摘要: 人工智能發展迅速,但是到底什麼成就了今天的人工智能呢?跟隨咱們一塊兒來探索吧。
大多數我的電腦、智能手機和其餘設備的硬件性能很是類似,由操做系統定義,經過下載其餘軟件「學習」。早期計算機的學習徹底依賴於與人類的交互,而如今則經過互聯網接收更新。算法
隨着愈來愈多的數據存儲到雲端,服務器代理的做用不斷加強。這些代理負責計算密集型任務,相似於中樞神經系統。相反,面向消費者的電子產品正在改善它們的輸入/輸出能力,變得有點像外圍神經。編程
由此也衍生出了物聯網。在物聯網中,擁有數十臺高度專業化的微型設備,每臺只執行一項或幾項功能。基於雲計算的中央「大腦」負責協調全部設備來控制房屋、工廠甚至整個區域。服務器
相比之下,機器人技術專一於更加自主的主體。機器人必須實時處理複雜的現實狀況。自動駕駛汽車就是典例:網絡
圖中簡化告終構,真實的系統有超過100個傳感器,具備恆定的輸入流。自動駕駛汽車的設計是當今人工智能研究中最困難的領域之一。框架
面向消費者的機器人只是人工智能研究中的微小分支,是一個相對較新的趨勢,而大多數機器人是爲工業和軍事需求設計的。與武裝無人機或核電站控制員的失誤相比,自動駕駛出租車的不當行爲更像一場小型事故。此類系統的策略編程不依賴於黑盒算法,但其工做的每一個方面均須要嚴格的數學規範。函數
量子力學是人工智能和生物智能的共同基礎。量子力學的出現,爲以半導體爲核心的計算機技術奠基了基礎。性能
300多年前發展起來的計算行星運動的數學方法做爲了反向傳播和梯度降低的基礎。機率論、統計力學和矩陣力學成爲了量子力學的基礎,是現代人工智能的近親。目前,深度學習就像鍊金術,物理學則能夠幫助咱們更好地理解它。學習
雖然量子計算機還處於起步階段,但目前的實驗代表它能有效地加速處理某些優化問題。例如,玻爾茲曼機器是一種人工神經網絡,但難以在大多實際場景中進行應用,因此研究學者提出了一種受限的變體,成爲最先的深度神經網絡之一。量子計算機則有可能結合玻爾茲曼機器和其它機率模型的所有計算能力。測試
理解量子力學很是難,機率振幅只是冰山一角。儘管許多人批評人工神經網絡的解釋性不好,但他們也沒法直觀地描述量子力學。優化
生物智能存在了約30億年。地球上數百萬種生物都有一個共同點:DNA。
DNA是細胞的「中樞神經系統」。人們認爲,在基於DNA的生命出現以前就有基於RNA的生物體,它們在功能和結構上很是類似。
生物學家們在很長一段時間裏都認爲,約98%不編碼蛋白質的DNA是無用的。但後來的研究發現,它們在控制編碼DNA以適應動態環境中起着關鍵做用。DNA自身的某些部分可能會被甲基化失活,但這是可逆的,且在整個生命週期中發生屢次。
現代科技已能合成和編輯咱們想要的DNA,人工和生物智能已無太大區別。
具備基本功能的細胞稱爲原細胞:
它們表明了最初生命有機體的樣子。大約30億年前的地球環境模型代表,在足夠多的核苷酸中可以捕獲脂類氣泡,從而產生第一個基因組,而基因組又能經過從周圍環境中捕獲養分物質實現複製。在積累了足夠數量的基因和其餘化學物質後,這些氣泡在內部壓力的做用下分裂。
另外一個簡單的例子是病毒。二者的主要區別在於病毒不維持內部代謝,須要利用其餘生物體進行自我複製。病毒的基因組一般很短,只編碼1到2個蛋白質。然而,病毒能夠經過DNA交換與宿主進行「交流」,這一過程稱爲水平基因轉移。許多單細胞生物都有這種能力,它在整個進化過程當中扮演着重要的角色。
相比之下,細菌能夠對不一樣的化學物質,光,壓力,溫度等進行感應。許多細菌在分子水平上具備相似於普通內燃機的運動機制。
此外,它們有至關強的溝通能力,能夠三五成羣地彙集在一塊兒,能借助自身基因組和周圍的蛋白質消化大量的養分物質,並執行至關複雜的行爲。它們的結構與原細胞和古細菌很是類似。
真核細胞與此相反,它們有許多細胞器。其中,像線粒體和葉綠體都有本身的DNA片斷,在過去多是獨立的生物體。此外,線粒體在克雷布斯循環中發揮着相當重要的做用,可以促進新陳代謝。
