文章来自“科学大院”公众号
作者：柴凯轩
“人工智能（Artificial Intelligence，AI）”大概是近年来最火的概念之一了。
在有些人眼里，人工智能已经比较成熟，毕竟柯洁都被“阿尔法狗”打败了，无人超市、智能点餐、AI写稿都在出现，可能一觉醒来我们的工作就要被AI取代了。
但在另一些人眼里，家里的智能音箱会莫名其妙地搭茬，图像识别能被轻易干扰，无人驾驶汽车也是事故频出……人工智能最多算是个“人工智障”吧。
那么，人工智能将来会怎么发展呢？有人提出，人工智能要像婴幼儿一样。
AI的局限在哪儿？学习能力
自上世纪中叶开始，科学家曾设想能否把知识直接塞进电脑，建造一种真正意义上的“人工智能”。一旦实现，这种人工的智能将与人类具有的自然智能相媲美，甚至强于任何人类“最强大脑”。科学家将这种强大的人工智能称为“人工广义智能”（或称强AI），例如《终结者》中的“天网”系统，《黑客帝国》中的“矩阵”框架，以及《复仇者联盟》中的“奥创”等。
与之相对的，我们日常生活中的各种狭义的人工智能，如语音助手，基于图片的网络搜索引擎，无人驾驶汽车系统等，即所谓的弱AI。相较之下，弱AI所能处理的问题比较死板、缺乏创造性，并且时常出错。而在设想中，强AI不但可以弥补弱AI的不足，它们还可以自主地学习知识、创造知识。
“天网”“矩阵”与“奥创”（图片来自：谷歌）
但是，所谓的强AI至今还没再次出现。
现如今，计算机学家运用“机器学习”（machine learning）算法，仅能使计算机自行对输入信息做出反应。比如给AI观看大量附有类别标记的动物图片，虽然算法不明白动物的概念，但它们可以依据视觉模式的统计特征，将新的图片进行归类，“认出”不同的动物。计算机学家还结合了强化学习方法，使AI可以精通对抗性活动，如打游戏、下棋等。同样，算法不需要理解下棋策略本身意味着什么，它们只需要不断增大行动后获得的分数，便可达到赢棋的目的。
然而，这些基于机器学习算法的AI存在两个不足：
用机器学习算法识别猫咪（图片来自：谷歌）
第一，学习成效受制于训练数据的数量与质量。一方面，基于机器学习算法的AI依赖大量的训练与强化，通过反复矫正预测模型中各个参数的权重，从而归纳出最优的统计模式。另一方面，这种学习过程离不开“监管者”（supervisor）的参与。“监管者”首先要筛选出清晰的图片，并提供类别标记，然后再让算法对这些优质的数据进行训练。再比如学习下围棋之前，“监管者”会事先筛选出高水平对局作为训练数据，以免算法无厘头地穷尽所有落子可能。因此，寻找训练材料，筛选优质材料，最后标注材料类别，这些工作对目前AI的成败非常关键。机器学习算法的前期工作量之大，着实令人生畏。
游戏《Breakout》截图（图片来自：维基百科）
第二，学习效果僵化，无法进行迁移。因为过于依赖“监管者”，当前AI只能出色地完成某一特定任务，如果对训练问题进行小小地改动，那它们就需要从头再学一遍。比如训练AI学习一款名为《Breakout》的游戏，其规则很简单：玩家要拖动屏幕底部的滑块，通过反弹小球来消除屏幕顶部的砖块。AI在“摸索”几百盘之后就能达到顶级人类玩家的水平。但如果此时稍稍改动下游戏场景，比如把底部的滑块上移一排，或者增加几个无法消除的砖块，那么AI就要重新学上几百盘。但对于人类顶级玩家来说，这简直是小菜一碟。原因就在于，人类玩家真正明白了游戏规则，而AI玩家只是一堆算法的集合体。
所以，AI并不能弄清问题的实质，它们只是能熟练地处理问题而已，甚至有时还会被“对抗样例”（adversarial examples）轻易地愚弄。比如，如果一堆混乱的像素点符合“狗”的视觉模式特征，那么图像识别系统就会误将其识别成“狗”，但人类（即便婴儿）是不会做出这样的误判。
（图片来自：谷歌）
愚弄AI的对抗样例 ：右图是左图与图像噪音的叠加，AI会将左图识别为“猫”，但很容易把右图识别成“狗”（其实有时人眼也会）
不过，互联网技术的发展以及半导体工艺的改善，还是在某种程度上弥补了机器学习算法的一些局限。大量社会化媒体用户自觉地为AI提供了取之不尽的高质量训练数据，计算力强劲的芯片也确保了AI可以高效地处理如此海量的信息。但这些只是技术上补充，而非概念上的改进或变革。当前AI所表现出的低适应性仍是阻碍其进步的首要问题。前文提到的“人工广义智能”设想要求AI不过于依赖训练数据，能灵活地处理信息，自主地探索外部世界，并且能够进行举一反三地泛化学习。
