哥伦比亚大学工程系的教授、机器创新实验室主任Hod Lipson认为，Alphago战胜人类代表了机器学习得到完美的应用，石家庄网络优化获悉，接下来人工智能和机器人领域的**挑战是创造具有创造力的机器人，这也是通向自我意识的途径之一。

 

　　1、能介绍一下你在哥伦比亚大学创造机器实验室所做的工作吗？

 

　　我们做的是生物驱动型的项目。我们努力从生物学中学习如何处理问题，我们关注的焦点是一般情况下，人们认为只有自然可以做到的事情。

 

　　生物驱动型的项目指的是从自然中学习，然后使用学习到的东西，尝试去解决*困难的问题。这涉及到所有的领域。这并不是在表面复制自然，它可以在更深层次复制学习过程，比如，学习自然如何使用材料，或者学习自然演进的过程。

 

　　我们在做的研究中，我*喜欢的一个主题是：你能不能做出可以自我复制的机器人？自我复制并不是传统上人与机器的那种关系。比如说，大多数的机器都不能自己从受到的损害中恢复，或者说**，或是适应。至少到目前为止，机器还不能从自己的经历中进行学习。

 

　　我们正在研究，我认为是人工智能和机器人领域**的挑战，即创造具有创造能力的机器：机器能创造新的东西，机器能有新的创意。

 

　　创造力是AI要攻克的**几个阵线之一。许多人仍然认为，人类拥有创造事物的能力，所以比机器强。我们正在研究这一问题。

 

　　2、怎么看待Alphago战胜李世石？

 

　　从某种程度上来说，Alphago是AI一个时代结束的标志。从上世纪50年代开始，人们就在用AI玩棋类游戏，而围棋可能是AI攻克的**一个棋类游戏。现在，我们可以向着更大和更有挑战性的东西前进，那就是现实生活。比如，电脑仍然很难学会如何在曼哈顿车水马龙的十字路口驾驶。显然，这比围棋要难得多。

 

　　目前的AI非常善于决策，通过对大数据进行处理，进行筛选，从而得到**的决定。比如，获得所有的股票市场数据，然后决定“我该买进，或者抛出？”，或者获得所有摄像头、雷达和无人驾驶车中的数据，然后决定该直走或者转弯。这一切都是关于获取数据然后把这些数据变成决策。

 

　　但是另一种的智能是，有新的创意，或者新的需要的时候，从中发散，并创造新的观点，是一种扩展。

 

　　这是一种完全不一样的AI，它是探究性的。我们把其称为发散型AI，而不是聚合型的AI。这是我们实验室在努力的东西。

 

　　我觉得对于AI来说，**的挑战是创造力。创造新的想法，这是下一个重要的前线。

 

　　3、发散型的AI具体研究些什么？

 

　　可以是任何事，比如，设计新的电子电路，或者是设计新的机器人。我们会问诸如“一个AI产品，或者新的机器人跟我们此前见到过的东西有何不同吗？它具有创造力吗？”或者“机器人能绘画吗？它能创作出我们人类喜欢的音乐吗？”此类的问题。

 

　　4、为什么机器自我意识对于你和你的工作来说那么重要？

 

　　我认为，自我意识是机器人**的难题。我们都在为此奋斗。

 

　　一些从事AI研究的人，会有短期的目标，比如“我们能让机器人下象棋吗，能下围棋吗或者是能开车吗？”

 

　　但是从长远来看，如果你展望AI**的战场，在那你会看见什么？我认为，是创造自我意识。

 

　　这几乎是一个哲学上的问题。正如道士一直希望炼出长生不老药一样。但是，我认为，*终，至少对一些人来说，这是智能的*终形式。

 

　　几个世纪以来，哲学家、神学家和心理学家都一直在争论：“什么是自我意识？”，我认为机器人专家和AI领域的人可以继续这一讨论，并展开一个不一样的视角。这一视角是更加量化和更加实际的。我们想说的是：“我们并不打算讨论什么是自我意识，实际上，我们要创造自我意识。

 

　　如果我们可以做到，我想我们*终会理解什么是自我意识。对我来说，这是一个很大的挑战。对于AI来说， 这也是一个重大的挑战。

 

　　创造力是一个很大的挑战，但是比它更难的是自我意识。长久以来，在机器人和AI领域，我们有时会称其为“C”世界，也就是知觉（consciousness）。

 