真核細胞內部結構雖然複雜,但缺少自行移動的能力。動物細胞也缺少葉綠體和細胞壁,使其失去自主性。生物細胞雖然逐漸失去了獨立生存的能力,但卻得到了更爲複雜的「社會」能力。
細胞經過動做電位對環境變化作出快速反應。當傳感器檢測到化學物質、壓力或其餘刺激時,細胞膜電勢迅速變化。
但動做電位信號僅限於源細胞和與其有直接膜-膜鏈接的細胞。它能夠經過信號分子傳遞給其餘細胞,但過程耗時長。大多數動物進化出了專門的細胞——神經元克服該問題。
神經元形狀各異,能夠長出新的突觸或移除舊的突觸。外圍神經元一般只有幾百個鏈接,而中間神經元的鏈接可能超過10000個。這些機制使它們可以快速移動信號,並經過調整突觸強度進行轉換。此外,脊椎動物的許多軸突都有髓鞘,可使電位移動得更快,同時激活更少的膜通道,節省能量。
下面介紹到目前爲止研究得最好的神經系統之一,線蟲:
研究人員對其進行了長達50年的剖析,瞭解其所有302個神經元的詳細結構,其中包含5000多個突觸:
即便只有302個神經元,研究人員也很難判斷它們在作什麼。它們持續地「學習」,且功能可能會實時變化,而人類大腦擁有數十億個細胞。
考慮到複雜性,神經科學的大多數研究都集中在特定的區域、通路或細胞類型上。大多數進化的舊結構負責呼吸、心跳、睡眠/甦醒週期、飢餓和其餘重要功能。大腦皮層是最受研究人員關注的。
大腦皮層是一層摺疊的層狀薄片,厚度約爲2-3毫米,大腦的其餘部分被一塊相似於餐巾紙的結構所覆蓋。
大腦皮層涉及一些高級認知功能,如語言、意識、計劃等。新皮層約佔大腦皮層的90%。
另外一研究充分的區域是海馬體:
全部的脊椎動物都有一個相似的結構叫作蒼白球,但哺乳動物有一個更進化的版本,海馬體。它在空間記憶和情景記憶中起着相當重要的做用,其功能相似一個時空地圖。有了這張地圖,大腦就能夠把複雜的記憶儲存在專門用於視覺、聽覺和其餘表現形式的區域。
最初對大腦的研究集中在損傷外傷和內部損害上。在大腦皮層中,大腦區域缺失和認知功能缺失之間的相關性較弱。研究結果代表,記憶分佈在整個大腦皮層,甚至在手術切除鄰近神經元的某些部分後,還能夠從新學習缺失的功能。研究人員提供了以下區域圖:
但上圖在實際和理論兩方面都缺少精確性。在實驗環境中,你能夠刺激大腦的某一部分,觀察其反應。可是,除了主要的感受和運動區域外,獲得的結果並不許確。另外一方面,功能性磁共振成像能夠跟蹤受試者,判斷在執行某些任務時大腦的活躍部分,但這些區域並不是專門處理特定任務,結果也不許確。同時,功能性磁共振成像其實是在測量氧氣的供應水平,因此僅僅測量單個神經元的活動水平是不夠的,就像這樣:
大腦活動的另外一個有趣的特徵是它以波的形式進行:
以上研究可以幫助理解和治療神經系統疾病,卻並不能描述人類的行爲。可是,這種自下而上的思惟研究方法仍然取得了重大發現,好比基於神經活動來預測一我的的選擇,以及大腦沒有「中心」部分。
從心理學角度分析,人類行爲在很大程度上受到遺傳、文化和環境因素的影響。智商及智商測試方法是其中最著名的研究成果。雖然有理論試圖對智力作出解釋,如多元智能理論,智力的三位一體理論等,但並未被普遍接受。
這些理論的主要問題在於沒有提供一種定量證實的方法。即便是像走路或說「嗨」這樣簡單的行爲,涉及到的神經結構也極其複雜,再加上考慮到每一個細胞內DNA和其餘生物機制的複雜性,對神經科學研究的作出心理學解釋每每比實驗自己還要複雜。
答案雖然多樣,但到目前爲止都沒有一個被普遍接受的統一理論。也許AIXI和IIT的結合會推進其產生。要把二者結合起來,須要一個獎勵的概念,這個概念可能來自醫學和經濟學,適用於每一種人工和生物智能。
當前幾乎全部的智能衡量都基於某些任務的性能,這在瞬息萬變的現實環境中不夠靈活。或許,將意識定義爲「任何可能的經驗」,以及與AIXI背後的智能框架相關聯的IIT框架,能夠提供一幅更廣闊的認知圖景。
任何主體工做均可以被描述爲量子系統的波函數,但這不只難以計算,還對習得的中間表徵以及生物智能和人工智能的解釋提出了巨大的挑戰。
雖然人工智能的進步和對人類智能的深層次理解有着巨大的應用前景,但仍存在一些挑戰:
本文爲雲棲社區原創內容,未經容許不得轉載。