人工智能是否會超越人類智慧？－ 施米德休教授採訪

3月9日至3月15日，谷歌 AlphaGo 將在韓國首爾與李世石進行5場圍棋挑戰賽。截止今日，李世石已經連輸兩局。相信你們近日對 AlphaGo 的算法和背後整我的工智能產業的發展很感興趣，小編所以翻譯了 infoQ 採訪人工智能領域重要人物－施米德休教授（Jürgen Schmidhuber）的文章。

如下是譯文：

機器學習已經成爲媒體這幾天的流行語。科學雜誌（Science）上發表了關於經過幾率程序誘導的人類水平的概念學習的文章後不久，天然雜誌 (Nature) 又用專門的封面故事報道 AlphaGo ，一個戰勝了歐洲圍棋錦標賽冠軍的人工智能程序。

現在不少人在討論人工智能的潛力，提出一些問題，好比「機器是否能夠像一我的同樣學習？」，「人工智能是否會超越人類的智慧？」，等等。爲了回答這些問題，InfoQ 採訪了教授 Jürgen Schmidhuber，瑞士人工智能實驗室 IDSIA 的主任。

瑞士人工智能研究所 IDSIA：2009 年到 2012 年間，該研究所開發的人工神經網絡在模式識別和機器學習方面贏得了八項國際比賽。有超過十億人在使用 IDSIA 的算法，經過使用谷歌的語音識別的智能手機等。

infoQ：什麼是深度學習和它的歷史？

深度學習這個概念只是舊酒裝新瓶。它主要是有許多後續處理階段的深層神經網絡，而不僅僅僅有少數後續處理階段。隨着今天的速度更快的計算機，這些深層神經網絡已經完全改變了模式識別和機器學習這兩個領域。所謂「深度學習」這個概念首次由 Dechter 於 1986 年引入機器學習。

深度學習之父是烏克蘭數學家 Ivakhnenko。在 1965 年，他出版了第一個可使用的監督學習前饋多層感知算法（Supervised Deep Feedforward Multilayer Perceptions）。1971 年，他已經描述了一個 8 層的網絡，由如今仍流行在新千年的方法訓練，即便按照目前的標準也是很深層的。他遠遠領先於他的時代——當時的電腦比如今慢近乎十億倍吧。

infoQ：你怎麼看谷歌的 AlphaGo？AlphaGo 是不是在人工智能方面的大突破？什麼技術幫助 AlphaGo 實現這一目標？

我爲谷歌 DeepMind 的成功感到很高興，該公司在很大程度上受我之前的學生的影響：二個 DeepMind 的最初四個成員和他們的第一個博士學位來自我任職的人工智能實驗室 IDSIA，其中一人是 DeepMind 聯合創始人，另外一我的是 DeepMind 的第一個僱員。

馬爾科夫假設（Markov Assumption）能夠應用於圍棋：原則上，當前的輸入（整個棋局狀態）能傳達全部須要算出最佳的下一步行動的信息（無需考慮之前棋局狀態的歷史）。也就是說，圍棋能夠經過傳統的強化學習（Reinforcement Learning）來解決。相比過去，計算機的計算速度是每美圓至少快 1 萬倍，咱們從這個進步中獲利許多，在過去的幾年中，圍棋程序有很大的提升。學習成爲一個好的棋手，DeepMind 的系統結合了多種傳統方法，如監督學習（Supervised Learning）和基於蒙特卡羅樹搜索的強化學習（RL based on Monte Carlo Tree Search）。

然而，不幸的是，馬爾科夫狀態（Markov Condition）很難應用於其餘一些現實場景。這就是爲何現實世界的一些遊戲，例如足球，比國際象棋或圍棋更難，生活在部分可觀測環境的強人工智能（AGI）機器人將須要更復雜的學習算法，例如，複發性神經網絡強化學習（RL for recurrent neural networks）。

infoQ: 在你看來，什麼是人與計算機之間合理的社會工做分工？

人類不該該作艱苦和枯燥的工做，這些工做應該由計算機去作。

InfoQ：你如何想象人工智能在不久的未來的發展？會不會遇到瓶頸？

在 reddit 的一個 AMA （Ask Me Anything - Reddit）我指出，即便現有的機器學習和神經網絡算法，將在衆多領域的實現超人的壯舉，從醫療診斷，到更聰明的智能手機。下一代智能手機將更好地瞭解你，解決更多的問題，可能會讓你更加沉溺其中。

我想咱們正在目擊人工智能產業的爆發。但如何預測這場爆發的細節？

假設計算能力會以每十年便宜 100 倍的速度降價，2036 年相同的價格的電腦會好比今的電腦快 10,000 倍。

這聽起來或多或少像在一個小型的便攜式設備中儲存了人類大腦的力量。或者在一個較大的電腦中儲存了一個城市的人腦的力量。

鑑於這種計算能力，我期待巨大的（按今天的標準）的遞歸神經網絡（RNNs）同時感知和分析來自多個源多數據流（語音，文本，視頻，許多其餘方式）的巨大的輸入量，學習關聯全部這些輸入，並使用所提取的信息來實現的商業和非商業的無數目標。這些RNNs 將持續，快速學習各類複雜技能。

infoQ：人工智能的下一步發展會是怎樣的？

孩子們甚至某些小動物仍比咱們最好的自我學習的機器人更聰明。但我認爲，在將來的某一點，咱們也許可以創建一個基於NN增量式學習的人工智能程序（NNAI），能夠學習到小動物的聰明程度，學習如何計劃和推理，把各類各樣的問題分解成能快速解決（或已經解決）的子問題。經過咱們的樂趣形式理論（ Formal Theory of Fun），咱們甚至有可能讓機器人擁有好奇心和創造力。

infoQ：當咱們創造出和動物智力相匹配的人工智能程序後， 下一步會發生什麼？

AI 的下一步發展可能不是巨大的：在天然界通過了幾十億年的演變，有了聰明的動物，但只在數百萬年後，進化出了人類。更況且，技術進化要比生物進化速度要快得多。也就是說，一旦咱們有動物級別的人工智能，幾年或幾十年後，咱們可能有人類水平的人工智能，與真正無限的應用程序，而且每一個企業都會發生變化，全部的文明都會改變，一切都會改變。