幾十年以來，我們一直在努力按自己的形象開發(fā)出人工智能。在此期間，我們也始終致力于創(chuàng)造一種既像人類一樣睿智、又像人類一樣愚蠢的機(jī)器。
但經(jīng)過六十年的研發(fā)，讓AI系統(tǒng)在目標(biāo)、意圖與價值觀層面與人類保持統(tǒng)一，仍是個遙不可及的目標(biāo)。AI幾乎已經(jīng)在各個主要領(lǐng)域達(dá)到與人類智能相近、甚至更高的水平，但又總是在最核心的范疇內(nèi)有所欠缺。正是這種欠缺，導(dǎo)致AI技術(shù)無法成為我們所期望的、真正擁有更改及行事邏輯的智能主體。
程序員兼研究員Brian Christian在最新著作《機(jī)器學(xué)習(xí)與人類價值觀之間的一致性問題》（The Alignment Problem:Machine Learning and Human Value）當(dāng)中，討論了我們該怎樣確保AI模型能夠捕捉到“我們的規(guī)范與價值觀，理解我們的意思或意圖，并據(jù)此做出優(yōu)先級判斷”這一現(xiàn)實(shí)挑戰(zhàn)。近年來，隨著機(jī)器學(xué)習(xí)應(yīng)用范圍的逐步推廣，在實(shí)際領(lǐng)域中做出錯誤決策很可能帶來災(zāi)難性的后果。正是這樣的背景，讓Christian提出的問題變得愈發(fā)緊迫。
根據(jù)Christian所述，“隨著機(jī)器學(xué)習(xí)系統(tǒng)的日益普及與功能的逐步增強(qiáng)，我們開始變得像「新手巫師」——我們掌握著一種具有自主性的力量，我們似乎可以用指令引導(dǎo)這種力量，但如果指示不夠準(zhǔn)確或不夠完整，就有可能引發(fā)某些可怕且超出意料的后果。”
在書中，Christian全面描述了人工智能的現(xiàn)狀以及整個發(fā)展歷程，同時探討了現(xiàn)有AI創(chuàng)建方法的種種缺陷。
下面來看書中的幾大要點(diǎn)。
機(jī)器學(xué)習(xí)：將輸入映射至輸出
在AI研究的前幾十年中，符號系統(tǒng)在解決以往涉及邏輯推理的復(fù)雜問題時，取得了舉世矚目的成就。然而，這類系統(tǒng)反而很難解決人類兒童就能處理的小問題——例如檢測物體、識別人臉、理解聲音與語音。此外，這類系統(tǒng)的可擴(kuò)展性也比較差，往往需要大量人工介入以建立明確的規(guī)則與知識定義。
最近，全世界對機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)注開始快速增長，同時也推動著計算機(jī)視覺、語音識別與自然語言處理等領(lǐng)域（傳統(tǒng)符號AI無法處理的領(lǐng)域）的迅猛發(fā)展。機(jī)器學(xué)習(xí)算法可以跟隨數(shù)據(jù)量與計算資源同步擴(kuò)展，借此帶來了人工智能的黃金十年。
但問題在于，機(jī)器學(xué)習(xí)算法的效果雖然相當(dāng)突出，但本質(zhì)卻仍然簡陋——將觀察結(jié)果通過復(fù)雜的數(shù)學(xué)函數(shù)與結(jié)果映射起來。因此，機(jī)器學(xué)習(xí)的質(zhì)量將直接由數(shù)據(jù)質(zhì)量決定，而且會在實(shí)際應(yīng)用并接觸到與訓(xùn)練數(shù)據(jù)不符的真實(shí)素材時，產(chǎn)生嚴(yán)重的性能下降。
在書中，Christian列舉了一系列實(shí)例，闡述機(jī)器學(xué)習(xí)算法遭遇的各種尷尬、甚至具有危害性的破壞。以Google Photos分類算法為例，該算法會將皮膚黝黑的人標(biāo)記為大猩猩。問題不在算法本身，而在于所使用的訓(xùn)練數(shù)據(jù)。如果谷歌能夠在數(shù)據(jù)集中納入更多皮膚黝黑的素材，完全可以避免這個問題。
Christian寫道，“當(dāng)然，從理論上講，這類系統(tǒng)可以從一組示例中學(xué)到任何知識。但這也意味著AI系統(tǒng)的理解方式完全受示例左右。”
