人工智能兩大趨勢：自主能力和生物特性

陶陽明

摘要

人工智能（ArtificialIntelligence，AI）是目前發展非常迅速的一門學科，并且已經開始應用于社會和生活，如人臉識別、語言翻譯和聊天機器人等。然而人工智能的潛力決不僅僅于此，文章首先創造性的對人工智能進行了新的分類;然后通過對實現人工智能算法的概述，總結出人工智能的一般發展規律;接著對目前人工智能的缺陷進行了分析，并給出了突破現有人工智能局限的關鍵所在;最后闡述了人工智能未來發展的兩大趨勢：自主能力和生物特性。

【關鍵詞】人工智能 自主能力 生物特性 機器學習 遺傳算法 發展趨勢

目前所謂的“人工智能”仍然非常初級。世界公認的人工智能、機器學習界的泰斗Hinton也對自己提出的反向傳播理念深感質疑;很多科技界的其他知名人士也開始反思目前流行的深度學習很多特點并不符合實際的大腦機制原理，更加無法做到像人類一樣輕取復雜問題。

由此，筆者也引發了一些思考，主要表現為這些“人工智能”并沒有自主性和生物特性。下面依次闡述文章的觀點。

1 人工智能分類

目前來說，科學界對人工智能多是從應用領域方面進行分類，文章創造性的從人工智能發展趨勢及技術層面等綜合因素對人工智能進行分類狹義的人工智能和廣義的人工智能。

1.1 狹義的人工智能定義

狹義人工智能是以計算機為載體，用一組程序或者指令把所有預測情況表達出來，并且通過判斷在相應的條件下給出最佳選擇。狹義的人工智能絕大部分是被動性的，因為所有算法都在可預測當中，如果超出預測就直接中斷執行。

狹義的人工智能具有機械特性，高效率性和高準確率性，然而這種智能也失去了靈活性和自主性。

1.2 廣義的人工智能定義

廣義的人工智能是以計算機或其它物體（比如具備生物特性的傳感器）作為載體，能夠自主根據所處不同環境而自發編寫程序或指令，并且能夠產生一個合適的算法并能自主執行。

廣義的人工智能包含狹義的人工智能所有的優秀特性，并且具有可控的自主特性如自主學習能力、自主編程能力等。廣義的人工智能應該包含生物特性，比如生物最基本新陳代謝特性。

1.3 以上兩類人工智能的對比

（1）人工智能的從狹義的人工智能過渡到廣義的人工智能是必然的趨勢。

（2）廣義的人工智能包含狹義的人工智能的所有優秀特性，如高效率性、高準確性等等。

（3）廣義的人工智能具備生物特性和狹義人工智能具備機械特性是兩者之間的根本區別。

2 人工智能算法概述

實現人工智能的方法目前主要分為兩大類：工程學方法和模擬法。工程學方法僅從邏輯層面去設計并編程算法去實現人工智能，不會考慮是否與人或動物機體所用的方法相同或者相似;而模擬法會更多的通過模擬人或動物機體所用的方法來設計算法并最終實現人工智能。

2.1 工程學方法

工程學方法是用傳統的編程技術，展現出的是絕對性的被動智能，即狹義的人工智能。比如構建一個聊天機器人，把所有問題和答案全部放進系統，如果提問者的問題和和系統里面的問題匹配或者關鍵詞匹配，則輸出答案，否則輸出不知道。而廣義的人工智能會根據和提問者之前的對話記錄、對提問者的問句進行意譯等多個方面進行分析，然后才輸出答案。

使用工程學方法實現的人工智能只是實現了人工智能的效果而已，而內在的算法是固定的、機械式的。所以工程學方法實現的人工智能有很大的局限性，這種局限性主要是因為隨著算法邏輯層次的不斷加深，需要耗費的人力成本、時間成本、經濟成本等將會呈幾何的速度進行增長，最終導致算法無法深入。由此促使了人工智能向深一層的方向發展，比如怎樣讓機器學會學習，從而讓算法設計者從龐大的腦力思考和時間消耗中解脫出來。

2.2 模擬法

目前模擬法實現人工智能的方法主要有兩大類：機器學習和遺傳算法。機器學習是目前最受關注的一門計算機學科，幾乎涵蓋了人工智能所有的應用領域，被譽為未來人工智能唯一方向的深度學習也是機器學習中的一門分支;遺傳算法在應用領域有一定的局限性，主要應用于路徑搜索，不過遺傳算法正在和其它算法交叉和融合，相信不久的將來會打破這個局限性。

2.2.1 機器學習

機器學習顧名思義就是通過模擬人類的學習行為，讓機器也能夠像人類一樣具備學習能力并不斷獲取新的知識和技能。機器學習目前的分類比較復雜，一般情況下從兩個方面來對機器學習進行分類。第一方面是從學習方式分為：監督學習、無監督學習、半監督學習、強化學習和遷移學習。第二方面是從算法相似性分為：線性分類算法、貝葉斯方法、決策樹、關聯規則學習、聚類算法、集成學習算法、降維算法和神經網絡等。

機器學習目前被科技界普遍認為是實現人工智能的根本途徑，其中神經網絡是機器學習多個分支中的重點，而由神經網絡延伸出來的深度學習更被認為是機器學習整個領域的重中之重。不少科技界的專業研究人員已經做出了在未來深度學習會淘汰其它所有人工智能算法的預測。

2.2.1 遺傳算法

遺傳算法是模擬人類或生物的遺傳一進化機制，主要的規則來源于達爾文的生物進化論適者生存和優勝劣汰。具體是實現方法是從初代群體里選出環境適應度表現良好的個體，利用遺傳算子對這些適應性良好的個體進行組合交叉和變異，如此產生第二代群體，再從第二代群體中選出環境適應度良好的個體進行組合交叉和變異形成第三代群體，如此不斷進化，直至產生末代種群即我們問題的近似最優解。