等等，这听上去分明是在描述一个处于学习阶段的婴儿！
人类婴儿（图片来自：谷歌）
每个婴儿都是强大的学习者
Alan Turing（图片来自：维基百科）
“人工智能之父”Alan Turing曾坚信，要想实现“人工广义智能”，就需要建造一种“可以像儿童一样学习的机器”。事实上，婴儿是这世上最擅长学习的系统，他们学到的知识更具普遍性，所需的学习资料也更少、更凌乱。与基于机器学习算法的AI相比，婴儿学习的不同之处体现在下面几点：
首先，婴儿的学习不需要大量的示例。同样是区分不同的动物，婴儿可能只需要观看几张绘本上的动物形象，他们就可以对新的动物图片进行归类了。同时，婴儿还能将图画书上的形象与现实中的动物联系起来，表现出真正的概念获得。
其次，婴儿的学习并不依赖高质量的感官刺激。印第安纳大学的心理学家Linda Smith和斯坦福大学的心理学家Michael Frank用头戴式摄像机，记录了婴儿视角下的日常所见。与AI所学的清晰物品照片相比，婴儿眼中的世界视角混乱、成像模糊，而这并不影响婴儿学习周遭的一切。
最后，婴儿的学习不需要“监管者”的过多参与。在婴儿自由活动时，父母可能偶尔会说“干得好”，但父母更多关心的是孩子的安全。所以婴儿的学习大多是自发的、自我激励的。
一名参与头戴式摄像记录的幼儿（图片来自：alisongopnik.com）
看来，婴儿的学习方式可能与当前AI的学习方式大相径庭。如果按照机器学习算法的方式，婴儿不仅会因为训练材料的数量与质量不佳而无法学习新事物，而且更不用提举一反三的泛化学习了。那么，婴儿是怎么样做学习的？
Alison Gopnik（图片来自：维基百科）
近年来，加州大学伯克利分校的发展心理学家Alison Gopnik为人工智能研究者和爱好者介绍了许多接地气儿的婴幼儿研究，普及了发展心理学对人类学习问题的独到见解。尽管婴幼儿研究的内容听上去并不那么极客范儿，但其成果却能给人工智能研究带来意想不到的启示。
婴儿的学习方式
Gopnik教授结合自己以往研究和发展心理学领域的众多成果，提出了一套颇具婴儿特色的学习系统——MESS系统（Model-building, Exploratory, Social learning System），寓意着婴儿将要在“一团糟”的混乱世界中进行学习。这个系统刻画了婴儿学习的三个独特之处，揭示了婴儿成功的秘密，也启示了未来AI的发展趋势。
1.基于建模（model-building）的学习
婴儿学习的成功秘诀之一，是他们会构建关于世界的模型或理论，也就是说，他们具有物理学与心理学领域的常识性认识。来自哈佛大学的心理学家Elizaberth Spelke研究发现，1岁大的婴儿就已经对物体的运动规律颇有了解了：当婴儿看到小汽车悬浮在空中，或者穿墙而过时，他们会表现出惊讶，就好像他们从未见过这种车或这种墙似的。另外，婴儿们也对人们的内心活动颇有了解。来自密歇根大学的研究者Felix Warneken发现，当看到别人正从地上捡起不小心弄掉的铅笔时，1岁多的婴儿会上前捡起笔并递给对方；但如果是对方故意扔到地上的，婴儿就不会这样做了。
儿童具备一些物理学领域（左）和心理学领域（右）的基本认识（图片来自：medium.com）
2.探索式（exploratory）学习
婴儿成功的另一秘诀是，他们具有永无止境的好奇心，并且是主动的实验者。这对父母来说并不陌生，因为孩子总是敢于尝试一切。在日常录像中，研究者们发现婴儿确实在不断地探索世界：他们会把东西捡起来观察，然后再扔出去看看，把一些东西拼起来，或者把一些东西拆开。近期研究也表明，这种有趣的日常“实验”是多么的有智慧。约翰·霍普金斯大学的研究者Aimee Stahl和Lisa Feigenson发现，相比正常的玩具，1岁多的婴儿会对奇怪的玩具（比如浮在空中或穿墙而过的小汽车）表现出更多的兴趣。他们会把曾经浮空的小汽车扔出去，会用曾穿过墙的小汽车撞击桌面，似乎他们在试图弄明白，为什么这些玩具会那么奇怪。
一名对皮球产生兴趣的婴儿（图片来自：alisongopnik.com）
3.社会性（social）学习
婴儿学习的最后一个成功之处在于，他们能够进行社会学习（从他人那里学习知识）。孩子可以向周围的任何人学习，利用前几代人积累下来的各种知识。这一强大优势甩开了AI几条街。加州大学伯克利分校的Jitendra Malik是计算机视觉领域的专家，他正在研制一种模仿人类动作的机器人，即先给机器人呈现一系列人类动作，之后让机器人重现这套动作。
