并非所有我们称之为“AI”的东西都是人工智能

1955年8月，一群科学家为在新罕布什尔州达特茅斯学院举办夏季研讨会申请了13500美元的资助。他们提出的探索领域就是人工智能（AI）。

尽管资助请求很低，但研究人员的愿景可并非如此：“原则上，学习的每一个方面或智能的任何其他特征都可以如此精确地描述，以至于可以制造一台机器来模拟它”。

从这些卑微的开始，电影和媒体就将人工智能浪漫化，或将其塑造成一个反派。然而，对大多数人来说，人工智能仍然是一个讨论的焦点，而不是有意识的生活体验的一部分。

人工智能已经进入我们的生活

上个月底，以 ChatGPT 形式出现的人工智能，已经从科幻小说的猜测和研究实验室中挣脱出来，进入了普通大众的台式机和手机。

这就是所谓的“生成式人工智能” —— 突然之间，一个措辞巧妙的提示可以生成一篇文章，或者把食谱和购物清单放在一起，或者创作一首猫王风格的诗。

虽然，在生成式人工智能取得成功的一年中，ChatGPT 是最引人注目的参与者，但类似的系统在创造新内容方面显示出了更广泛的潜力，使用从文本到图像的提示来创建充满活力的图像，甚至赢得了艺术比赛。

人工智能可能还没有出现在科幻电影和小说中流行的活生生的意识或思维理论，但它至少正在接近颠覆我们认为的人工智能系统可以做的事情。

与这些系统密切合作的研究人员对感知的前景感到震惊，比如谷歌的大型语言模型（LLM）LaMDA。LLM是一种经过训练以处理和生成自然语言的模型。

生成式人工智能还引发了人们对抄袭、利用原创内容创建模型、信息操纵伦理和滥用信任，甚至“编程的终结”的担忧。

自达特茅斯夏季研讨会以来，所有这些问题的核心是一个日益紧迫的问题：人工智能与人类智能不同吗？

“AI”到底是什么意思？

要成为人工智能，一个系统必须表现出一定程度的学习和适应能力。因此，决策系统、自动化和统计数据都不是人工智能。

AI 被广泛地定义为两类：人工狭义智能（ANI）和人工通用智能（AGI）。迄今为止，AGI还不存在。

创建通用人工智能的关键挑战是以一致和有用的方式，利用所有完整的知识对世界进行适当的建模。至少可以说，这是一项艰巨的任务。

我们今天所知道的大多数人工智能都具有狭隘的智能，即特定的系统解决特定的问题。与人类智能不同，这种狭隘的人工智能只在它受过训练的领域有效。例如，欺诈检测、面部识别或社交推荐。

然而，AGI将像人类一样发挥作用。目前，试图实现这一目标的最著名例子是使用神经网络和在大量数据上训练的“深度学习”。

神经网络的灵感来自于人类大脑的工作方式。与大多数在训练数据上运行计算的机器学习模型不同，神经网络的工作方式是通过一个相互连接的网络逐个向每个数据点提供数据，每次都会调整参数。

随着越来越多的数据通过网络输入，参数就会稳定下来；最终的结果是经过训练的神经网络，然后它可以对新数据产生所需的输出 —— 例如，识别图像中包含猫还是狗。

今天人工智能的重大飞跃是由我们训练大型神经网络的方式的技术改进所驱动的，得益于大型云计算基础设施的功能，我们可以在每次运行中重新调整大量参数。例如，GPT-3（为ChatGPT提供动力的AI系统）是一个具有1750亿个参数的大型神经网络。

人工智能需要什么才能工作？

人工智能要取得成功需要具备三个条件。

首先，它需要高质量、无偏见的数据，而且是大量的数据。构建神经网络的研究人员使用的是随着社会数字化而出现的大型数据集。

用于增强人类程序员能力的 Co-Pilot 会从 GitHub 上共享的数十亿行代码中获取数据。ChatGPT和其他大型语言模型使用了在线存储的数十亿个网站和文本文档。

文本到图像工具，如Stable Diffusion、dale -2和Midjourney，使用来自数据集（如LAION-5B）的图像-文本对。随着我们将更多的生活数字化，并为它们提供替代数据源，例如模拟数据或来自《我的世界》等游戏设置的数据，人工智能模型将继续在复杂性和影响力方面发展。

人工智能还需要计算基础设施来进行有效的训练。随着计算机变得越来越强大，现在需要大量努力和大规模计算的模型，可能在不久的将来可以在本地处理。例如，Stable Diffusion已经可以在本地计算机上运行，而不是云环境。

人工智能的第三个需求是改进模型和算法。数据驱动的系统在一个又一个曾经被认为是人类认知领域的领域继续快速发展。

然而，随着我们周围的世界不断变化，人工智能系统需要不断使用新数据进行重新训练。如果没有这一关键步骤，人工智能系统将产生与事实不正确的答案，或者没有考虑到自训练以来出现的新信息。

神经网络并不是人工智能的唯一途径。人工智能研究中的另一个突出阵营是“符号人工智能” —— 它不是消化庞大的数据集，而是依赖于规则和知识，这些规则和知识类似于人类形成特定现象的内部符号表示的过程。

但在过去10年里，力量的天平严重倾向于数据驱动的方法，现代深度学习的“奠基人”最近被授予了图灵奖，这相当于计算机科学领域的诺贝尔奖。

数据、计算和算法构成了人工智能未来的基础。所有指标都表明，在可预见的未来，这三个方面都将取得快速进展。