更糟糕的是，機(jī)器學(xué)習(xí)模型無法分辨對錯，也無法做出道德決策。機(jī)器學(xué)習(xí)模型的訓(xùn)練數(shù)據(jù)中存在的任何問題，通常都會以極細(xì)微、甚至根本無法察覺的方式反映在模型行為當(dāng)中。例如，Amazon于2018年關(guān)閉了用于做出雇用決策的機(jī)器學(xué)習(xí)工具，因?yàn)槠錄Q策結(jié)果明顯歧視女性。很明顯，AI的創(chuàng)造者并不希望根據(jù)性別來選擇候選人，但由于模型訓(xùn)練使用的數(shù)據(jù)來自Amazon公司的過往記錄，因此反映出了其用人方面的某些傾向。
這還只是機(jī)器學(xué)習(xí)模型偏見問題中的冰山一角。正是由于存在這些問題，由于機(jī)器學(xué)習(xí)模型會盲目根據(jù)我們以往的行為總結(jié)經(jīng)驗(yàn)，才讓我們無法充分信任這類工具。
Christian寫道，“對真實(shí)世界建模相對簡單，但模型在付諸使用后總會出現(xiàn)種種變化，甚至反過來改變這個世界。目前大部分機(jī)器學(xué)習(xí)模型在設(shè)計當(dāng)中存在一種廣泛假設(shè)，即模型本身不會改變其建模所依據(jù)的現(xiàn)實(shí)。但這種假設(shè)幾乎完全站不住腳。實(shí)際上，草率部署這類模型很可能會產(chǎn)生反饋循環(huán)，導(dǎo)致我們越來越難以將其扳回正軌。”
對于數(shù)據(jù)收集、模式查找以及將模式轉(zhuǎn)化為行動等層面，人類智能應(yīng)該發(fā)揮更大的作用。機(jī)器學(xué)習(xí)的現(xiàn)實(shí)挑戰(zhàn)已經(jīng)證明，我們對于數(shù)據(jù)乃至機(jī)器學(xué)習(xí)的很多假設(shè)性認(rèn)識完全是錯的。
Christian警告稱，“我們需要作出批判性思考……除了重視訓(xùn)練數(shù)據(jù)的來源，還應(yīng)重視系統(tǒng)中作為基本事實(shí)的標(biāo)簽來源。人們認(rèn)為的基本事實(shí)，往往并不是基本事實(shí)。”
強(qiáng)化學(xué)習(xí)：獎勵最大化
強(qiáng)化學(xué)習(xí)同樣幫助研究人員實(shí)現(xiàn)了非凡的成就，使得AI能夠在復(fù)雜的電子游戲中擊敗人類冠軍。
過去十年以來，作為AI技術(shù)的另一大分支，強(qiáng)化學(xué)習(xí)同樣獲得了廣泛關(guān)注。強(qiáng)化學(xué)習(xí)要求為模型提供問題空間加獎勵函數(shù)規(guī)則，之后就由模型自主探索整個空間，找出能夠?qū)崿F(xiàn)獎勵最大化的方法。
Christian寫道，“強(qiáng)化學(xué)習(xí)……幫助我們一步步探索著智能的普遍、甚至是最本質(zhì)的定義。如果說John McCarthy提出的「智能是實(shí)現(xiàn)真實(shí)目標(biāo)的能力中的計算部分」的說法真實(shí)可靠，那么強(qiáng)化學(xué)習(xí)相當(dāng)于提供了一套驚人的通用型工具箱。它的核心機(jī)理就是在一次又一次試錯當(dāng)中，摸索出新時代下一切人工智能方案的共通基礎(chǔ)。”
強(qiáng)化學(xué)習(xí)確實(shí)在雅達(dá)利游戲、圍棋、《星際爭霸2》以及DOTA 2等游戲中表現(xiàn)出色，并在機(jī)器人技術(shù)領(lǐng)域得到廣泛應(yīng)用。但成功的背后人們也開始意識到，單純追求外部獎勵并不能完全體現(xiàn)智能的運(yùn)作方式。