这项任务听上去很简单，事实却不然。比如模仿他人系绳结的动作，任何穿过运动鞋的孩子都能轻松搞定，但这可能会把机器人难倒。想象一下，如果让你模仿别人系绳结，你会在意一些无关紧要的细节吗（比如动作的角度、速度）？还是说，你会弄清楚对方每步打算做什么，然后尽可能简单、有效地达到动作的目的？甚至于，你会增加一些改进，让绳结系得更加坚固？许多研究都发现，儿童在模仿时是非常理智的，他们会依据对方的意图来决定模仿哪些细节，但机器人很难做到这些。
社会互动对学习的重要性还体现在另一方面：即便是很小的婴儿也会形成一种道德感知，这种感知来源于婴儿与看护者的互动。比如，稍大些的学步儿会表现出利他性（不惜牺牲自身利益，也要考虑他人的利益）和共情性（即便与自身无关，但对他人的处境感同身受），这表明他们很小就具备了基本的公平感和同理心。总之，学习与关爱，计算与关心，这些活动看似不相关，但对人类来说是难解难分的，因为它们构成了“人”的独特性。
没有“灵魂”的Sophia（图片来自：维基百科）
如何让AI做得像婴儿一样好？
所以，“人工智能研究”能从“婴幼儿研究”中学到什么？或者说，我们如何让AI做得像婴儿一样好？
首先，未来的AI需要像一岁半的孩子那样，对周围物理世界与社会世界的特征有基本的理解。换句话说，想让AI像人类一样具备真正的智慧，就要机器像孩子一样具有“常识”。因此，结合预设模型和机器学习算法的混合学习系统必将是AI的发展趋势，它也正是当前AI研究的前沿课题之一。
谷歌）
其次，未来的AI需要像孩子一样对外部世界抱有好奇心。这听上去很难，但值得尝试。当前的AI是被困在预先设定好的框架里的，它们被动地吸收数据、处理数据。但AI要想继续发展，它们就需要更多地跳出预设框架，自主地搜集数据，或选择训练数据。Gopnik教授与同单位的合作者、计算机科学家Deepak Pathak和Pulkit Agrawal，正试图设计一种具有好奇心的主动学习AI。以往的机器学习算法会在AI做出正确的事情时奖励它们，以强化这一行为。但好奇的AI只有在产生意外结果时才会得到强化，就像婴儿一样。这种类型的AI也是人工智能领域的一类前沿课题。
以发现新异为奖励规则的学习系统（图片来自：谷歌）
最后，未来的AI需要像人类一样，得有些“人”味儿。自AI的概念产生开始，人们就没有停止过思考其与人类关系的问题：比如，如果不解决相关的伦理学问题，AI会不会是人类文明的终点？在Gopnik教授看来，构造AI就好比抚养孩子，意味着创造者要给自己的“创造物”赋予一些不那么极客范儿的美德。可以预见，这也将会是一个不错的未来研究方向。
电影《机械姬》中拥有“灵魂”的Ava（图片来自：谷歌）
结语
人工智能被认为是“第四次工业革命”的核心技术之一，也是目前各国科技竞争的焦点。2018年，美国国防高级研究计划局（DARPA）启动了一系列关于人工智能的研究项目，其中一项有趣的选题是研发“机器常识”（Machine Common Sense，MCS），希望从发展心理学研究的成果中寻找启示，力图给AI赋予一些人类的基本认识，以强化其自主学习和解决问题的能力，使其可以像人类一样具备真正的智慧。通过本文的介绍，人们不难理解“人工智能研究”与“婴幼儿研究”，这看似相差十万八千里的两个领域竟有可能交汇起来。
虽然人类离真正意义上的智慧机器还差得很远，不过没关系，我们不一定非要让AI复制出人类的智慧，我们更希望AI能够在一定程度上帮助人类变得更聪明。为了建造更有用的AI，比如好奇型AI或模仿机器人，最好的办法还是多从我们的婴儿身上寻找线索吧。也许，发展心理学研究可以使人工智能研究的“春天”得以延续，而人工智能研究兴许也能让发展心理学研究走出“寒冬” 。
参考资料:
https:///articles/the-ultimate-learning-machines-11570806023
https:///story/how-to-teach-artificial-intelligence-common-sense/
作者为中国科学院心理研究所19届硕士毕业生
科学大院是中科院官方科普微平台，由中科院科学传播局主办、中国科普博览团队运营，致力于最新科研成果的深度解读、社会热点事件的科学发声。