　　5、为什么在你们的网站上没有看到你所描述的世界？

 

　　我们不会拿出来说。这有点……这对我们来说这有点像个神话。不是大多数人会承认他们在寻找的东西，这是一种荣耀。

 

　　我们的团队就是那些为此努力的队伍之一，我想，我们正在开始打开自我意识和知觉。我们肯定能做到，但是问题是，我能在有生之年看到吗？这是大多数人都希望知道的问题。

 

　　6、AI在自我意识上的进步，在接下来的10年中会如何影响数字工业中的工作？

 

　　谈到工业，有两个角度。

 

　　一个是简单的自动化。我们已经看到机器人能够跟人一起协作。把机器人和自动化引入工厂将变得越来越简单。过去，你需要有熟练的程序员和昂贵的机器人，以及为机器人定制的工作场所。

 

　　理论上讲，你可以买到相对便宜的机器人，或者一个成本低于一个普通人年薪的机器人，然后把机器人和工人放在一起，这就保证了安全问题。你可以像教人一样教机器如何工作。现在，许多这样的限制已经在消失，我们也在工业中看到了这样的现象。这些许多都跟AI有关，我想说，大部分都跟AI有关，但是它跟其它方面比较迅速的发展也有关，比如更便宜、更迅速和更加好的硬件。

 

　　工业中的另一个方面，也就是被AI摧毁的方面，就是设计。工业和设计通常是携手并进的。虽然工业对于我们来说更容易看到，但是其背后的设计，也是跟其紧紧相连的。

 

　　当AI通过这些新型的创造型AI进入设计领域时，你可以在短时间扩展可以制造的东西，因为AI在设计方面能够利用一些新的生产方式。

 

　　7、你在2007年TED的演讲中，曾说：“我认为重要的是我们要抛弃人制造机器的思维，真正地让机器自我演进和学习，就像孩子一样，这也许是我们实现的方式”。十年过去了，你认为我们在朝着这个方向走吗？

 

　　它的发展比我想象的要快。在AI领域，有两个学派的观点在政治上和经济上产生了强烈的碰撞。其中一派是自上而下的，逻辑的编程化研究道路，另一种是机器学习派。

 

　　机器学习派说，“忘掉程序机器人吧，忘掉程序AI吧，你只需要让机器学习，它自然会从数据中自己找到解决问题的方法。另一派则说：”我们要坐下来，写算法，然后让程序告诉机器人该做什么。”

 

　　长久以来，人类编程都比机器学习好得多。你可以让机器学习做一些无关紧要的事。但是设计一些大事，一些重要或者困难的事，你可能会要求助于一名专家，让他或她来编程序。

 

　　但是在过去的10年间，也就是从我在TED上发表演讲到现在，机器学习优于人类编程的例子开始不断涌现。

 

　　一直以来，人们都在讨论无人驾驶汽车，但是在2012年以前，没人能够写出能够让机器知道路面情况的程序。没有人能做到。但是**，深度学习算法出现，现在机器能辨认并理解它们看到的东西，在这方面甚至比人类还要**。这也是为什么我们会在接下来几年内可以拥有无人驾驶汽车的原因。

 

　　我认为机器学习方法得到了完美的应用，并且我们才处在开始阶段。这一过程将会得到加速。

 

　　8、假如机器学习*终超越人类的能力，那么我们要达到再高一级的AI，需要面临的困难有哪些？

 

　　在过去的一两年间，知觉是得到解决的一个大难题之一。计算机是瞎的，它不能理解“看到”的东西。我们有相机，有快速的计算机，有我们需要的一切东西，但是计算机不能理解它们看到的东西。这是一个大的难题。这也就是说，计算机不能在非确定的开放环境中处理问题，只能在工厂、矿井、农田或者相对静态的场景中工作。但是不能在家中工作、不能驾驶或者在跟人一起外出干活。

 

　　现在所有这些难题都被机器学习解决了。我们现在拥有的计算机不仅有“眼睛”，还有“大脑”可以理解看到的东西。这为新的应用打开了许多的大门。我认为这在过去是一个很大的阻碍。

 

下一个是什么？我认为是创造力。

 

　　这就是我为什么一直在这方面努力的原因。我想这是一种能力，不仅是分析和理解看到的事物，还有创造和想象的能力。*终，这是一个通往自我意识的道路。