强人工智能与弱人工智能

　　众所周知，人工智能分强人工智能和弱人工智能。要分清这两个概念，首先要了解人的大脑和计算机到底有什么相同之处和不同之处。目前的计算机和人的大脑在规模上已经相当——人的大脑有10的11次方个神经元，10的15次方个突触，大概一千亿个神经元，一千万亿个连接。而一个典型的计算机，则有着10的10次方个晶体管和稀疏连接——这也是计算机变得“智能”的基础。虽然人脑和计算机已达到同等的规模，但是在架构上仍有着天壤之别：人脑内的各系统是紧密联系的，而计算机则是稀疏连接的。尽管计算机计算、处理速度是人脑的100万倍，但它只能进行顺序处理，而人脑能够做并行处理，在解决某些问题上的效率远非计算机所能比拟。

　　从能力的角度来看，计算机只擅长能够用数学模型来刻画的任务，而人脑平时做的感知、认知的处理，有许多都是现在很难用数学模型来刻画的。

　　了解了这些，也就能够明白计算机能做什么，怎样的“智能”是可期待，可实现的。

１、强人工智能能否实现？

　　强人工智能，就是希望计算机能够做出与人类同等以上智能的事情。这能否实现？我认为前景还不太明朗。至少从以下几个角度来看，实现强人工智能是非常困难的。

　　（１）、情感。喜怒哀乐是人最基本的情感，现代科学知道，这些情感基本产生于人脑的边缘系统，也就是说，人是“下意识”产生情感的。比如我们最典型的情感——恐惧。当你处在一个非常危险的状况中时，你会瞬间感触到危险，这时，大脑边缘系统杏仁核会产生大量化学物质，你的心跳会加快，血压会上升，从而促使你全身采取必要的行动，这些信息传到大脑，于是你意识到发生了什么。下意识的情感能在很快的时间内就做出以上反应，而这样的情感在智能体的智能活动里起着非常重要的作用。那么，如果一个人没有情感了，做事情是否就会变得非常理智，判断是不是都是理性的？当然不是，有研究显示，那些因大脑受伤而丧失情感部分的功能的病人，离开了情感之后，往往很难做出理性的判断。

　　（2）、创造力。人类一个很重要的特点，就是拥有创造力，而创造力的主要特质，就是把看似不相关的东西联系在一起。认知学者George Lakoff就认为，人的创造力可以从语言表现出来，例如语言中常用的比喻手法——网络上把“潜水”和沉默不发言联系起来，就是一个例子。而在现代计算机上，实现这种联想是非常困难的。

　　（3）、自由意志。明斯基在《心智社会》一书里提出，人脑是由许多智能体构成的心智社会。前文提到的“下意识”其实就可以被认为是一个由很多智能性系统综合起来组成的“社会”。而人在做判断的时候，下意识有时候会超前于上意识，提前做出判断。有大量的实验结果显示，当一个人作出把手举起这个判断时，其实在500毫秒之前下意识已经做出决定了。通俗地说，这就好像在一个组织里，表面上是由领导做决策，其实在那之前部下已然决定好了，领导受到影响后才最终做出判断。而这样的一种运作方式和功能，现代的计算机是很难实现的。

2、弱人工智能的主要特点——机器学习

　　弱人工智能，就是希望人工智能帮我们做很多智能性的事。当前，弱人工智能的实现主要依赖于机器学习，这也是主要的人工智能技术。一个智能性的系统，需要先得到一些输入，做出一些判断，最后才能进行一些感知认知的操作，以此来对应人的识别、推理、理解、决策。而机器学习中最常用的，又叫监督学习，典型的功能是分类和回归，例如人脸识别、计算机下围棋等。只要有大量的数据，就可以构建模型，做出判断，对应识别、推理、理解和决策。当前的机器学习技术结合推理，或者说符号处理结合神经处理技术，会使弱人工智能系统做得更好，也是未来人工智能发展的大方向。

