从大象到蚁人:90年代人工智能研究方法的剧变

90年代,人工智能研究方法发生了剧变,它让人们明白,一开始就模仿人类大脑是不合适的。让我们来看看90年代人们是如何通过模仿昆虫的行为来改革人工智能的。 1什么是智能?这是个大问题,科学家仍旧在思考着,但是他们认为他们在80年代时候已经很靠近真相了。通过想象大脑为一个电脑,他们指出可以创造一个自我思考的事物,即真正的人工智能(AI)。 其途径,包括了给机器编程(也叫做「专家化系统即expert system」)以让它以人类的方式作出决定——通过比较每个选择。科学家指出,这样,我们最终就可以创造出一个足够模仿人类大脑的智能机器。一个足够复杂的系统可以和人类一样下棋,像人类一样思考。 基于哲学家Thomas Hobbes的断定「推理就是计算」,科学家建立了更加复杂的结构框架,来模仿人类做决策的方式。因此,在八十年代的早期与中期,一大波承诺通过采用专家化系统与相关技术来解决人类难题的公司也如雨后春笋般纷纷出现。它们也开始做这件事——NASA利用技术来帮助宇宙飞船的飞行,并还用来衡量美国运通公司顾客的信用额度。就像人类一样,这些系统可以处理棘手的数据,权衡各个因素,来作出比简单的「是与否」问题更加微妙的决策。 [caption id="attachment_5700" align="aligncenter" width="635"]Image credit: IGCSE. Image credit: IGCSE.[/caption] 技术背后的哲学被叫做心灵计算机理论(computational theory of mind)。基于符号处理的哲学思想,它认为基本上大脑就是个电脑。基本上,你可以向大脑输入「符号」(例如词语与图像),大脑会进行处理,并创造新的符号来进行反馈。例如,如果一个女人在树林里看见了一只熊,她的大脑会处理眼前的图像,并告诉她赶紧逃跑。 创造这样一个智能只需要依靠在输入与输出之间的识别与处理模式化,例如在熊与跑之间的连接。简单来说,我们只需要找出大脑的源代码。 不幸的是,这些系统被夸大了:它们只能做到编好的程序告诉它们的事情,但如果出现了没有被这些规则覆盖的问题,它们就无能为力了。详细来解释,一个专家化系统被设计来应对树林里出现的熊,但却无法对一只狼做出同样的反应。无论是哪一种有威胁的生物,人类的大脑总会告诉我们走为上策,但是一个专家化系统却无法做到。Thinking Machines这类的公司以及那些设计来改革合法专家化的昂贵系统,都失败了。 很快,专家化系统就再也不被受重视了——并且这失败来得最不是时候。随着上世纪80年代与90年代的经济衰退,以及政府支出的缩减,整个领域变得灰败。实际上,一些AI研究院把这个阶段叫做「AI寒冬」。 [caption id="attachment_5707" align="aligncenter" width="800"]CM2型计算机(来自Corestore collection),由Thinking Machines公司制作的超并行电脑,在1994年的AI寒冬破产。 CM2型计算机(来自Corestore collection),由Thinking Machines公司制作的超并行电脑,在1994年的AI寒冬破产。[/caption] 2幸运的是,一个新的方法终于很快出现了,它的灵感来源于动物中,而不是抽象的问题。新的研究者观察了自然世界,比如昆虫和小动物如何对身边的环境产生反应。没有人认为蚂蚁是智能的,但是蚁群可以表现出复杂且似乎智能的行为,并随着身边环境改变且适应。 MIT的讲师Rodney Brooks是这种基于行为的机器人研究运动的领导者,并将这个方法归纳在1990的文章《大象不玩棋子》(Elephants Don’t Play Chess)中,他写道:
经典AI所基于的符号系统假说有一个基本上的错误,并给其后代的完善带来了非常大的局限。我们认为,在人们呼吁为能够实现人类智能水平的数字替代品的情况下,符号系统假说的教条暗含了信仰上毫无根据的巨大跳跃。这些越过问题的进步现在阻碍了经典AI的研究。Brooks为上一个时代的符号与系统提供了替代品,其基于一些简单的物理传感器。例如一个机器人在前进的时候会撞到东西,这时它就会转弯,并尝试再次前进。在他所创造的新语言中,这叫做「行为(behavior)」,整个系统叫做「包容结构(subsumption architecture)」。
他的人工智能依靠于大量不同的「行为」同时运行,并彼此竞争。当机器人移动时,这些所谓的行为会相互作用,并且在这些互动之外,更复杂的行为就发生了。为了证明,Brooks制作了数个不同的机器人,第一个叫做Allen。它是如此运行的:
我们的第一个机器人Allen有着声纳感应器与测程器。我们建立了三层「包容建筑」以实现控制。 第一层可以让机器人避开静态与动态的障碍。Allen可以开心地坐在屋子中间,直至被碰到,然后它会躲开,避免可能的碰撞。第二层让机器人随机移动。每十秒钟就会有一个随机的方向。第三层允许机器人找到(利用声呐)更远的地方,并向其移动。 然后这个随机的方向上会产生矢量增量,伴随着躲避障碍的指令。机器人因此并不真正实现第一层指令。上层指令需要通过测程器去观察周围,并理解下层指令的情况,然后下达正确的命令。
以下视频是MIT计算机科学与人工智能实验室(CSAIL)展示Brooks博士与其学生制作的第一个机器人 http://v.qq.com/page/m/d/7/m01698t15d7.html   3没有人会争辩Allen是否是一个真正的智能机器人,但它证实了Brooks提出的前提:复杂的行为可以从简单行为之间的相互作用中产生。Allen以及其他Brooks和其学生制作的机器人可以像一个昆虫一样从某人身边跑开,寻找一个安静的地方躲起来。并且它不需要大量计算机来模拟昆虫的大脑。它利用非常简单(且便宜)的处理器运作,而不用复杂的算法来分析周边环境——Allen可以直接对周边环境做出反应。 这一点对拥有扫地机器人的人来说一定很熟悉。Brooks正是iRobot公司的创始人,生产出了Roomba扫地机器人,这个机器人运作起来和Allen相似——它们对周围的环境会做出相似的反应。 这种AI研究,领导了今天的机器人发展。如果你最近买了一个来自亚马逊的产品,把这个产品从库房里找出来的那个机器人也许正是Allen的近亲。而亚马逊仅是利用这类机器人的几百个公司中的一个。 90年代的AI研究方法的改变,将机器人与AI研究从黑暗中救赎出来了。那时,僵硬的程序阻碍了前进的脚步。它让人们明白,一开始就按照人类大脑及其复杂的连接来编程是不合适的。然而,我们过去的离开不是放弃,而是为了今天更好的归来。 [caption id="attachment_5710" align="aligncenter" width="800"]亚马逊集装线的机器人(来自亚马逊机器人) 亚马逊集装线的机器人(来自亚马逊机器人)[/caption]   来自howwegettonext,机器之心编译出品。编译:Chen Xiaoqing。
入门
暂无评论
暂无评论~
返回顶部