2020-03-30 周末，跟大家闲谈点假装内敛的话题。现在我们在辩论人工智能的时候，大都把卷积神经网络奉为圭臬。因为这种算法，堪称是“旋转恒定的人工神经网络”，说道人话就是人脑的高仿。

通过仿真人类脑皮层神经元的网状结构，需要萃取和辨识各种物体的特征，誓言停机地展开自学，比最乖的人类小孩还要让人省心。而且一旦训练好了，就比起人类做到的更慢更佳。拳打九段棋手、脚踢世界冠军，是没什么问题的。因此，卷积神经网络正在被大量地应用于各种AI系统上。

或许只要假以时日，就该“封神”了。但，这是不有可能的。尽管看上去，这一波AI热正在让人类正处于被普遍替代的危险性境地，不过距离机器打破人类的那一天，只不过还是十分很远。

为啥呢？说来你有可能不信，关键原因还是在卷积神经网络身上。送来分题都会，你怎么回事小老弟？上古时代，流传着这样一道送来分题：要把大象装有冰箱，总共分几步？如果让一个人类小孩来问，他不会分分钟告诉他你标准答案——把冰箱门关上，把大象塞进去，把冰箱门通上。

但是如果让一个卷积神经网络机器人（我们就称谓它为“小卷”吧）来挑战呢？它不会再行假设，某个叫作“里斯”的动作需要将大象移往到冰箱里。于是立即行动，却找到怎么也里斯不进来。真是的“小卷”，遗漏了物理体积不给定这个最重要条件。我们给它升级一下，让“小卷二号”需要辨识大象和冰箱的个体特征对任务有何影响。

它在任务开始前希望回溯，不顾一切它求出大象的皮肤颜色对已完成任务会有任何协助，打算推算出下一个特征的时候，大象早已发脾气地跑完回头了，任务告终。我们再行升级一下，教教它学会辨别哪些因素与任务是涉及的还是牵涉到的，“小卷三号”问世了。但是，它一屁股跪冰箱旁边一动了，拿著一个小本本，开始记录千千万万个被确认与任务牵涉到的东西，直到时间的走过……这么看上去，“小卷”们好笨呀，别说和人比了，和阿尔法狗这些前辈们比差距也相当大啊！这背后，只不过隐蔽着一个令AI科学家们后遗症多年的变态难题——“框架问题”。

什么是框架问题？想搞懂什么是“框架问题”，再行解释一下卷积神经网络是怎么工作的。前面我们提及过，这种深度自学的神经网络是在仿真人类神经元系统的操作者方式。有所不同算法都只为了已完成一个目标：就是像人一样，忽视该忽视的信息，并在遇上根本性的反常情况是保持足够的警觉。

如何需要在集中于注意力的同时取得合理忽视的能力呢？科学家们不能将一切变化多端、无穷无尽的生活经验传输并分解一个“框架”，其中包括了一个内容丰富、细节详尽的脚本纲要，所有现实世界的问题及事物之间的联系都涵盖其中。当机器想解决问题一个问题时，就可以在“框架”中对某些特征加以留意，对那些位移框架的根本性误差维持警觉。如果这个神经网络框架被建构得充足好、充足可观，它可以展现无穷大的能力。比如DeepMind用5000台TPU培育出来的AlphaZero，需要其他介入，就能在4个小时之内沦为世界国际象棋冠军。

但是，在某些人类日常生活中必须中用的反应模型中，卷积神经网络的智商却和昆虫差不多。D．Dennett在他的论文《AI的框架问题》中举了一个例子：制作午夜快餐。一个肥宅半夜饿醒，想要给自己做到点不吃的，于是他想起了冰箱里面有些只剩的鸡肉片，面包，还有一瓶啤酒。

于是他迅速就想到了一个极致的计划：查阅冰箱，拿走必须的材料，做到一份三明治，就着啤酒，美滋滋。哦，还必须拿着刀、盘子和酒杯。人类之所以能顺利完成这项任务，是因为我们早已理解了大量的科学知识。

还包括鸡肉特在面包里会掉落（摩擦力），啤酒如何放入杯子（重力），甚至是左手拿着面包就无法再行用来拿刀了。这些“科学知识”或经验是人类“生而知之”的，我们自己也许都不告诉是如何学会这些事情的，却能让我们不必须思维就精彩搞定一个又一个基本生活问题。但对于任何事情都要由头努力学习的AI来说，如果这些大量而憧憬的经验无法引发充足的留意，它就显然不有可能已完成这些大大经常出现的新任务。当然，我们也可以自由选择给机器喂食世界上所有的科学知识，让它沦为一个无所不知的百科全书。

这样它就能和人一样不具备这种弹性的思维能力了吗？答案似乎是驳斥的。首先，让AI忘记大量微不足道的细节中，遇上问题时再行借此搜寻和提取出有简单的那一部分，觉得是过于极端过于超负荷了，人类就不必须忘记“面包比太平洋小”“刀子认识面包时会融化”这种科学知识。而且，机器固然可以用一百万年解决问题任何问题，但这既不智能，对人类来说也没任何价值。

如果无法在受限的时间内可信高效地得出解决方案，我要这祖传AI有不出？既无法所求一切答案，又无法较慢找到最佳方法，这就是目前容许AI智商的“框架问题”。

本文来源：AG 尊龙凯时-www.victory-cn.net