什么叫「真的理解」？我们对 AI 的要求或许有点过分！

正文

请到「今天看啥」查看全文

作为机器学习领域的奠基人之一，Thomas G. Dietterich的研究贡献主要包括将纠错输出编码应用于多类分类问题，他发明了多示例学习、层次强化学习MAXQ框架及将非参数回归树整合到概率图模型中的方法。此外，Dietterich教授也参与撰写了美国白宫发布的两份重磅AI报告：《为人工智能的未来做准备》和《美国国家人工智能研究与发展策略规划》。

一、关于“理解”之争

运用“真实”、“准确”、“真正”这类词意味着“理解”是二元的，即： 一个系统要么能“真正”的理解，要么不能。 这种思维方式的纰漏在于，人类的理解也是不完整和不完美的。

Thomas G. Dietterich 教授主张“理解”以一种连续的能力谱而存在。 比如，对于“水”这一概念，很多人能想到水的性质： 潮湿、可饮用、植物必需、遇冷结冰等等。 但同时，很多人并不知道，水也是一种电导体，因此淋浴的时候不能使用吹风机。 即便如此，我们也不能说这些人没有“真实”、“准确”、“真正”地理解 “水”，只能说他们的理解是不全面的 。

因此， 我们应该以同样的态度来评估 AI 系统。 现有的系统已表现出某种程度的理解。 例如： 当我对 Siri 说 “打给 Carol”，而 Siri 也拨出了正确号码，这能够表明系统理解了我的指令； 当我问 Google “IBM的Deep Blue系统击败了谁？ ”，它回答： “Kasparov”，这也能证实系统理解了我的指令。 当然这种理解有一定限度，当我继续问 Google： “when？ ”它就只能给我解释词典上关于“when”的解释。 显然它没有把我第二个问题当做对话的一部分。

关于“理解”的争论可以追溯到亚里斯多德，而在 Searle的“Chinese Room argument”（无论程序如何聪明或像人类一样，执行程序的数字计算机都不能表现出“头脑”，“理解”或“意识”）对于“理解”的认识更为清楚。 我坚持主张功能主义，他们以功能上的理解为特征，并根据它们在产生测量功能中的因果作用来评估大脑或AI系统中各种内部结构的贡献。

从软件工程的角度来看，功能主义鼓励我们设计一系列测试来衡量系统的功能。 我们可以问一个系统(或一个人)，如果“我把水冷却到20度会怎么样?”或者“如果我在淋浴时使用吹风机会发生什么?” 然后测试反应。

请到「今天看啥」查看全文