日媒：人工智能的“才智”與人類不同

據《日本經濟新聞》4月15日報道，圍棋人機巔峰對決以人類大敗而告終。圍棋之后，人工智能將挑戰什麼？“將在2050年之前開發出能獲諾貝爾獎級或更高水平的科學發現的人工智能(AI)”，索尼計算機科學研究所所長北野宏明如此呼吁國內外研究人員。
　　
北野此前曾提議組建能戰勝世界冠軍足球隊的機器人球隊。北野是發起自律型機器人世界足球賽、引發人工智能和機器人研究熱潮的核心人物。新提議聽起來荒唐無稽，但事實並非如此。

　　
美國正在推進採用人工智能技術加快新材料開發的國家計劃。一般稱為“材料基因組計劃(Materials Genome Initiative)”。“能夠將需要10-20年的新材料的實用化進程縮短至一半”，前些日子在東京舉行的研討會上，該計劃的負責人、美國西北大學(Northwestern University)教授Peter Voorhees如是說。
　　
將借助計算機計算出具有耐熱性和導電性等優秀性能的材料的組成和結構。換言之，人工智能將取代技術人員的不斷摸索。
　　
卓越的材料技術是日本產業競爭力的源泉。產業技術綜合研究所等日本的研究機構不甘落后，正在積極採取應對措施。人工智能究竟如何參與研究開發？人工智能可通過大量學習現有的數據和實例，一個不落地掌握能想到的假說。這是不需要天才靈光一閃的繁瑣勞動。北野表示，“我們已經憑此取得了成功”。
　　
擊敗圍棋名人的美國谷歌的人工智能採用了“深度學習”和“強化學習”兩種方式。利用深度學習，將大量的棋局數據類型化。然后針對如何改變棋局布局有助於取勝，計算機之間反復進行對弈，通過“強化學習”積累經驗加以記憶。其基礎是基於龐大數據和訓練的歸納學習法。
　　
A→B、B→C等演繹型模式的人工智能開發在1980年代走入死胡同。典型案例是日本的“第五代計算機計劃”。該計劃力爭開發出能與人類進行自然對話的人工智能，曾一度受到世界的關注，但最后遭受挫折。
　　
以深度學習為代表的新的人工智能模式正在發揮巨大的潛力。但另一方面，也可以看到它的極限。力爭開發出能寫小說的人工智能的公立函館未來大學教授鬆原仁等人3月21日舉行了報告會。公開了首次挑戰1萬字左右短篇小說(超短篇小說)競賽“日經·星新一獎”的作品。
　　
雖然未能入選，但文章語言通順，具有足夠的可讀性。文章是計算機自動生成的。這是一個巨大的進步，但實際上故事的梗概等仍是由人類構思。與其說是“人工智能撰寫的”，不如說仍處在“利用人工智能撰寫”的階段。鬆原教授也承認距離人工智能作家的登場“仍然任重而道遠”。
　　
與圍棋不同，人工智能創作小說的難處在於缺乏評優方法。人工智能不擅長處理模棱兩可的數據。在充滿不確定性和感性的世界裡，人工智能要大展身手仍然面臨很大的障礙。
　　
此外，目前流行的人工智能仍存在技術上的風險。如果僅從經驗上學習，不管如何提高准確度，都可能在某些地方出錯。從外部無法窺見出錯的原因，也無法預測何時會出錯。這是因為人工智能就是一種黑盒子。
　　
因此，對於一旦出錯就將帶來不可彌補的災難的系統，採用目前的人工智能仍需慎重。
　　
人工智能與人腦既有相似之處，也有許多不同之處。盡管創造模仿人類的人工智能的道路還很漫長，但如果不試圖模仿人類，事情就另當別論了。圍棋等驗証的題材就在身邊，因此往往容易與人類加以比較。但是，看清人工智能實現的“才智”與人類不同或許才是一條捷徑。北野和谷歌看到了兩者的不同。這種想法即是一種優勢。
　　
對於突如其來的人工智能熱潮，也存在冷靜的觀點。“這是因為研究開發遇到了瓶頸”，產業技術綜合研究所理事長中缽良治表示。世界各國的企業和研究機構正在拼命尋找創新的切入點。
　　
遠遠落后的日本要追趕美國，應該採取哪些行動呢？

在發展會學習的人工智能方面，數據量無疑將發揮巨大作用。從醫院的臨床記錄、地圖信息到網絡上的對話，隻有處於能訪問符合目的的大量數據的狀態下，才能培養計算機的“才智”。
　　
不能讓社會上已經積累的各種數據藏而不用。需要構建能將其用於研究的恰當規則和環境。此外，還需要人工智能研究者與各個應用領域的合作。就材料基因組來說，就是化學和材料的研究人員等。
　　
此外，東京大學特聘副教授鬆尾豐表示，“並非僅靠深度學習就能做任何事”。如果著眼於未來，應開發新技術並加以融合，設想超越目前的人工智能極限的研究。