今年3月，位于舊金山的無(wú)人駕駛卡車公司“星空機(jī)器人”(Starsky Robotics)宣告關(guān)門。創(chuàng)始人斯蒂芬·塞爾茲-阿克斯馬赫(Stefan Seltz-Axmacher)給出了失敗的幾個(gè)原因。由于一系列科技公司上市后表現(xiàn)不佳，加之貨運(yùn)業(yè)務(wù)衰退，投資者的興趣已經(jīng)開始降溫。他寫道，自己的公司重視安全性，但缺乏耐心的資方對(duì)此反應(yīng)不佳，他們寧愿看到技術(shù)花哨的新功能被源源不斷地開發(fā)出來(lái)。但最大的問(wèn)題是，技術(shù)根本無(wú)法勝任�！坝斜O(jiān)督的機(jī)器學(xué)習(xí)達(dá)不到現(xiàn)在熱炒的程度。這不是類似于c-3PO(《星球大戰(zhàn)》電影中的人形機(jī)器人)的真正的人工智能。這無(wú)非是一種先進(jìn)的模式匹配工具。”

　　監(jiān)管社交媒體，發(fā)現(xiàn)欺詐行為，在古老的游戲中擊敗人類——這些固然都很好。但是，制造一種能夠在普通道路上自主行駛的汽車(以及讓計(jì)算機(jī)與人開展聽(tīng)上去合理的對(duì)話)是現(xiàn)代AI的宏偉目標(biāo)之一。有人認(rèn)為無(wú)人駕駛汽車可以讓人們隨時(shí)召喚機(jī)器人出租車，這樣就不需要擁有汽車了。他們也相信這些車會(huì)更安全。電腦永不疲倦，也永遠(yuǎn)不會(huì)分神。根據(jù)世衛(wèi)組織的數(shù)據(jù)，每年有超過(guò)一百萬(wàn)人死于易犯錯(cuò)的人類駕駛員引發(fā)的車禍。無(wú)人車的擁護(hù)者們希望能大幅削減這些數(shù)字。

　　它們本來(lái)很快就要做到了。電動(dòng)汽車制造商特斯拉的老板埃隆·馬斯克在2015年預(yù)測(cè)，“完全自主”將在2018年到來(lái)。通用汽車在2016年收購(gòu)的無(wú)人駕駛公司克魯斯(Cruise)曾計(jì)劃2019年之前在舊金山推出無(wú)人駕駛出租車。2015年，被廣泛視為行業(yè)領(lǐng)頭羊的谷歌子公司W(wǎng)aymo的時(shí)任老板克里斯·厄姆森(Chris Urmson)表示，希望自己11歲的兒子永遠(yuǎn)不需要駕照。

　　但是進(jìn)展慢了下來(lái)。2018年，網(wǎng)約車公司優(yōu)步測(cè)試的一輛無(wú)人車在亞利桑那州撞到了一名推著自行車過(guò)馬路的女性，成為無(wú)人車致行人死亡的第一例。特斯拉的“自動(dòng)駕駛”(Autopilot)軟件雖名為“自動(dòng)”，用戶依然須將手放在方向盤上并看著路(幾個(gè)看起來(lái)沒(méi)能做到的人在事故中喪生)。極少數(shù)幾家載客的公司，例如美國(guó)的Waymo和中國(guó)的文遠(yuǎn)知行，覆蓋的地理范圍都不大，并且依賴人類安全駕駛員。已離開Waymo的厄姆森現(xiàn)在認(rèn)為這項(xiàng)技術(shù)的推廣速度會(huì)更慢、更漸進(jìn)。

　　黑天鵝和苦澀的教訓(xùn)

　　無(wú)人駕駛汽車的工作原理與其他機(jī)器學(xué)習(xí)應(yīng)用是一樣的。計(jì)算機(jī)處理大量數(shù)據(jù)以提取有關(guān)如何駕駛的一般規(guī)則。至少?gòu)睦碚撋现v，數(shù)據(jù)越多，系統(tǒng)的性能越好。特斯拉的汽車不斷將數(shù)據(jù)傳回總部，用來(lái)完善軟件。Waymo聲稱，它的汽車除在現(xiàn)實(shí)世界中行駛了數(shù)百萬(wàn)英里外，也使用模擬駕駛在虛擬環(huán)境中生成了遠(yuǎn)超過(guò)十億英里的數(shù)據(jù)。

