人工智能承诺类人机器——1958年

这篇文章最初是在《对话》上发表的。

1958年，《纽约时报》在一篇简短的新闻报道中向世界介绍了一台装有新型电路的房间大小的计算机——感知器。该报道援引美国海军的话说，感知器将导致机器“能够行走、说话、看、写、自我复制，并意识到自己的存在”

六十多年后，人们对当前的人工智能也有类似的说法。那么，在这中间的几年里发生了什么变化？在某些方面，并不多。

从早期开始，人工智能领域就经历了一个兴衰周期。现在，随着该领域又一次繁荣，该技术的许多支持者似乎已经忘记了过去的失败——以及失败的原因。尽管乐观推动进步，但值得关注历史。

弗兰克·罗森布拉特发明的感知器可以说是人工智能的基础。电子模拟计算机是一种学习机器，旨在预测图像是否属于两类之一。这台革命性的机器充满了将不同组件物理连接在一起的电线。支撑像ChatGPT和DALL-E这样熟悉的人工智能的现代人工神经网络是感知器的软件版本，除了有更多的层、节点和连接。

就像现代机器学习一样，如果感知器返回错误的答案，它会改变它的连接，这样它就可以更好地预测下一次会发生什么。熟悉的现代人工智能系统的工作方式大致相同。使用基于预测的格式，大型语言模型能够产生令人印象深刻的基于文本的长格式响应，并将图像与文本相关联，从而根据提示生成新图像。随着与用户的互动越来越多，这些系统变得越来越好。

人工智能的繁荣和萧条

在罗森布拉特推出马克一号感知器后的大约十年里，马文·明斯基等专家声称，到20世纪70年代中后期，世界将“拥有一台具有普通人一般智力的机器”。但是，尽管取得了一些成功，但类似人类的智力却无处可寻。

很快就变得很明显，人工智能系统对它们的主题一无所知。如果没有适当的背景和上下文知识，几乎不可能准确解决日常语言中存在的歧义——这是人类毫不费力地完成的任务。第一个人工智能“冬天”，即幻灭期，发生在1974年，当时感知器被认为失败了。

然而，到了1980年，人工智能重新投入业务，第一次官方人工智能热潮如火如荼。出现了新的专家系统，即旨在解决特定知识领域问题的人工智能，可以从可观察的数据中识别物体和诊断疾病。有程序可以从简单的故事中做出复杂的推断，第一辆无人驾驶汽车准备上路，可以阅读和播放音乐的机器人正在为现场观众演奏。

但没过多久，同样的问题再次扼杀了人们的兴奋。1987年，第二个人工智能寒冬来袭。专家系统因为无法处理新信息而失败。

20世纪90年代改变了专家处理人工智能问题的方式。尽管第二个冬天的最终解冻并没有导致官方的繁荣，但人工智能经历了实质性的变化。研究人员正在用数据驱动的机器学习方法来解决知识获取问题，这改变了人工智能获取知识的方式。

这一次也标志着neural-network-style感知器的回归，但这个版本更加复杂、动态，最重要的是数字化。神经网络的回归，以及网络浏览器的发明和计算能力的提高，使得收集图像、挖掘数据和为机器学习任务分发数据集变得更加容易。

熟悉的抑制

快进到今天，对人工智能进步的信心再次开始呼应近60年前做出的承诺。“通用人工智能”一词被用来描述法学硕士的活动，比如那些为ChatGPT等人工智能聊天机器人提供动力的活动。通用人工智能描述的是一台拥有与人类同等智能的机器，这意味着机器将有自我意识，能够解决问题、学习、规划未来，甚至可能有意识。

正如罗森布拉特认为他的感知器是有意识的类人机器的基础一样，一些当代人工智能理论家对当今人工神经网络也是如此。 2023年，微软发表论文称“GPT-4的性能惊人地接近人类水平的性能”。

但在声称LLM表现出人类水平的智能之前，它可能有助于反思人工智能进步的周期性。困扰早期人工智能迭代的许多相同问题今天仍然存在。不同之处在于这些问题是如何表现出来的。

例如，知识问题一直持续到今天。ChatGPT不断努力回答习语、隐喻、反问句和讽刺——超越语法联系的独特语言形式，而是需要根据上下文推断单词的含义。

人工神经网络可以以惊人的准确度在复杂场景中识别物体。但是给人工智能一张校车侧躺的照片，它会非常自信地说它97%的时间是扫雪机。

需要注意的教训

事实上，事实证明，人工智能很容易以人类会立即识别的方式被愚弄。鉴于过去的情况，我认为这是一个值得认真考虑的问题。

今天的人工智能看起来与曾经的人工智能大不相同，但过去的问题依然存在。俗话说：历史可能不会重演，但往往押韵。