遺傳算法通常應用于路徑搜索問題，如迷宮尋路問題、8字碼問題等等。所以也導致了遺傳算法并沒有像機器學習那樣取得令人矚目的關注度，不過值得注意的是，目前遺傳算法正在和其它人工智能算法互相滲透和結合，尤其是機器學習的神經網絡方面。

通過以上算法的概述可以發現人工智能發展的基本規律：簡易的人工智能用工程學的方法完全可以滿足，這個階段可以定義為狹義的人工智能時期;隨著人工智能復雜化的加深，工程學方法已經無法實現或者說要付出的代價如（人力、腦力、精力、時間、經濟成本等）已經超出了可承受范圍，此時迫切需要新的方法來實現人工智能，所以進入狹義人工智能到廣義人工智能的過渡期。文章認為目前人工智能正處于這種過渡期，這個過渡期會產生很多很多算法，不斷的實踐和實驗進而角逐出最佳算法。

3 目前人工智能缺陷分析

3.1 缺乏自主能力

3.1.1 缺乏自主學習能力

目前的發展迅速但也很快觸到瓶頸的機器學習本質上依然是機器的被動學習，因為目前的機器學習基本上是先要建立起學習模型，然后由人類去搜集模型需要的大量數據并喂給模型。而主動學習雖然前期也需要經歷被動學習階段，但最終是可以自主的根據需求在環境里面選擇相應的數據的。比如人類在想要獲取計算機硬件方面的知識，會自主的通過圖書館或者網絡搜索引擎等方式去尋找并帥選出相關的知識進行學習，而不是坐在那里被動等待有人會把相關資料送到他面前。

3.1.2 缺乏自主編程能力

是否具備自主編程能力是狹義人工智能和廣義人工智能的根本分水嶺。人工智能只有具備自主編程能力才能更好的進化，才能具備更好的環境適應能力。目前的人工智能看似具備適應性，其實本質僅僅的參數的自動調整，并不是代碼或者機器指令的自動調整。

3.2 缺乏生物特性

目前人工智能的載體建立在計算機上，而計算機僅僅是死板的機器而己，不具備任何的生物特性，這極大的限制了人工智能的發展。承載人工智能的載體不具備生物特性，而去模擬生物的行為和方法想讓死板的機器也能夠具備生物的某種特性，這是癡人說夢和煮沙成飯。

令人遺憾的是目前的生物科技過分的偏向于醫療藥物和農業方面，而這些更多的是偏向應用方面。由于商業原因，導致大量的生物科技研究院花費大量的時間和精力去創造能帶來盈利的新藥物和新物種，這對探索生命存在的根本是非常不利的，而人工智能的本質就是人類探索生命如何運轉的一個過程。

4 人工智能未來發展趨勢思考

4.1 第一階段：具備自主能力

人工智能自主能力包含自主學習和自主編程，就如同工業革命把人類從繁重的工業勞動中解脫出來一樣，人工智能具備自主能力會把人工智能的技術工程師從繁雜邏輯思考中解脫出來。這個階段的人工智能不僅僅應用于企業生產和商業應用，會真正的走進千家萬戶，任何一個人在任何時候任何地點都會和人工智能有千絲萬縷的聯系。

自主能力仍然屬于算法范疇，目前人工智能算法層出不窮，經過積累和不斷發展，自主能力算法被研究出來是可預期的。

4.2 第二階段：具備生物特性

人工智能具備生物特性的主要表現形式是具備了獨立思考能力，這個階段的人工智能是真正意義上的獨立個體或者說是某一方面的絕對專家。

目前生物科技主要的兩大基石技術是基因重組和細胞融合，許多新的技術和新的應用領域都是在這兩個基石上發展起來的。目前己經通過生物納米技術研發出了生物傳感器和生物晶片，生物傳感器可以完成生物物質敏感性和電信號之間的轉化，生物晶片可以利用核酸探針完成對基因序列的檢測。然而，這還不夠，人工智能具備生物特性的路還有很長很長的路要走，期待未來生物科技和計算機技術能夠快速融合，盡快創造出能夠承載人工智能的新型生物載體。

5 結語

文章大致闡述了人工智能的發展趨勢：狹義人工智能一過渡期一廣義的人工智能。目前人工智能處于過渡期，最主要的表現是不具備自主能力和生物特性。由此如何讓人工智能具備自主能力和生物特性是未來發展的兩大趨勢，尤其是智能載體方面，文章認為只用機械的計算機作為智能載體是人工智能發展的最大限制，運用生物科技創造出具備生物特性的智能載體是進入廣義人工智能的重要入口。

參考文獻

[1]栗子 問耕.Hinton反思新作：我說反向傳播不好，但還是沒誰能顛覆它[EB/OL].http：//www.sohu.com/a/241886149_610300，2018-07-18/2018-07-26.

[2]錢塘雨棲.人工智能是怎么實現的[EB/OL].https：//zhidao.baidu.com/question/521476293.html，2017-11-28/2018-07-26.

[3]史忠植.人工智能[M].北京：機械工業出版社，2016：511-513.

[4]劉玉剛.人工智能之機器學習常見算法[EB/OL].https：//blog.csdn.net/baihuaxiu123/article/details/51475384，2016-05-22/2018-07-26.

[5]boat_lee.遺傳算法詳解（GA）[EB/OL].https：//blog.csdn.net/u010451580/articIe/detai1s/51178225，2016-04-18/2018-07-26.