一方面，強(qiáng)化學(xué)習(xí)模型需要漫長的訓(xùn)練周期才能得出簡單的判斷能力。因此，這方面研究成為極少數(shù)掌握無窮資源的科技巨頭的專利。另外，強(qiáng)化學(xué)習(xí)系統(tǒng)的適用性也非常有限——能夠在《星際爭霸2》中擊敗人類世界冠軍的系統(tǒng)，卻無法在其他類似的游戲中觸類旁通。強(qiáng)化學(xué)習(xí)代理也更傾向于通過無止境的循環(huán)，以犧牲長期目標(biāo)的方式追求最簡單的獎勵最大化路徑。以賽車游戲AI為例，它經(jīng)常會陷入不斷收集獎勵物品的死循環(huán)，卻總是贏不下整場比賽。
Christian認(rèn)為，“消除這種與外部獎勵的硬性聯(lián)系，可能才是構(gòu)建通用型AI的訣竅所在。因?yàn)榕c雅達(dá)利游戲不同，真實(shí)生活并不會為我們的每種行為預(yù)先設(shè)定明確的實(shí)時反饋。當(dāng)然，我們有父母、有老師，他們可以及時糾正我們的拼寫、發(fā)音和行為模式。但是，這些并不是人生的全部，我們的生活不可能由權(quán)威所全面掌控。我們需要根據(jù)自己的觀點(diǎn)與立場做出判斷，這也正是人類族群得以存續(xù)發(fā)展的根本前提。”
Christian還建議，不妨根據(jù)強(qiáng)化學(xué)習(xí)的原理反其道而行之，“結(jié)合預(yù)期行為考慮如何構(gòu)建環(huán)境獎勵，引導(dǎo)模型一步步掌握行為模式。這就像是面對美食評論家做出一份份食物，思考如何才能獲得對方的肯定。”
AI有必要模仿人類嗎？
在書中，Christian還討論了開發(fā)AI代理的意義——讓這些代理模仿人類行為，真的有意義嗎？自動駕駛汽車就是典型實(shí)例，代理會通過觀察人類司機(jī)學(xué)習(xí)如何駕駛車輛。
模仿確實(shí)可以創(chuàng)造奇跡，特別善于處理規(guī)則及標(biāo)簽不夠明確的問題。但是，模仿也會繼承人類智能中的欠缺。人類在年輕時往往通過模仿與死記硬背學(xué)習(xí)大量知識，但模仿只是我們發(fā)展出智能行為的多種機(jī)制之一。在觀察他人的行為時，我們會根據(jù)自己的限制、意圖、目標(biāo)、需求以及價值觀調(diào)整出適合自己的處理方式。
Christian寫道，“如果模仿對象比我們更快、更強(qiáng)壯、身材更高大，那我們就沒辦法完美模仿他們。這時候一味堅持模仿，只會影響我們解決問題的能力。”
誠然，AI系統(tǒng)確實(shí)通過觀察并預(yù)測我們的行為，嘗試以模仿的方式提供幫助。但很明顯，AI系統(tǒng)并不像人類這樣受到種種約束與限制，因此會導(dǎo)致其誤解我們的意圖，甚至放大我們的某些不良習(xí)慣，最終將負(fù)面影響擴(kuò)散到我們生活中的方方面面。
Christian寫道，“我們的數(shù)字管家正密切關(guān)注我們的私人生活與公共生活，審視著我們好的一面與壞的一面，但卻并不清楚這些因素到底有何區(qū)別、有何聯(lián)系。AI系統(tǒng)好似生活在一處詭異而復(fù)雜的山谷：能夠從我們的行為中推理出復(fù)雜的人類欲望模型，但卻無法理解這些欲望從何而來。它們努力思考接下來該做什么，但不了解我們想要什么、又是怎樣成長為我們自己。”
未來在哪里？
機(jī)器學(xué)習(xí)的進(jìn)步表明，我們在創(chuàng)造思想機(jī)器方面已經(jīng)取得了一定成就。但是，機(jī)器學(xué)習(xí)帶來的挑戰(zhàn)與影響，也再次提醒我們應(yīng)該正視理解人類智能這一前提性難題。
AI科學(xué)家與研究人員正探索多種不同方法，希望克服這些障礙，打造出讓人類只受益、不受害的AI系統(tǒng)。而在達(dá)成這項目標(biāo)之前，我們需要謹(jǐn)慎行事，不可貿(mào)然為這類系統(tǒng)賦予過多權(quán)限。
Christian最后警告稱，“著眼于當(dāng)下，最危險的行為就是在機(jī)器學(xué)習(xí)領(lǐng)域找到一種看似合理的模型、急于宣告研究成功——這可能會給整個社會帶來災(zāi)難性的后果。”
