我看見的世界(11)_李飛飛

一一

　　儘管事實很快證明，開發人工智能的挑戰遠遠超出了創始團隊最初的預期，但相關思考仍然讓人沉迷，也吸引了越來越多學者參與其中。1959年，麥卡錫和明斯基在麻省理工學院推出非正式的人工智能研究計劃，後來發展成為麻省理工學院人工智能實驗室。1963年，麥卡錫遷居斯坦福大學，將人工智能探索帶到美國西海岸。他在這裡成立了斯坦福大學人工智能實驗室（Stanford AI Lab，簡稱SAIL）。到20世紀60年代末，這兩個實驗室已經成為全球公認的人工智能領域的活動中心，覆蓋硬件、軟件和機器人技術等多個領域，持續推動相關理論研究、實驗探索、激烈辯論和創造性開發。

　　研究人員也從人工智能領域早期的好高騖遠中吸取了教訓，尤其是在斯坦福大學人工智能實驗室。到20世紀60年代，研究人員開始對小型抽象虛擬世界的數字化表示（digital representation）產生興趣。虛擬世界通常由方塊等簡單物體構成，這樣研究人員就可以專注于智能的基本要素，而不會被日常現實的細節所淹沒。最著名的例子是麻省理工學院博士生特裡·威諾格拉德（Terry Winograd）開發的一個程序，用戶可以用簡單的英語命令來操控一組虛擬的彩色方塊。有段對話格外令人難忘，以下是部分摘錄：

　　用戶：找一塊比你手中的方塊更高的方塊，把它放進盒子裡。

　　計算機：我想，你說的「它」是指比我手中的方塊更高的方塊。

　　計算機：好的。

　　用戶：盒子裡裝了什麼？

　　計算機：藍色三角錐和藍色方塊。

　　用戶：三角錐是由什麼支撐的？

　　計算機：盒子。

　　用戶：有多少個方塊不在盒子裡？

　　計算機：四個。

　　＊

　　即便在人工智能對話模型已經與真人極其接近的今天，上述對話也會讓人覺得用戶是在跟一個思維健全的對象聊天。毫無意外，威諾格拉德的項目被譽為一項突破性成就。許多觀察家相信，人工智能革命近在眼前。然而，事情並沒有這麼簡單。具有諷刺意味的是，程序的流暢性和靈活性恰恰是自身限制條件的產物。雖然程序可以就方塊話題高談闊論，但也僅此而已，它能回答的問題數量有限，提問稍有偏離，程序就可能失效，輸出荒謬的答案。不過，將程序局限在狹窄的領域確實有成效；程序能完成的任務不多，但表現非常出色。

　　20世紀70年代，另一位斯坦福大學教授愛德華·費根鮑姆（Edward Feigenbaum）對相關理念進行了更深入的探索。他是斯坦福大學人工智能實驗室研究員，經常與約翰·麥卡錫合作。早期人工智能試圖從零開始打造通用智能；為了避免重蹈覆轍，費根鮑姆並沒有選擇拓寬威諾格拉德的程序或類似程序的應用範圍，而是直接將其轉移到另一個領域。畢竟，誰說計算機強大的語言識別和推理能力不能應用到現實世界呢？誰說計算機不能用來協助體檢或金融分析呢？如果不讓計算機回答關於幾何形狀的問題，而是給它一些疾病症狀、患者特徵數據庫、交易記錄和季度報告，讓它據此回答問題，會產生什麼結果？

　　費根鮑姆的創新開啟了後來被稱為「知識工程」（knowledge engineering）的全新子領域。在這個子領域中，有關特定領域（醫學、製藥、金融或幾乎其他任何領域）的事實被整理成數據庫。機器可以讀取相關數據，像威諾格拉德的幾何形狀一樣進行分析，並以自然流暢的書面問答形式提供答案，實現了媲美諮詢人類專家的自動化體驗。

　　這些程序被稱為「專家系統」（expert systems）。多年來，它們一直是人工智能在現實世界中執行實用任務的最有力證據，也表明人工智能可以成為企業甚至整個行業的基礎。由於人工智能展現出顯而易見的商業應用場景，加上計算成本出現歷史性下降，在整個20世紀70年代和80年代，湧現出了一批致力於把知識工程的力量進行商業化的公司。

　　在早期的專家系統中，有個叫「內科醫生-I」（INTERNIST-I）的程序非常有名，其數據庫中包含500種疾病描述和3000種疾病表現。早期的實驗結果令人鼓舞，程序能夠根據用戶（一名真人內科醫生）提供的症狀觀察記錄，正確診斷出患者病情，即使在面對複雜的病例時，也能提供有用的信息。其他早期的程序還包括MOLGEN，可以幫助分子遺傳學家設計DNA相關實驗；還有VM呼吸機管理程序，可以為依賴呼吸機的患者提供臨床醫生建議；還有SECS化學合成模擬與評估程序，讓我們在早期就窺見了人工智能在藥物研發方面的應用潛力。

　　儘管專家系統曾經令人興奮，但由於起始階段海量信息的組織難度太大，後續開發經常陷入困境。在整合醫學教科書、研究論文、醫藥文獻甚至從業者訪談內容時，開發人員遇到的困難越來越多。更糟糕的是，即使這些系統看起來已經擁有足夠多的數據，其表現也往往無法與真實的人類專家相媲美。儘管系統掌握了大量信息，檢索和處理速度也超人一等，但它們的推理依然呆板而膚淺，過於拘泥于明確定義的規則，缺乏常識，經常被意料之外的盲點所迷惑。

　　隨著商業興趣的減弱和資金的蒸發，許多人得出結論：智能機器的想法固然有趣，但再一次難以成真。無論人工智能未來如何（會是什麼形態？未來何時到來？我們如何抵達？），有一點越來越明確：這條道路不會一帆風順。

　　※

學達書庫(xuoda.com)