【劉言鋒語】開展AI智商測試應首先建立統一人和機器的標準智能模型

開展AI智商測試應首先建立統一人和機器的標準智能模型

劉鋒

本文由作者授權發布，作者更多文章請回復“劉鋒”查閱

0. 提出和開展人工智能智商測試的必要性

本世紀以來，隨著互聯網大數據的興起，信息爆炸式增長，深度學習等機器學習算法在互聯網領域的廣泛應用，人工智能再次進入快速發展時期。與此同時，不同領域的科學家，企業家如物理學家霍金，微軟創始人比爾蓋茨等人，紛紛對人工智能的未來表達了擔心，提出人工智能的快速發展可能對人類本身產生威脅，人工智能威脅論因此得到廣泛傳播。

人工智能威脅論不僅僅是一個引發巨大爭議的社會熱點問題，其背后更是一個人工智能系統能否定量評測的課題。從1950年圖靈測試提出以來[1]，科學家已經為人工智能發展的評價體系做了很多工作。

2015年3月24日“Visual Turing test for computer vision systems”在美國科學院院刊（PNAS)發表，提出一種新的圖靈測試方法“Visual Turing test” [2]，這種測試方法用來對計算機的圖像認知能力進行更為深入的評估。

《ACM通訊》（Communications of ACM)雜志主編瓦迪（Moshe Vardi）提出計算機的智能特性不能用單一的測試來檢驗，而應該用一系列的測試來證明，其中每一個測試都是針對一個不同的智能特點[3]。

美國佐治亞技術學院的瑞德教授（Mark O. Riedl）認為，智能的本質在于創造力。他設計了一個叫做Lovelace 2.0 版本的測試。 Lovelace 2.0 的測試范圍包括：創作有虛擬故事的小說、詩歌創作、油畫和音樂等[4]。

在解決人工智能定量測試的問題上，包括圖靈測試在內的各種方案還存在兩個問題：第一，這些測試方法還不能區分智能的多個分類。也就是說智能是由多個要素組成。這些要素發展速度本身就是差異。第二是這些測試方法無法定量分析人工智能，或者只定量分析智能的某個方面，但這個系統究竟達到人類智慧的百分之多少，發展速度與人類智慧發展速度比率如何，這些問題在上述研究中沒有涉及。

1. 建立標準智能模型的前人研究

人工智能定量評測目前面臨兩個重要挑戰：第一是人工智能系統目前沒有形成統一的模型，第二是人工智能系統與人類為代表的生命體之間目前沒有形成統一的模型。

這兩個挑戰都指向了同一個問題，即對于所有的人工智能系統和所有生命體（特別是以人類為代表的生命體）需要有一個統一模型進行描述，只有這樣才能在這個模型上建立智力測量方法并進行測試，從而形成統一的，可進行相互比較的智力發展水平評價結果。

對于這個問題，前人研究者已經從不同方向進行了深入研究，這些研究為我們建立智能系統的標準模型奠定了基礎。

（1）圖靈機，英國科學家艾倫·圖靈1937年發表了《論數字計算在決斷難題中的應用》，文中提出了一種抽象計算模型-圖靈機（如圖1.1所示），體現了用有邏輯的程序或機器對數學運算過程進行模擬，重點突出了智能系統在計算方面的能力，但對人工智能系統、生命系統在其他方面的特點體現不夠。不足以成為標準智能系統的模型。

（2） 馮·諾伊曼結構，1945年6月30日約翰·馮·諾伊曼在報告《First Draft of a Report on the EDVAC 》[7]中提出了馮·諾伊曼結構，馮·諾伊曼在報告中明確規定新機器有五個構成部分：①計算器：②邏輯控制裝置；③存貯器；④輸入；⑤輸出，并描述了這五部分的職能和相互關系，如圖1.2所示。

馮·諾伊曼結構是現代計算機的統一模型，但它還不能涵蓋包括人類在內的所有智能系統。

（3）提出韋克斯勒量表的戴維.韋克斯勒把智力定義為“智力是個人行動有目的、思維合理、應付環境有效的一種聚集的或全面的才能。所以說全面，是因為人類行為是以整體為特征；所以說聚集，是因為是由諸要素或諸能力所構成。這些要素或能力雖非完全獨立，但彼此之間有質的區別[8]”。戴維.韋克斯勒的這個定義也可以看做是其對具有智力能力的人類特征定義。

（4）哈藍·克利夫蘭1982年12月在《未來主義者》雜志中的發表文章“資訊有如資源”，第一次提出DIKW模型體系。DIKW體系就是關于數據(Data)、信息(Information)、知識(Knowledge)及智慧(Wisdom)的體系，如圖1.3所示。