　　澳大利亞機(jī)器人專家羅德尼·布魯克斯(Rodney Brooks)長(zhǎng)期以來(lái)一直對(duì)無(wú)人駕駛技術(shù)的輝煌未來(lái)持懷疑態(tài)度。他說(shuō)，問(wèn)題在于深度學(xué)習(xí)的方法從根本上說(shuō)是一種統(tǒng)計(jì)方法，根據(jù)由訓(xùn)練數(shù)據(jù)規(guī)定的方式把輸入與輸出聯(lián)系起來(lái)。這使它們無(wú)法應(yīng)付工程師們說(shuō)的“邊緣案例”，即訓(xùn)練數(shù)據(jù)中不常見(jiàn)的異常情況。駕駛充滿了這類怪事。其中一些是“大場(chǎng)面”，比如路上有一匹脫韁的馬，或者是輕型飛機(jī)緊急降落在高速公路上(4月份在加拿大發(fā)生)。大多數(shù)不是什么大事，例如一個(gè)人穿著小雞造型的服裝跑出來(lái)。人類駕駛員應(yīng)對(duì)這種情況一般都不假思索，機(jī)器卻步履維艱。

　　例如，一項(xiàng)研究發(fā)現(xiàn)，當(dāng)車道標(biāo)記被雪部分覆蓋時(shí)，計(jì)算機(jī)視覺(jué)系統(tǒng)就暈了。另一項(xiàng)研究發(fā)現(xiàn)，某些貼紙可能會(huì)導(dǎo)致汽車將“停車”標(biāo)志誤認(rèn)為是時(shí)速限制45英里的標(biāo)志。即使是未被遮擋的物體，如果從不尋常的方向觀察也會(huì)迷惑計(jì)算機(jī)，比如一篇論文提到摩托車被歸類成了降落傘或雪橇。塞爾茲-阿克斯馬赫說(shuō)，解決此類問(wèn)題極其困難�！昂芏嗳苏J(rèn)為完成最后10%要比前90%更難，”他說(shuō)，“但沒(méi)想過(guò)要難一萬(wàn)倍�！�

　　杜克大學(xué)人類與自主實(shí)驗(yàn)室主任瑪麗·“丫頭”·卡明斯(Mary “Missy” Cummings)說(shuō)，人類能夠更好地應(yīng)對(duì)這些怪異的情形，因?yàn)樗麄兛梢杂脤?duì)世界運(yùn)行方式“自上而下”的推理，來(lái)指導(dǎo)感官收到的“自下而上”的信號(hào)模糊或不完整的情況。AI系統(tǒng)大多缺乏這種能力，從某種意義上說(shuō)，它只能用一半的大腦工作。盡管它們?cè)谧约旱氖孢m區(qū)十分稱職，但即使是微不足道的改變也可能帶來(lái)問(wèn)題。由于缺乏推理和歸納能力，那些讓計(jì)算機(jī)能夠工作的數(shù)據(jù)也會(huì)禁錮它們。卡明斯博士說(shuō)：“這些系統(tǒng)從根本上就是脆弱的�！�

　　在無(wú)人車以外的領(lǐng)域，這種智能的狹隘也顯而易見(jiàn)。谷歌的“翻譯”系統(tǒng)在語(yǔ)言互譯方面通常都做得不錯(cuò)。但在2018年，研究人員注意到，當(dāng)被要求把連續(xù)18個(gè)“dog”譯成約魯巴語(yǔ)(尼日利亞和貝寧的部分地區(qū)使用的一種語(yǔ)言)再譯回英語(yǔ)時(shí)，它給出了這樣的譯文：“末日鐘還有三分鐘就要到12點(diǎn)。我們正在經(jīng)歷世界上的人物和戲劇性發(fā)展，這表明我們?cè)絹?lái)越接近末日和耶穌的歸來(lái)�！�

