人工智能步入壮年期

时间：2009年3月11日

若干年来，人工智能一直面临着应用范围有限的尴尬。但是随着研究的深入和技术的不断成熟，人工智能将越来越切实可行。

沈建苗 编译

Stair是一台样子古怪的设备，像一个架在轮椅上的花架，但是实际上它是一部人工智能机器人。

坐在会议室桌旁边的工作人员对Stair说: “Stair，请从实验室拿来订书机。”站在旁边的Stair回复道: “我会为您去拿订书机。”如果仔细分辨，Stair说话时，还带着一种鼻音。

Stair迅速启动——它靠两个轮子行进，在实验室内自由穿行，一路上自如地避开各种障碍物。它的“眼睛”是一部立体照相机，这对“大眼睛”不断灵活地来回转动，拍下房间里面的内容，以确定行进的路径以及判断哪些是障碍物。

Stair穿过零乱的实验室后，来到一张桌子前，似乎考虑了一下后，仔细打量了桌子上的长方形金属物体——订书机。然后它伸出关节臂，转来转去，用外面裹以橡胶的长长手指缓缓地夹起了订书机，然后原路返回会议室。Stair将订书机交给工作人员说: “给您订书机。祝您今天过得愉快。”

以上的场景并不是出现在科幻电影或书籍中，而是在现实生活中活生生地存在着。

如今，人工智能领域研究人员的心情越来越好，他们所研究的成果在不断地取得突破。尽管Stair的表现与替主人捡报纸的小狗相比似乎强不了多少，但这在几年前还是不敢想象的。

Stair代表了新一代的人工智能，集成了学习、视觉、导航、操纵、规划、推理、语音和自然语言处理等多项技术。它还标志着人工智能从细分的狭小领域，进入到系统能够学会处理复杂数据、适应不确定情况的现实世界。

咸鱼翻身

人工智能在自身发展中，经历了不少磨砺。技术先在幕后隐藏了几年，经过一轮轮炒作后，突然闪亮登场。随后要是技术没有兑现不切实际的承诺，就名誉扫地。取得了显著成就后，终于被人们所接受。　

人工智能起源于上世纪50年代末期，后来在80年代凭借“专家系统”而备受瞩目。专家系统先与真实世界的专家(比如国际象棋冠军)“过招”，然后通过软件把专家的一套逻辑规则编入到系统中。如果情况A发生，就做X，如果情况B发生，就做Y。微软研究部门的人工智能研究人员Eric Horvitz表示: “尽管专家系统在处理下棋等特殊的任务时表现不俗，但它们实际上‘功能很弱’。”

Horvitz认为，专家系统的作用主要是获取大量的人类知识，然后设法把这些知识组合成具有人类推理本领的推理系统。但是它们无法“扩展”，也就是说无法适应编程人员之前没有明确预料到的情况。

如今，人工智能系统已经发展到可以在“非常庞大而复杂的世界”执行有用的工作。Horvitz说: “因为这些小小的软件代理无法完整地表现这个世界，它们对自己该执行什么样的动作并不确定。于是，它们学习了解各种事情出现的概率，它们学习用户偏好，它们变得有了自我意识。”

这些功能来自于所谓的机器学习，这项技术是许多现代人工智能应用的核心。实质上，编程人员最初为自己要解决的某个问题建立一个简陋模型，然后添加让软件能够通过经验不断适应、完善的功能。以语音识别软件为例，这一类软件日臻完善，已经能学会察觉人的声音的细微变化。比方客户在网上购物时，通过声音输入，一些网站就能够更准确地预测客户的购物偏好。

数据是关键

机器学习当然离不开灵巧的算法，但是近些年来促使机器学习备受瞩目的背后原因是，现实生活中存在大量数据可供分析使用，这些数据来自互联网以及数量激增的物理传感器。Carlos Guestrin是卡内基·梅隆大学的计算机学和机器学习助理教授，他专注于传感器、机器学习和优化等技术。

Guestrin说: “南加州大学和加州大学洛杉矶分校的科学家们把传感器装在机器人船上，以便检测及分析大片水域的破坏性赤潮。人工智能通过算法学会预测水藻的地点和成长情况。相似的是，卡内基·梅隆大学的研究人员把传感器装在地方供水系统中，以便检测及预测污染物的扩散。在这两种情况下，机器学习都逐渐提高了预测的准确性，而优化算法知道把成本高昂的传感器放在哪个地方最适合。”

Guestrin还在开发另外一种系统，它可以搜索数量众多的博客，根据某个用户的浏览记录和偏好，找出该用户有兴趣阅读的博客。他表示，这项任务听上去与通过传感器预测污染物扩散的任务完全不同，其实背后是一样的原理。

“污染物通过供水系统来扩散，基本上就像新闻故事通过互联网来传播。我们能够使用同一种建模思想和算法来解决这两个问题。”

Guestrin还认为，像博客过滤器这些具有人工智能功能的工具，其重要意义不仅仅局限于能够每天节省几分钟时间。“我们根据非常有限的信息做出生活当中的决定，比如我们选举谁、我们觉得哪些问题重要。但是人们往往没有做出某种明智决定所需要的那种分析能力，尤其是信息量增加后，我们做出明智决定的能力实际上反而减弱了，而机器学习和人工智能恰恰可以助我们一臂之力。”

