人工智能（AI）是近幾十年來才出現(xiàn)的新事物。從Stanley Kubrick導演的《2001：太空漫游》對人工智能胡作非為發(fā)出的警告到幫助《星際迷航》中的柯克船長“大膽地走到?jīng)]有人去過的地方”的計算機助手，20世紀60年代人們充滿了對人工智能增強未來的憧憬。然而過了半個世紀，這些科幻電影中的情況仍然沒有實現(xiàn)。盡管這些年來人工智能進展緩慢，但是可以確認的是，目前我們正處于實現(xiàn)具有實用性人工智能的風口。如今似乎所有包含有軟件的產(chǎn)品都在宣傳自己利用了人工智能的力量。雖然人工智能正在被炒作，但是我們必須對現(xiàn)實有著清醒的認識。
終極版的下一件大事
目前我們正處于人工智能的另一波浪潮之中。近來，得益于處理能力的最新發(fā)展成就，人工智能在某些領域已經(jīng)由宣傳變?yōu)榱爽F(xiàn)實。現(xiàn)成的廉價圖形處理單元已經(jīng)使得卷積神經(jīng)網(wǎng)絡（CNN）在圖像識別等某些方面具有了商業(yè)實用性。這使得人工智能再一次受到了公眾的關注，未來生活將被徹底顛覆，數(shù)以百萬計的工作崗位將被智能機器所取代。盡管市場上幾乎所有包含軟件的產(chǎn)品都被廣告宣傳為“由人工智能驅(qū)動”，但是在我將技術未來押注在人工智能的嶄新世界之前，對某些事實保持清醒的眼光是明智的。
實用性的人工智能長期以來一直是“下一件大事”。它們能夠幫助我們擺脫許多日常瑣事，同時幫助我們實現(xiàn)難以想象的科學和工程壯舉。讓許多人不安的是人工智能或?qū)⑷〈鷱V大的勞動力，導致數(shù)百萬人的工作被人工智能驅(qū)動的機器接管。有人甚至推斷人工智能會認為人類是低效且多余的，從而引發(fā)終極戰(zhàn)爭，例如《終結(jié)者》電影中所設想的那樣。
這些想像中的情景在很長一段時間內(nèi)都是不可能實現(xiàn)的。大約20年前，一位同事提出了一個觀點，即人工智能的縮寫AI代表的意思是“ Ai n’t Invented”（不能發(fā)明創(chuàng)造）。他當時是正確的，如今他的觀點可能同樣正確。盡管目前人工智能的實際應用正在日趨成熟，但是這些應用程序均受到了很大的限制，這使得通用意圖的人工智能仍像以往那樣遙不可及。
如何定義人工智能
我們中的大多數(shù)人在聽到“人工智能”一詞時，往往想到的是科幻小說中的人工智能，它們可以響應模棱兩可的語音命令并執(zhí)行復雜的計算和邏輯。這些令人印象深刻的機器可能會得出這樣的結(jié)論——由于我們有限的記憶力和較慢的推理能力，所以我們無法實現(xiàn)自我。目前人工智能的定義并不是一個穩(wěn)定且精確的定義，原因很簡單，我們很難定義“智能”。
在這里我們需要拋開智商（IQ）測驗等所謂的智力測驗和大學入學考試等學業(yè)成績測驗。我們中的大多數(shù)人都會發(fā)現(xiàn)許多我們認為非常聰明的人，由于各種原因在這些測試中可能得不了高分。我們認為智能是一種綜合能力，即能夠存儲和回憶基本事實，能夠關聯(lián)和推理這些事實，以及能夠?qū)?chuàng)造性的解決方案應用于的新情況。
雖然這一定義存在局限性和不精確性，但是這就是目前我們對于“人類思維”功能的認知。實際上，人類思維遠遠超出了我們自己的理解，以至于我們甚至無法對“思考”的含義達成共識。盡管如此，這種對智能的定義能夠滿足我們隨后對人工智能功能的討論。
為了準確掌握我們距離真正了解智能有多遠，我建議閱讀一下Douglas Hofstadter的著作《哥德爾、艾舍爾、巴赫：集異璧之大成》（G·del, Escher, Bach: An Eternal Golden Braid）。這本書寫于40年前，它在最基礎的層面上對“思考”的含義進行了探究，并深入研究了簡單的數(shù)學概念與我們在日常生活中使用算術時如何思考之間存在的令人難以置信的抽象層。我認為這是一本很有啟發(fā)性的讀物，它使我確信通用人工智能比我以前想象的要復雜得多。想像一下：對計算機編程并讓它們正確地執(zhí)行數(shù)學計算，我們必須以驚人的準確度理解這些計算的各個方面。如果我們根本不了解什么是智能，那么我們又怎么可能通過計算機編程的方式實現(xiàn)真正的智能呢？
可實現(xiàn)的人工智能