我們曾經在“數據，信息，知識，智慧的關系”一文中闡述了它們的定義和關系[9]：

數據是使用約定俗成的關鍵字， 對客觀事物的數量、屬性、位置及其相互關系進行抽象表示， 以適合在這個領域中用人工或自然的方式進行保存、傳遞和處理。

信息是具有時效性的，有一定含義的， 有邏輯的、經過加工處理的、對決策有價值的數據流。

知識通過人們的參與，對信息進行歸納、 演繹、 比較等手段進行挖掘， 使其有價值的部分沉淀下來， 并于已存在的人類知識體系相結合， 這部分有價值的信息就轉變成知識。

智慧是人類基于已有的數據、信息、知識，針對物質世界運動過程中產生的問題，根據獲得的數據、信息、知識盡行分析、對比、演繹找出解決方案的能力。這種能力運用的結果是對已有數據、信息和知識產生影響和變動，包括數據、信息和知識庫的增加、減少、修改和相互轉化。

DIKW模型是知識管理領域里一個重要的模型，這個模型展現了數據、信息、知識、智慧之間的關系，同時它也可以看做智能系統如何運用數據、信息、知識、智慧的特征進行運轉的模型。

2. 基于前人工作提出標準智能模型：

應該說前人的研究工作為我們提出標準智能系統模型奠定了很好的基礎：

馮·諾伊曼結構給予我們的啟發是：標準智能系統模型應包含輸入輸出系統，能夠從外界獲取信息，能夠將內部產生的結果反饋給外部世界，只有這樣，標準智能系統才能成為“活”的系統。

戴維.韋克斯勒關于人類智能的定義給予我們最大的啟示是：智力能力是由多個要素組成，而非圖靈測試或視覺圖靈測試那樣只關注智力能力的一個方面。

DIKW模型體系給予我們的啟發是：智慧是一種解決問題，積累知識的能力；知識是人類不斷與外界交互后沉淀下來結構化的數據和信息，這提醒我們，一個智能系統不僅僅體現出知識的掌握，更重要的還有關于解決問題的創新能力。

這種關于知識的掌握能力，知識的創新能力與戴維.韋克斯勒理論、馮.諾依曼架構結合，就可以形成智能系統智力能力的多層次結構。綜上所述，我們得出智能系統的標準模型應該具備一下特點：

第一、具有輸入輸出的功能，即可以與外界通過數據、信息和知識進行交互的能力。

第二．具有存儲數據、信息、知識的能力，即將外界數據、信息和知識化為自身資源的能力。

第三．具有生成新數據、信息和知識的能力，即基于自身擁有的知識，在新數據或信息的啟發下，對數據、信息和知識進行創新從而產生新的數據、信息和知識的能力，如圖1.4所示（為了簡化，本圖中數據、信息、知識統一用知識描述）。

圖1.4 智能系統標準模型示意圖

3.根據以上研究，我們可以提出如下標準智能系統定義。

定義一：

無論系統(包括人工智能系統，人類等生命系統等)，如果符合如下特征，就可以認為這個系統屬于標準智能系統（Standard Intelligent System）：

特征1 能夠通過聲音、圖像、文字等方式（包括但不僅限于這三種方式）從外界獲取數據，信息和知識的能力。

特征 2 能夠將從外界獲取的數據、信息和知識轉化為系統掌握知識的能力。

特征3 能夠根據外界數據、信息和知識所產生的需求，通過運用所掌握的知識進行創新的能力，這些能力包括但不僅限于聯想、創作、猜測、發現規律等，這種能力運用的結果可以形成自身掌握的新的知識。

特征 4 能夠通過聲音、圖像、文字等方式（包括但不僅限于這三種方式）將系統產生數據，信息和知識反饋給外界或對外界進行改造。

4.標準智能系統如何與外部世界以及相互之間進行知識的交互，下面我們用圖1.5進行闡述.

圖1.5 標準智能系統交互示意圖

5.從圖1.5中我們可以有產生以下幾點認識：

（1）標準智能系統的知識來源包括：從外部世界直接獲取的知識；從其他標準智能系統獲取的知識；標準智能系統在自身掌握知識的基礎上，通過創新產生的新知識。

（2）標準智能系統可以把掌握和創新的知識分解為數據、信息和知識傳遞給外部世界，也可以傳遞給其他標準智能系統，從而實現數據，信息和知識的內容同步。

（3）每個標準智能系統在交互過程中的表現會有差異，差異主要有：知識的獲取能力差異；掌握的知識庫容量的差異；對知識進行創新的能力差異；將自身掌握的知識向外部世界或其他智能系統進行傳遞時的能力差異。了解這些差異有助于我們有目的的提升其中的不足。

（4）所有的標準智能系統的知識庫會形成一個總的知識庫，這個總知識庫會伴隨標準智能系統的輸入輸入，以及創新創造而動態變化。

本文結語：

建立標準智能模型只是開展人工智能智商測試的第一步，在后續的文章中，我們將對基于這個模型的數據模型建立，對馮諾依曼架構的擴展啟發，對智能系統的分級進行描述，以及最終實現人工智能智商測試量表打下基礎。

（來源：人工智能學家公眾號，ID：AItists，作者：劉鋒、石勇）