理查德·费曼
在1985年9月26日诺贝尔奖获得者Richard Feynman（1918–1988）举行的一次演讲中，提出了人工智能的问题。
听众问题
您是否认为会出现像人类一样思考并且比人类更智能的机器？
以下是费曼逐字记录答复的结构化笔录。 随着通过人工神经网络进行机器学习的兴起，令人耳目一新的是，甚至在35年前，听到费恩曼关于这个问题的想法以及他的距离有多近。
预计阅读时间为8分钟。 祝您阅读愉快！
理查德·费曼的答案
首先，他们像人一样思考吗？我会说“不”，我将在稍后解释为什么我拒绝这么认为。其次，“要问他们是否比人类更聪明”，必须首先定义智力。如果您要问我，他们是比任何人都更好的棋手吗？是的，可能是，“有一天我会输你的”。
当然，到1985年，人类象棋大师的实力仍比机器强。 直到1996年和1997年，世界象棋冠军GM Garry Kasparov和IBM超级计算机Deep Blue进行了传奇的六场比赛之后，计算机才击败了世界级的国际象棋冠军。 即便如此，比分还是3.5比2.5，而Kasparov最终还是对失利进行了争论，声称IBM团队在比赛之间代表机器，以某种方式进行了干预。
人工智能效应
“一旦运作，就没有人称其为AI” –约翰·麦卡锡（John McCarthy）
Feynman接下来解决了所谓的“ AI效应”，即通过指示编程的机器执行任务，并实际执行任务时观察到的折扣，旁观者认为AI实现的不是“真正的”智能 ：
他们比现在的大多数人都是更好的棋手！顺便一提，我们要做的一件事就是我们希望AI比任何人都要好，而不只是要比我们好。如果我们找到一种能比我们更好地下象棋的机器，那不会给我们留下深刻的印象。我们一直在说：“当遇到大师时会发生什么？”。我们想象人类在所有方面都等同于主人，对吗？机器必以最好的水平做的所有事情，而且做的更好。好的，但这在机器上很难实现。
关于构建人造机器
Feynman接下来通过类似于自然演化的运动方式（例如，具有韧带，肌腱，关节和肌肉的哺乳动物的奔跑步态）与机械设计的运动方式（使用轮子，机翼和/或螺旋桨的方式运动）之间的差异来解决心理模型问题 ：
关于机器是否可以像人一样思考的问题，我的意见基于以下思想：我们试图使这些事物在我们拥有的材料下尽可能有效地发挥作用。材料不同于神经，依此类推。如果我们想制造出可以在地面上快速运行的东西，那么我们可以观察到猎豹的奔跑，并且可以尝试制造出像猎豹一样运转的机器。但是，制造带轮子的机器会更容易。使用快速车轮或在空中飞过地面的东西。当我们做鸟时，飞机不像鸟一样飞行，它们虽然飞但不像鸟一样飞行，好吗？他们没有完全拍打机翼，而是在前面，有一个小配件在飞，或者更现代的飞机上装有一根管子，您可以加热空气并向后喷，喷气推进器，喷气发动机，内部旋转风扇等，并使用汽油。是的，所以毫无疑问，后来的机器在这种意义上不会像人们想象的那样思考。关于智能，我认为这是完全一样的，例如他们不会像我们做算术一样做算术，但是他们会做得更好。
超人AI
作为设计的机械设备比自然进化的器官在执行智力任务方面优越的一个例子，费曼接下来描述了超人AI（例如计算器）和人脑之间的区别：
让我们来学习数学，非常基础的数学。算术。他们的算术比任何人都要好。速度更快且有所不同，但是从根本上来说是相同的，因为最后这些数字是相等的，对吧？因此，这是一个很好的例子。我们永远不会改变他们的算术方式，使其更像人类。那将倒退。因为，人类所做的算术运算速度慢，麻烦，混乱且充满错误。这些人（机器）速度很快。如果将计算机的功能与人类进行比较，我们会发现以下相当有趣的比较。首先，如果我给你，一个人类，这样的问题：我要请你以相反的顺序索回这些数字。对？我有一系列数字，我希望您能以相反的顺序将它们还给我。我会告诉你，这很容易。只要给我数字，就像我给您的数字一样。准备好了吗？1、7、3、9、2、6、5、8、3、1、7、2、6、3任何人都可以做到吗？不。那不超过二十或三十个数字，但是您可以给一台计算机50,000个这样的数字，并要求它提供任何逆序，它们的总和，对它们执行不同的操作，依此类推。而且它不会长时间忘记它们。因此，在某些方面，计算机的性能要比人类好得多，并且您最好记住，如果您要将计算机与人类进行比较。
