十、通用人工智能

通用人工智能目前看起来实现的可能性比较大一些，似乎只要将所有领域的弱人工智能通过一定的方式连接起来，再加上一定的综合分析算法，就有可能得到一个通用人工智能。但是实际上可没有这么容易。通用人工智能的关键在于如何将不同的领域能力进行整合，目前并没有可行的整合方案。

先来看看一个有关智能的真实故事。

 日本乌鸦是目前公认的最聪明的一种乌鸦。在日本一所大学附近的十字路口，研究人员跟踪和拍摄了一些乌鸦的有趣行为。

乌鸦（图1）想吃坚果，可是它没法砸碎坚果的外壳。刚开始，它试着把坚果从天上往下抛，可是坚果壳不会碎。怎么办呢？

在某次下抛后，它发现一个诀窍，如果抛下的坚果落在路上，正好被让车轧过去（图2），坚果就会碎了。但是乌鸦到路中间去吃坚果是一件很危险的事，随时会有车子呼啸而过，万一被碾到它就牺牲了。但是乌鸦有办法，它又开始观察了，见图3。它发现在靠近红绿路灯的路口，车子和人会根据灯的指示停下了。这时，它必须进一步领悟出红绿灯、斑马线、行人指示灯、车子停、人流停这之间复杂的因果链。甚至，哪个灯在哪个方向管用、对什么对象管用。搞清楚之后，乌鸦就选择蹲在一根正好在斑马线上方的一根电线上（图4）。它把坚果抛到斑马线上，等车子轧过去，然后等到行人灯亮了（图5）。这个时候，车子都停在斑马线外面，它终于可以从容不迫地飞下去，吃到了地上的果肉（图6）。

很神奇吧，日本乌鸦在这个过程中，表现出了相当强的智能，在很多地方远远超过目前的弱人工智能。

首先是生命只有一次，它可没法象深度学习那样有几乎无限次的训练样本进行尝试。它必须通过很少的次数就发现不能直接在路上吃坚果；其次是乌鸦观察和学习红绿灯指示的很可能是别的地点，那个点没有这些蹲点的条件。它必须学会将同样的因果关系，迁移到当前的地点来用。这一点，当前很多机器学习方法是做不到的。比如，一些增强学习方法，让机器人抓取一些固定物体，如积木玩具，换一换位置都不行；打游戏的人工智能算法，换一换画面，又得重新开始学习。 

乌鸦这样的智能体，有几个主要特点：

一是它具有感知、认知、推理、学习和执行的综合能力。它能够在复杂的世界中，认识和归纳出知识，并指导自己的行为。

二是它不需要大量数据，现实生活中它无法找到大量的数据来进行学习。这一点是与现在的人工智能最大的差异。

三是乌鸦的能耗非常小。人脑功耗大约是10-25瓦，乌鸦就只有0.1-0.2瓦，这比目前人工智能的能耗不知道要小多少。

现在还不知道怎么让人工智能达到乌鸦的智能水平。也许新的技术路径建立在对人类大脑结构的最新认识之上。

2013年以来,美国和欧盟在认知科学和脑科学领域启动了人类大脑计划（HBP：Human Brain Project）。他们获得政府机构的巨额经费支持，以大科学协作的方式开展研究。人类大脑计划将通过研究大脑工作机制，发现大脑信息处理的基本原理，并为此研发观察、记录和成像神经回路活动的新技术。一些科学家认为该研究中的类脑计算（Brain-like）将是从弱人工智能到强人工智能的主要路径，并提出了神经拟态计算（Neuromorphic

Computing）方案。神经拟态计算是基于人类大脑工作原理设计非冯·诺依曼传统结构的计算机来实现强人工智能愿景。根据神经拟态学工程师、德国海德堡大学物理学家卡尔海因茨·迈耶（Karlheinz Meier）的观点，相对于传统计算机而言，神经拟态计算应具备人脑的三大特性；低能耗、容错性、无须编程。

通用人工智能借鉴生物智能来寻找方向，以解决问题为主要目标，而不寻求和生物一样具备情感和自我意识。因此，它更可能扮演人类忠实智力工具的角色，任劳任怨地为人类解决实际问题。

还应该看到一点，单独的通用人工智能未必就比现有的弱人工智能强大。就像前文说过的，对于“一因一果”的领域，弱人工智能有最好的解决方案；对于“少因多果”的领域，如果这个领域的数据足够完整，需要的能耗也在可接受的范围，弱人工智能也能处理的非常好。

从进化论我们很容易可以推导出一个结论，生物体能用最有性价比的方式，获取最大的生存优势。这也是很容易理解的，毕竟在残酷生存竞争的自然界，获取足够多的能量对所有生物来说都是比较困难的。因此，能在自然竞争中存活的生物都进化出了高效利用能量的能力。生物智能也是这样的，现代的认知科学已经证明了人类智能往往不求精准地反映现实世界，找到所有问题的最优解，而是努力地以尽可能小的能耗，从所能获取的信息筛选出最重要的内容，进而找到当前情况下的可行解。换句话说，就是够用就好，而不是精益求精。

这种智能处理方式带来了能耗低和快速求解的好处。特别是面对“多因一果”的领域，人类往往通过逻辑判断甚至是直觉，就能从纷繁复杂的事物表象中提取出最重要的一个或几个原因，并迅速找到解决方案。

但是这种处理方式必然带来了一个问题，就是解决问题的方案不一定是最优的，可能存在一定的错误概率。就如上面的乌鸦，它发现了车子会在红灯前停下，所以看到红灯后可以安心地吃坚果。可是如果这时候有个醉汉无视红灯驾车过来，乌鸦的生命就危险了。如果乌鸦能有其它的信息获取方式，比如它有伙伴留在交通灯杆上帮它观察，并及时发出警告，它就知道有车过来，并马上飞离地面。

通用人工智能如果是模拟生物智能来实现的，那很可能也是一种快速求解的方案，那就一定会带来错误概率。弱人工智能采用的大数据完全求解方案虽然慢一点，需要的能耗更多，但是出错的概率肯定更低。到底哪种人工智能更适合，可能还需要根据实际情况来确定。

事实上，在很多特定领域，对数据的占有和分析能力，才真正决定了人工智能的能力。在能收集到足够多数据，并完全分析出事物的“因”，将问题完全收敛为“少因一果”的领域，弱人工智能仍然是足够强大的。例如在交通控制领域，各种各样的通用人工智能在开着各自的自动驾驶车辆，它们能够根据当前路面各种复杂情况，判断出哪里可能不堵车，从而快速到达目的地。但是，有个专门用于交通管理的弱人工智能，它拥有全市的车辆运行数据，也有全市的监控摄像头数据，它还有专门用于车流控制的专用算法。那么显而易见，在整体交通流量优化方面，这个弱人工智能将大大强于众多的通用人工智能。

因此，弱人工智能，只是在统筹推理上比较弱，难以处理“多因一果”的问题，但是在解决“一因一果”或者“少因一果”的特定问题上，未必就是“弱”的。而通用人工智能，“强”在对问题的抽象、分析和推理能力。这种能力使它更加像人，更能处理复杂情况，面对多数“多因一果”问题也能应付自如，但是它未必就是十全十美的，在特定问题上往往还有其局限。

某种意义来说，通用人工智能是弱人工智能的自然延伸和发展，其本质上仍然是一种智力工具。只是它更加强大，当然也就能为人类创造更大的价值，与此同时，也可能给人类带来更大的危害。