“AI世界”还缺点啥？牛津大学教授Michael Wooldridge：现实世界

无限猴子定理认为，让一只猴子在打字机上随机地按键，当按键时间达到无穷时，几乎必然能够打出任何给定的文字，比如莎士比亚的全套著作。

在这个定理中，" 几乎必然 " 是一个有特定含义的数学术语，" 猴子 " 也不是指一只真正意义上的猴子，而是被用来比喻成一台可以产生无限随机字母序列的抽象设备。

图｜一只黑猩猩随机打字，只要时间足够，几乎必然可以打出法国国家图书馆中的每本书。（来源：维基百科）

这个理论说明，把一个很大但有限的数看成无限的推论是错误的，即使可观测宇宙中充满了一直不停打字的猴子，它们能够打出一部《哈姆雷特》的概率仍然少于 1/10^183800。

而且，即使给无数只猴子无限的时间，它们也不会懂得如何欣赏吟游诗人诗意的措辞。

"人工智能（AI）也是如此，" 牛津大学计算机科学教授 Michael Wooldridge 这样说道。

图｜Michael Wooldridge

在 Wooldridge 看来，虽然 GPT-3 等 AI 模型借助数百亿或数千亿的参数展现出了令人惊讶的能力，但它们的问题不在于处理能力的大小，而在于缺乏来自现实世界的经验。

例如，一个语言模型可能会很好地学习 " 雨是湿的 "，当被问及雨是湿的还是干的时，它很可能会回答雨是湿的，但与人类不同的是，这个语言模型从未真正体验过 " 潮湿 " 这种感觉，对它们来说，" 湿 " 只不过是一个符号，只是经常与 " 雨 " 等词结合使用。

然而，

Wooldridge 也强调，缺乏现实物理世界知识并不能说明 AI 模型无用，也不会阻止某一 AI 模型成为某一领域的经验专家，但在诸如理解等问题上，如果认为 AI 模型具备与人类相同能力的可能性，确实令人怀疑。

相关研究论文以 "What Is Missing from Contemporary AI? The World" 为题，已发表在《智能计算》（Intelligent Computing）杂志上。

在当前的 AI 创新浪潮中，数据和算力已经成为 AI 系统成功的基础：AI 模型的能力直接与其规模、用于训练它们的资源以及训练数据的规模成正比。

对于这一现象，DeepMind 研究科学家 Richard S. Sutton 此前就曾表示，

AI 的 " 惨痛教训 " 是，它的进步主要是使用越来越大的数据集和越来越多的计算资源。

图｜AI 生成作品（来源：Wired）

在谈及 AI 行业的整体发展时，Wooldridge 给出了肯定。" 在过去 15 年里，AI 行业的发展速度，特别是机器学习（ML）领域的发展速度，一再让我感到意外：我们不得不不断调整我们的预期，以确定什么是可能的，以及什么时候可能实现。"

但是，Wooldridge 却也指出了当前 AI 行业存在的问题，" 尽管他们的成就值得称赞，但我认为当前大多数大型 ML 模型受到一个关键因素的限制：AI 模型没有真正体验过现实世界。

在 Wooldridge 看来，

大多数 ML 模型都是在电子游戏等虚拟世界中构建的，它们可以在海量数据集上进行训练，一旦涉及到物理世界的应用，它们就会丢失重要信息，它们只是脱离实体的 AI 系统。

以支持自动驾驶汽车的人工智能为例。让自动驾驶汽车在道路上自行学习是不太现实的，出于这个和其他原因，研究人员们往往选择在虚拟世界中构建他们的模型。

"

但它们根本没有能力在所有最重要的环境（即我们的世界）中运行，"Wooldridge 说道。

（来源：Wikimedia Commons）

另一方面，语言 AI 模型也会受到同样的限制。可以说，它们已经从荒唐可怕的预测文本演变为谷歌的 LAMDA。今年早些时候，一个前谷歌工程师声称人工智能程序 LAMDA 是有知觉的，一度成为了头条新闻。

" 无论这个工程师的结论的有效性如何，很明显 LAMDA 的对话能力给他留下了深刻的印象——这是有充分理由的，" Wooldridge 说，但他并不认为 LAMDA 是有知觉的，AI 也没有接近这样的里程碑。

" 这些基础模型展示了自然语言生成方面前所未有的能力，可以生成比较自然的文本片段，似乎也获得了一些常识性推理能力，这是过去 60 年中 AI 研究的重大事件之一。"

这些 AI 模型需要海量参数的输入，并通过训练来理解它们。例如，GPT-3 使用互联网上千亿级的英语文本进行训练。大量的训练数据与强大的计算能力相结合，使得这些 AI 模型表现得类似于人类的大脑，可以越过狭窄的任务，开始识别模式，并建立起与主要任务似乎无关的联系。

（来源：OpenAI）

但是，Wooldridge 却表示，基础模型是一个赌注，" 基于海量数据的训练使得它们在一系列领域具备有用的能力，也进而可以专门用于特定的应用。"

" 符号人工智能（symbolic AI）是基于‘

智能主要是知识问题’的假设，而基础模型是基于‘智能主要是数据问题’的假设，在大模型中输入足够的训练数据，就被认为有希望提高模型的能力。"

Wooldridge 认为，为了产生更智能的 AI，

这种 " 可能即正确 "（might is right）的方法将 AI 模型的规模不断扩大，但忽略了真正推进 AI 所需的现实物理世界知识。

" 公平地说，有一些迹象表明这种情况正在改变，" Wooldridge 说。今年 5 月，DeepMind 宣布了基于大型语言集和机器人数据的基础模型 Gato，该模型可以在简单的物理环境中运行。

" 很高兴看到基础模型迈出了进入物理世界的第一步，但只是一小步：要让 AI 在我们的世界中工作，需要克服的挑战至少和让 AI 在模拟环境中工作所面临的挑战一样大，甚至可能更大。"

在论文的最后，Wooldridge 这样写道：

" 我们并不是在寻找 AI 道路的尽头，但我们可能已经走到了道路起点的尽头。"对此，你怎么看？欢迎在评论区留言。