模式识别问题
接下来，Feynman越来越接近地描述后来由监督机器学习解决的问题，即从大数据集识别模式：
但是，人类必须为自己做些什么。他们总是这样做。他们总是试图找到一件事，该如何做比计算机更好。因此，我们现在知道人类可以做的很多事情都比计算机好得多。她走在街上，并且有某种摆动，你知道那是简，对吗？或者，这个家伙要走了，你会看到他的头发稍微有点翻转，很难看到，距离很远，但是他的脑袋看起来特别有趣的方式就是杰克，好吗？模式，这似乎是我们无法确定的程序。您可能会说：“我有一个很好的识别杰克的步骤。只需为杰克拍张照片即可。”-顺便说一下，如果可以的话，可以通过这种方法将照片放入计算机中。分辨不同地方是否为黑色和白色。您知道，实际上您在报纸上用黑白点得到图片，如果做得足够好，您将看不到这些点。因此，有了足够的信息，我便可以加载照片，以便您将杰克的所有照片放在不同的情况下，并且有一台机器可以对其进行比较。
偏差-方差权衡
Feynman继续从本质上解决数据训练集中的方差问题，因此也隐式地解决了所谓的偏差方差折衷。 在统计和机器学习中，偏差－方差折衷是一组预测模型的属性，因此参数估计中偏差较小的模型在样本之间的参数估计方差较大，反之亦然。 偏差方差困境描述了一种优化问题，即人们试图同时最小化学习算法中来自错误假设的偏差和从敏感性到训练集中小波动的偏差。
麻烦在于实际的新情况是不同的。灯光不同，距离不同，头部的倾斜度也不同，您必须弄清楚如何考虑所有因素。它是如此复杂和复杂，以至于即使拥有具有可用存储量和运行速度的大型计算机，我们也无法弄清楚如何使确定的过程完全起作用，或者至少在合理范围内的任何地方都可以起作用。因此，目前对于机器来说，识别事情很困难，而其中一些事情是可以由人迅速完成的。在归档系统中。这是识别，这使我回到剩下的东西上，这是一种具有某些特殊技能的文件文员，需要识别复杂的种类，例如指纹部门的一名文员查看指纹然后仔细比较，以查看这些指纹是否匹配。这很难做到，但是几乎可以通过计算机来完成。
人工智能的现状（1985）
Feynman在最后的评论中讨论了人类当时为指纹匹配而设计机器所遇到的困难：
您可能会觉得没什么用，我看了两个指纹，看看是否所有的脉路都是一样的，但是事实并非如此。手指脏了，打印是在不同的角度进行的，压力是不同的，纹线并不完全在同一位置。如果您要匹配完全相同的图片，那会很容易，但是要在打印的中心位置，手指转动的方向，被挤压的位置多一点，少一点，那里的灰尘手指，是否在此期间您的拇指受了疣等等都是并发症。这些小小的复杂性使机器比较困难，对于“盲目归档文员系统”来说，这实在太多了。目前太慢了，几乎完全是不切实际的。我不知道他们的立场，但他们正在努力做到这一点。而人类可以像在国际象棋游戏中那样以某种方式穿越所有这些。他们似乎能够迅速赶上模式，我们不知道如何快速，自动地做到这一点。
本文是每周发表在Cantor’s Paradise上的一系列与数学相关的故事的一部分。 感谢您的阅读！
(本文翻译自Jørgen Veisdal的文章《Richard Feynman on Artificial General Intelligence》，参考：https://medium.com/cantors-paradise/richard-feynman-on-artificial-general-intelligence-2c1b9d8aae31
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/249578.html