微软研究部门在道路交通预测模型中结合了传感器、机器学习以及对人类行为的分析。对传感器和计算机预测而言，预测交通瓶颈似乎是一种不是很困难的应用。以美国某些围绕大城市的州际公路为例，往往在星期一下午5点出现交通堵塞。司机这时可能想知道，什么地方、什么时候出现了交通堵塞的情况，或其他意外情况。另外更重要的是，司机希望堵车之前就知道这种情况会在什么地方出现。于是，微软研究部门建立了一个“意外情况预测”模型，通过以往的交通情况，结合传感器捕获的实际交通流量，学会预测30分钟后的意外情况。在测试时，该模型能够预测西雅图地区道路上大约50%的意外情况。现在该模型已经投入使用、服务于几千名司机，他们可在Windows Mobile设备上收到预警信息。

很少有几家组织需要像搜索引擎公司那样需要弄清楚大量数据的意思。比方说，要是某个用户使用谷歌搜索引擎搜索“玩具车”，然后点击出现在搜索结果顶部的沃尔玛广告，这能为沃尔玛创造多少价值呢？谷歌应当为这次点击收取多少费用呢？答案就在于人工智能采用的“数字交易代理”(digital trading agents)这项特长，沃尔玛和谷歌等公司在网上自动拍卖中运用了这项技术。

密歇根大学教授兼搜索市场专家Michael Wellman解释: “关键字多达数百万，一个广告客户可能只对其中的数百个或数千个有兴趣。他们必须关注关键字的价格，然后决定如何分配广告预算。谷歌或雅虎要弄清楚某个关键字的价值多少太难了，他们就让市场通过拍卖过程自行决定价值。”

“玩具车”查询提交上去后，谷歌会在极短的时间内查询哪些广告客户对这些关键字感兴趣，然后查看他们的竞价，决定显示谁的广告、把广告投放在页面上哪个部分。Wellman说: “我特别感兴趣的问题是，广告客户应当如何确定竞购哪些关键字、出多少竞价、如何根据广告实际效果不断学习调整，以及有多少竞争对手在竞购某个关键字。”

Wellman表示，目前已知最出色的模型采用了面对不确定情况来预测价格的机制。显然，任何一方都别指望通过每笔交易来优化财务效益，但是他们可以将机器学习运用到实时报价和竞标上，从而不断提高效益。

研究大脑机理

有人可能以为人工智能是从研究人类大脑工作机理入手的。但人工智能方面的进步大多来自计算机科学，而不是来自生物或认知科学。

这些领域有时有着共通的思想，但它们之间的合作充其量也只是一种“松散耦合”的关系，卡内基·梅隆大学机器学习系主任Tom Mitchell说。“过去人工智能方面的大部分进步来自良好的工程学思想，而不是因为我们观察了大脑的工作机理，然后进行模仿。”

但是，现在这种情况在发生变化。“突然，我们有办法来观察大脑到底在做什么，借助诸如功能性磁共振成像的脑部成像方法。这种方法可以观察人在思考时大脑的实际活动。”Michael说。

他表示，认知科学和计算机科学如今能够实现以前不可能实现的思想共通。比方说，如果机器人做对了事，某些人工智能算法会向机器人发出小小的奖励信号; 要是做错了事，就会发出惩罚信号。随着时间的推移，这会形成累积效应，机器人就会学习、完善。

Mitchell表示，研究人员通过功能性磁共振成像方法发现，大脑的一些部位其实际活动与这种“强化学习”算法预测的如出一辙。他说: “人工智能实际上有助于我们开发了解我们大脑中实际活动的模型。”

Mitchell及其同事一直在研究脑部成像方法所揭示的大脑神经活动，以解读大脑在如何呈现知识。为了训练自己的计算机模型，他们为实验对象出示了60个名词，比如电话、房子、番茄和胳膊， 然后观察大脑在看到每个名词后出现的图像。随后，他们使用谷歌收录了一万亿个单词的文本数据库，确定了往往伴随60个基本单词出现的几个动词，比如伴随电话的铃响，然后根据两者都出现的频率，为这些单词赋予权重。

随之形成的模型就能准确预测之前从未见过相应图像的某个单词会引起大脑出现什么样的图像。简单地说，这种模型就会预测，名词“飞机”带来的大脑图像更像是名词“火车”带来的大脑图像，而不像名词“番茄”带来的大脑图像。

Mitchell说: “我们过去感兴趣的是大脑如何呈现想法，而这个试验有望揭示对人工智能来说很棘手的一个问题。怎样才能准确、普遍地呈现知识？也许还有其他经验可以汲取，大脑也很容易忘记知识。”

斯坦福大学计算机学助理教授Andrew Ng领导了多才多艺的Stair的研发工作。他表示，这个机器人证明了人工智能识方面许多之前彼此独立的领域现在足够成熟，可以融为一体，“实现人工智能的远大梦想”。

那么这个梦想到底是什么呢？Ng说: “早先的著名预言称，在比较短的时间内，计算机的智能化程度会与人类一样高。我们依旧希望，在将来的某个时间，计算机的智能化程度会与我们一样高。但这个问题不是十年后有望解决的，可能一百年过后才有望解决。”

链 接

人工智能在华尔街的应用

引起当前这场金融危机的反面人物当中就有华尔街的“数据分析员”，即为交易优化和风险分析开发人工智能模型的计算机科学家和数学家。但是密歇根大学的计算机学和工程学教授Michael Wellman表示，现在就下: “任何模型未能预防金融危机或者甚至导致了金融危机”这个定论，还为时过早。

专门研究人工智能在市场应用的Wellman说: “我认为，交易和风险分析的自动化是从一个方面来解决问题，而不是从一个方面来引起问题。比方说，一大问题是缺乏透明度——许多公司甚至不知道自己拥有的资产。要是投资合同更容易被机器读懂、更容易分析，公司就可以更全面地分析风险、更充分地了解自己所处的状况。”