　　紐約大學(xué)的心理學(xué)教授加里·馬庫(kù)斯(Gary Marcus)表示，除了頗有些喜劇價(jià)值外，誤譯凸顯了谷歌的系統(tǒng)并不理解語(yǔ)言的基本結(jié)構(gòu)。它全然不懂動(dòng)詞或名詞之類的概念，更不用說(shuō)理解名詞指的是現(xiàn)實(shí)世界中的物理對(duì)象了。相反，它構(gòu)造了統(tǒng)計(jì)規(guī)則，將一種語(yǔ)言的字母字符串與另一種語(yǔ)言的字母字符串聯(lián)系在一起，但對(duì)這些字母所指的概念一無(wú)所知。因此，他說(shuō)，哪怕幼兒也能輕易解答的問(wèn)題也會(huì)讓語(yǔ)言處理系統(tǒng)困惑不已。

　　這些限制到底有多緊要因領(lǐng)域而異。畢竟自動(dòng)化系統(tǒng)并不一定要?jiǎng)龠^(guò)專業(yè)譯員才有用處(谷歌的系統(tǒng)之后有所調(diào)整)。但這確實(shí)也給聊天機(jī)器人或個(gè)人助手到底能做到什么程度設(shè)置了上限。而對(duì)于無(wú)人車等性命攸關(guān)的應(yīng)用，卡明斯博士說(shuō)，AI的局限性可能會(huì)成為攔路虎。

　　研究人員開始思索如何解決問(wèn)題。AI領(lǐng)域的資深活動(dòng)家約書亞·本希奧(Yoshua Bengio)在12月的一次會(huì)議中專門就此發(fā)表了主題演講。本希奧博士說(shuō)，當(dāng)前的機(jī)器學(xué)習(xí)系統(tǒng)“以一種非常狹隘的方式學(xué)習(xí)，它們需要比[人類]多得多的數(shù)據(jù)來(lái)學(xué)習(xí)新任務(wù)，它們需要人類通過(guò)標(biāo)簽提供高級(jí)概念，但仍然犯下非常愚蠢的錯(cuò)誤。”

　　超越深度學(xué)習(xí)

　　不同的研究人員對(duì)如何改進(jìn)現(xiàn)狀有不同的想法。一種想法是擴(kuò)大機(jī)器訓(xùn)練的范圍，而不單是數(shù)量。斯坦福大學(xué)AI實(shí)驗(yàn)室的克里斯托弗·曼寧(Christopher Manning)指出，相比機(jī)器，生物大腦學(xué)習(xí)的數(shù)據(jù)集要豐富得多。人工語(yǔ)言模型僅用大量的文本或語(yǔ)音訓(xùn)練。他說(shuō)，但嬰兒可以依靠聲音、語(yǔ)調(diào)或跟蹤父母的眼神，以及豐富的物理環(huán)境來(lái)幫助自己在現(xiàn)實(shí)世界中把握抽象概念。這涉及到AI研究中一個(gè)叫做“具身認(rèn)知”的古老觀點(diǎn)，它認(rèn)為如果人們要正確地理解世界，就需要充分沉浸其中，而不僅限于抽象的存在，如數(shù)據(jù)中心里的一些電脈沖。

　　生物學(xué)也提供了一些思路。布魯克斯博士認(rèn)為，當(dāng)前一代AI研究人員“迷戀”始于空白狀態(tài)的模型——?jiǎng)?chuàng)建者沒(méi)有手工置入任何提示。但是“所有動(dòng)物的大腦都有天生的結(jié)構(gòu)，”他說(shuō)，“本能就是從這里來(lái)的�！�

　　馬庫(kù)斯博士則認(rèn)為，機(jī)器學(xué)習(xí)技術(shù)應(yīng)與較早的“符號(hào)AI”方法結(jié)合使用。這些方法強(qiáng)調(diào)形式邏輯、層次類別和自上而下的推理，在1980年代最受歡迎�，F(xiàn)在，隨著機(jī)器學(xué)習(xí)方法的興起，它們已成為一潭死水。