　　那么机器学习有何优势和局限性？优势其实只有一个，也是大家在自动驾驶技术、AlphaGO大战李世石等例子中已经看到的，即在特定场景下，通过机器学习得到的模型所做出的判断，可以逼近甚至超过人。在AlphaGO这样的系统里，有两个模型能够被循环使用在不同的棋局里，帮助AlphaGO系统做出正确判断。这样一个简单的组成，就能够完成很智能或者看上去很智能性的任务。

　　而机器学习局限性也不少。例如，机器学习严重依赖于数据，数据驱动是机器学习的重要特点，却也成为了它的局限——如果训练的数据不充分，就可能会误导系统。同时，在构建机器学习系统时，一定要事先设计好系统模型的类型和集合，否则将会很大地影响系统的性能。此外，机器学习还很难去执行不特定的多种任务，即机器学习不能够像人一样，在复杂动态的环境中做出自主判断。假设设计了一个可以搬砖摆砖的机器人，但当砖墙倒了，它是不会像工人一样去清理的——因为并没有事先定义好“清理”这一任务。

　　当前，要让人工智能系统做出跟人同样甚至更好的判断，是有一个特定的规律和场景的——先建设一个系统，吸引用户，产生大量数据，设计算法，利用数据不断提高算法性能，高性能的系统又能更好地服务于用户，最后用户感受到系统越来越智能，这就是所谓的“人工智能闭环”。

人工智能可改变未来通信领域

　　人工智能在各行各业都发挥着作用，在通信行业中亦如此。而关于未来的通信网络的一个美好愿景，就是实现全自动的智能性的网络，提高网络效率，节省人力资源。

　　一般来说，通信网络有两大块任务，一是网络的控制，即在一个通信网络里有效调度资源，提高网络利用率；二是网络的管理和维护，包含建立合理的通信网络，监控网络情况，排除网络故障等。未来的通信网络将得益于人工智能，在网络的控制、维护和管理上实现自动化，只需要很少的人力就能解决整个网络系统的问题。

　　诺亚方舟实验室目前就致力于网络流量的自动控制，开发了NetworkMind系统。这个系统可以在现有的SDN网络里部署，它完全基于机器学习和深度强化学习来观察预测控制网络，自动观察网络流量，对网络流量做预测，做路由的决策。

　　基于深度学习的系统可以不断动态地在网络里深化学习，完善路径策略判断，很大程度地提高网络的效率。尤其是在网络故障排除方面，NetworkMind自动诊断系统可以基于华为此前所有的网络故障历史记录和相关知识，从已有的数据里自动构建整个华为通信领域的知识图谱，同时构建一个推理系统，工程师能够以问答系统的形式与系统进行中英文交互，根据系统给出的提示和故障原因概率图模型，作出故障解除的推理，迅速找到故障原因，找到解决方案。

　　该系统还用了卷积匹配模型来进行完善和强化。其原理是，通过二维的卷积神经网络对抽取到的问句和答句特点做匹配，并判断这个问句和答案是否相关，从而来训练深度模型，帮助问答系统做更好的回答。

　　深度学习技术在网络自动控制和网络管理方面大有可为，通过使用人工智能技术，一定可以使未来的网络更加畅通，使网络维护工程师的效率大大提升。

人工智能：需要探索的还有很多

　　当前，实现强人工智能，用现在的计算机架构实现情感、创造力、自由意志等人类特有的“智”，仍然十分困难。并且在短期内，人工智能技术也只有机器学习这一“招”，尽管利用大数据完全有可能把系统做得非常智能化，在特定场景下的判断甚至能够超过人，但它仍存在局限，我们不能盲目抱有过高的期待。不过，将机器学习和推理相结合，将符号处理与神经处理相结合，是我们可深耕的领域，可努力的方向，而在通信、手机、云计算等方面做人工智能技术的研究，更是十分必要。在可预见的未来，人工智能技术势必会更加强大，人工智能闭环的提升速度也会加快。人工智能，需要探索的还有很多，但它必将给人类带来美好的前景。