問者以同樣的可能性選擇其中一個（即提問者分不清到底是人作答的還是機器作答的），那麼這臺機器被認為是智慧的。這個遊戲後來稱為圖靈測試。

這項測試引發了人們對“有思想的機器”（imaginable machine）的好奇，儘管它比McCarthy發明人工智慧這個詞早了幾年。即使過了近70年，這個測試聽起來仍然很有趣。想象一下，如果你用自己的語言向一臺機器提出一個問題，而從得到的回答中無法區分是不是另外一個人的回答會怎麼樣？

儘管如此，大多數專家都贊同圖靈測試不一定是衡量智慧的最佳方法。首先，這在很大程度上取決於提問者，有些人可能很容易上當，以為自己在和另外一個人說話。它還假設人工智慧將與人類智慧相似。你可能會假設一臺機器在開始執行諸如尋找新藥或準確預測全球氣候模式等高階任務之前，能夠與人進行一次像樣的對話。

然而圖靈測試仍然激發了許多創新。一些公司仍在嘗試建立智慧聊天機器人，還有一些NLP競賽試圖透過圖靈測試。人們似乎覺得現代機器再過幾年就能透過圖靈測試了。許多現代NLP應用可以準確地理解你的大多數請求，現在它們只需要提高反應能力。

然而，即使一臺機器能夠透過測試，這臺機器也不太可能被視為智慧的。即使你的智慧手機能騙過你，讓你以為在和人說話，但這並不意味著它能提供真正有意義的對話。

02 中文房間實驗

人們關於人工智慧的第一次嘗試是在1956年。Allen Newell和Herbert A. Simon（見圖1.3）建立了一個稱為“通用問題求解器”的計算機程式。這個程式被設計用來解決任何可以用數學公式表示的問題。

▲圖1.3 Newell和Simon（於卡內基梅隆大學圖書館）

這個通用問題求解器程式中最關鍵的部分之一被Newell和Simon稱為物理符號系統假說（PSSH）。他們認為符號是通用智慧的關鍵。如果你能讓一個程式連線足夠多的符號，你就會擁有一臺行為方式與人類智慧相似的機器。

符號在我們與世界的互動中扮演著重要的角色。當我們看到一個停車標誌時，我們知道停車並檢視交通情況。當我們看到“貓”這個詞時，我們知道它代表一種會喵喵叫的毛茸茸的小型貓科動物。如果我們看到一把椅子，我們就知道它是一個可以坐的東西。當我們看到一個三明治，我們知道這是能吃的東西，甚至會感到飢餓。

Newell和Simon認為，創造足夠多的這類聯絡將使機器的行為更像人類。他們認為人類推理的關鍵部分就是連線的符號，即我們的語言、思想和概念只是由相互連線的符號組成的混合體（見圖1.4）。

▲圖1.4 互相連線的符號

但並不是每個人都認同這個想法。1980年，哲學家 John Searle 認為，僅僅連線符號不能被視為智慧。為了支援他的觀點——不認同計算機會思考或至少有一天能夠思考，他建立了一個名為“中文房間”的實驗（見圖1.5）。

▲圖1.5 中文房間實驗

在這個實驗中，想象你自己是一個只會說英語的人，被鎖在一個沒有窗戶的房間裡，門下有一個狹窄的縫隙，你可以透過它傳遞資訊。你有一本書，上面有一長串的中文陳述，地板上放滿了漢字，還有一些指示，如果給你一系列漢字，你就要用書中相應的陳述來回應。

房間外面有人能說一口流利的中文，他寫了一個便條，然後從門下的縫隙遞給你。你不知道上面寫了什麼，需要經歷一個翻閱書的枯燥過程，根據便條上的漢字找到對應的回覆。使用地板上的字元，將語句貼上到一張紙上，然後把它從門縫裡遞給給你原始資訊的人。

把紙條遞給你的這個人認為你們兩人在交談，而且你很聰明。然而，Searle 認為這還遠遠不夠智慧，因為你不會說中文，而且你並不理解自己剛剛收到或發出的資訊是什麼意思。

你可以用智慧手機做一個類似的實驗。如果你問Siri或Cortana感覺如何，它很可能會說它感覺很好，但這並不意味著它感覺很好，也可以說它什麼都感覺不到。它甚至不明白這個問題。她只是把你的問題和被認為可以接受的答案相匹配，然後選擇一個作答。

符號匹配的一個關鍵缺點是所謂的組合爆炸——符號組合的快速增長使得匹配越來越困難。人們可以問各種各樣的問題，針對一個問題有不同的回答，想象一下就知道匹配有多少組合了。在剛才那個中文房間的例子中，你會有一本不斷增長可能的輸入和輸出的書，這會花費你越來越長的時間來找到正確的答案。

即使面臨這些挑戰，多年來符號匹配仍作為人工智慧的基石。然而，符號匹配已經無法跟上人工智慧應用日益複雜的步伐。早期的機器很難匹配所有的可能性，即使它們可以，這個過程也花費了太多的時間。

關於作者：道格·羅斯（Doug Rose），有超過25年為各種組織提供技術、培訓和流程最佳化變革的經驗。他是美國專案管理協會（PMI）關於敏捷框架的第一本主要出版物Leading Agile Teams的作者，還是Data Science: Create Teams That Ask the Right Questions and Deliver Real Value和Enterprise Agility for Dummies兩本書的作者。

本文摘編自《認識AI：人工智慧如何賦能商業（原書第2版）》，經出版方授權釋出。

（ISBN：9787111691778）

延伸閱讀《認識AI：人工智慧如何賦能商業》

推薦語：搶佔AI時代紅利！智慧時代不可不讀的AI趣味概述，海量漫畫幫你輕鬆搞懂AI。