我們不能將計算機編程視為真正的智能，但是我們可以通過對計算機進行編程實現(xiàn)有限的智能，特別是在專業(yè)領域當中。IBM的Watson可能是這種機器中一個最著名的例子，但是即便是Watson，它們也存在一些明顯的局限性。更何況大多數(shù)企業(yè)也沒有安裝Watson規(guī)模的人工智能項目所需的資源。
盡管如此，但是在我們可用的有限的技術范圍之內(nèi)，還有另一種途徑可以實現(xiàn)人工智能的某些優(yōu)勢。第一步是改善數(shù)據(jù)建模，這是最基礎的。正如我在較早的文章中所說的那樣，以本體論的形式定義數(shù)據(jù)模型始終是一個好辦法，因為它們可以幫助我們定義數(shù)據(jù)的語法和語義。不過，基本的人工智能功能的形式也具有其他好處。
使用Web本體語言（OWL）建模的數(shù)據(jù)可以以支持機器推理的格式進行記錄，這是一種簡單但功能強大的基本人工智能。因為OWL是建立在被稱之為“描述邏輯”的推理分支之上，所以適合許多基于邏輯的推理過程，這些過程既強大又可解釋。隨著在醫(yī)療和軍事行動等應用中開始部署基于人工智能的應用程序，能否有能力解釋人工智能過程是如何得出這些結(jié)論正變得越來越重要。在基于人工智能輔助建議做出任何重要決定之前，用戶也希望了解人工智能是如何得出這些結(jié)論的。這使得人們越來越希望獲得“可解釋的人工智能”。
卷積神經(jīng)網(wǎng)絡（CNN）可以執(zhí)行令人印象深刻的圖像識別功能，但是我們很難準確地跟蹤它們是如何做出決定的。其有許多分類和比較層，最終結(jié)果準確且具有一致性。但是這并不意味著我們可以真正解釋CNN是如何得出這些結(jié)論的。
相反，當數(shù)據(jù)模型使用OWL或其他形式邏輯（例如Common Logic）進行形式化時，我們可以編寫推理規(guī)則并將形式邏輯規(guī)則應用于它們。例如一個簡單的示例：我們創(chuàng)建一個簡單的數(shù)據(jù)模型，其中包含一個類“Person（某人）”，具有兩個屬性“name（姓名）”和“sex（性別）”。我們在Person類的實例之間可以建立兩種關系：“has_parent（父母）”和 “has_sibling（兄弟姐妹）”。通過這個簡單的模型，我們可以存儲諸如PersonA has_sibling PersonB和PersonB has_Parent PersonC（某甲有兄弟姐妹某乙和某乙有父母某丙）之類的數(shù)據(jù)。
一個簡單的規(guī)則，例如“if person1 has_sibling person2 and person2 sex=Female, then person1 has_sister person2（如果某甲有兄弟姐妹某乙且某乙為女性，則某甲有姐妹某乙）”，我們就可以推斷出數(shù)據(jù)庫中每個人的新關系（注意，原始數(shù)據(jù)模型不包括姐妹的概念）。我們可以使用類似的規(guī)則來推斷關系，例如祖父母、兄弟、表弟等。由于這都是建立在形式邏輯上的，因此其結(jié)果是完全可以解釋的。實際上，結(jié)果不僅僅可解釋，而且也是正確的。
目前我們已經(jīng)可以使用現(xiàn)成的推理機（商業(yè)和開源）進行這種推斷。例如Protégé等本體編輯工具可以使用HermiT和Pellet之類的多種推理引擎。許多數(shù)據(jù)庫和分析產(chǎn)品也都支持這種基于邏輯的推理，經(jīng)過正確配置之后，其性能可與其他的數(shù)據(jù)庫技術相媲美。
基于邏輯的推理無法為我們提供一個可以討論黑格爾哲學的精髓或編寫鋼琴奏鳴曲的人工智能系統(tǒng)，但是它們可以為我們提供可以執(zhí)行許多常規(guī)數(shù)據(jù)處理任務的人工智能系統(tǒng)。更重要的是，我們擁有一個工作原理可以向懷疑者進行解釋的人工智能系統(tǒng)。
作者：John McDowall現(xiàn)為企業(yè)架構師和系統(tǒng)工程師，曾是美國海軍陸戰(zhàn)隊的飛行教官，也曾擔任過某個全球信息分析系統(tǒng)的首席企業(yè)架構師。
編譯：陳琳華
原文網(wǎng)址：https://www.cio.com/article/3442727/an-achievable-view-of-artificial-intelligence.html