　　但其他人則主張堅(jiān)持現(xiàn)有方法。去年，艾伯塔大學(xué)和DeepMind的AI研究人員理查德·薩頓(Richard Sutton)發(fā)表了一篇名為《苦澀的教訓(xùn)》(The Bitter Lesson)的文章，認(rèn)為AI的歷史表明，試圖將人類的理解建構(gòu)到計(jì)算機(jī)中的嘗試很少行得通。相反，該領(lǐng)域的大多數(shù)進(jìn)步都得益于摩爾定律，以及不斷引入更多蠻力計(jì)算來(lái)解決問(wèn)題的能力�！翱酀�的教訓(xùn)”是：“[人類]思想的實(shí)際內(nèi)容極度、無(wú)可救藥地復(fù)雜……這不是應(yīng)該置入[機(jī)器]的東西。”

　　在研究實(shí)驗(yàn)室之外，人們對(duì)無(wú)人車的期待正在降溫。一些中國(guó)公司正嘗試在城市基礎(chǔ)設(shè)施中構(gòu)建數(shù)字導(dǎo)軌，以減輕無(wú)人車本身的認(rèn)知負(fù)擔(dān)。同時(shí)，成熟的汽車制造商現(xiàn)在更喜歡談?wù)摗榜{駛員輔助”工具，例如自動(dòng)車道保持或停車系統(tǒng)，而不是完全自主駕駛的汽車。新一波創(chuàng)業(yè)公司則有意縮減野心，希望制造能在狹小有限的區(qū)域(如機(jī)場(chǎng)或退休社區(qū))里行駛的汽車，或在人行道上緩慢移動(dòng)、在人員的遠(yuǎn)程監(jiān)督下遞送包裹的車輛�！俺鲇诳茖W(xué)原因，我們不打算使用現(xiàn)有的技術(shù)實(shí)現(xiàn)完全無(wú)人駕駛，”卡明斯博士說(shuō)，“這些不那么宏偉的目標(biāo)——我覺(jué)得要現(xiàn)實(shí)得多�！�

　　【好詞好句】

　　1. did not go down well with impatient funders, who preferred to see a steady stream of whizzy new features 自己的公司重視安全性，但缺乏耐心的資方對(duì)此反應(yīng)不佳，他們寧愿看到技術(shù)花哨的新功能被源源不斷地開發(fā)出來(lái)

　　2. But the biggest problem was that the technology was simply not up to the job. 但最大的問(wèn)題是，技術(shù)根本無(wú)法勝任。

　　3. policing social media 監(jiān)管社交媒體

　　4. defeating humans at ancient games 在古老的游戲中擊敗人類

　　5. getting computers to conduct plausible conversations 讓計(jì)算機(jī)與人開展聽(tīng)上去合理的對(duì)話

　　6. building a vehicle that can drive itself on ordinary roads 制造一種能夠在普通道路上自主行駛的汽車

　　7. Computers never tire, and their attention never wanders. 電腦永不疲倦，也永遠(yuǎn)不會(huì)分神。

　　8. Self-driving cars work in the same way as other applications of machine learning. 無(wú)人駕駛汽車的工作原理與其他機(jī)器學(xué)習(xí)應(yīng)用是一樣的。

　　9. The more data, at least in theory, the better the systems perform. 至少?gòu)睦碚撋现v，數(shù)據(jù)越多，系統(tǒng)的性能越好。

　　10. Driving is full of such oddities. 駕駛充滿了這類怪事。

　　11. Human drivers usually deal with them without thinking. But machines struggle. 人類駕駛員應(yīng)對(duì)這種情況一般都不假思索，機(jī)器卻步履維艱。

　　12. Even unobscured objects can baffle computers when seen in unusual orientations. 即使是未被遮擋的物體，如果從不尋常的方向觀察也會(huì)迷惑計(jì)算機(jī)。

　　13. Though they are competent in their comfort zone, even trivial changes can be problematic. 盡管它們?cè)谧约旱氖孢m區(qū)十分稱職，但即使是微不足道的改變也可能帶來(lái)問(wèn)題。

　　14. These systems are fundamentally brittle. 這些系統(tǒng)從根本上就是脆弱的。

　　15. This narrow intelligence is visible in areas beyond just self-driving cars. 在無(wú)人車以外的領(lǐng)域，這種智能的狹隘也顯而易見(jiàn)。