【代码之外】丁源森／论AI的养成与黯然销魂饭

这里比较经典的一个例子是，比如说你在ChatGPT里输入：国王（King）减掉男人（Man）加上女人（Woman）。ChatGPT给你的回答会是女王（Queen）。这展示了机器不是简单地记住词汇，而是理解了其内在关系。例如，它把“国王”解构成“权利+男人”，所以当你减去男人再加上女人的时候，那这时是“权利+女人”，所以可以对应的是女王。

看官也可以试试在ChatGPT上输入“Laksa-槟城+怡保”，回答是河粉。

知识图谱与认知过程

电脑学习在某种程度上是对世间万物信息的一种内建压缩。正因为这种内建的知识结构，机器学习才表现出了所谓的“智能”。这与人类的认知过程颇为相似。

很多人错误地认为眼睛就像照相机，完整复制进入视野的所有信息。但实际上，如果我们的眼睛真的每一秒都要完整成像，那会对我们的能量造成巨大的消耗。正如计算机的学习模式，我们的大脑接收的信息其实是非常碎片化的。而是根据大脑内建的世界认知，在大脑中用部分信息自动重塑整体。

正因为我们的感觉器官都在重塑信息，我们会被一些光学幻觉所欺骗。比如，两个实际身高相同的人在某种背景下，可能看起来一个比另一个高。这是因为，我们大脑运用了我们对于世间的内建规律去补全信息。当你刻意去打破这些规律时，重塑起来的成像就会偏离原型。

大家可能还记得AlphaGo与李世石的围棋比赛。尽管人类在多数情况下都溃败了，但在第四局中，李世石下了一步意想不到的棋。这像光学幻觉一样，超出了AlphaGo的内建知识图谱的范围，导致它连续走了若干“臭棋”，从而让人类扳回一局。其中的道理也是一样的。

超越棋局：机器学习的变革

如何构建知识图谱一直是电脑学习的6关键，但这也是我们长久以来的盲区。

在深度学习兴起之前，比如在国际象棋方面，我们人类对我们从经验得来的方法论是非常自信的，所以大部分的下棋机器，都有一堆我们人类的经验规则。尽管机器里面有“学习”的成分，但是这就有点像做佛跳墙。我们一开始就决定了要用哪一些食材，认为这些食材和食谱上的方式必然就是最好的。

计算机学习界的权威人物瑞奇·萨顿（Rich Sutton）在其“苦痛的教训”博客中深入批评了这种自以为是的态度。我们经常认为自己对这个世界的解读方式是最佳的，但多次的失败证明这种思维方式是短视的。

过去10年里，计算机学习领域的大部分突破，无论是AlphaGo的升级版AlphaZero还是现有的ChatGPT，都采取了一种更自然的“黯然销魂饭”的做法，即让机器在尽可能少的人为干预下自主学习如何从数据中发现规律。而瑞奇·萨顿认为，鉴于计算机的计算能力将会持续指数增长（也就是所谓的摩尔定律），让机器自我学习才是最佳选择。

写到最后，我还是担心这种计算机“自我”学习的描述可能会让一些人感到不安。但是，还是接我们上一篇聊到的，这种自主其实和我们认知中的“自主意识”是完全不同的概念。

还是那句，这些机器学习模型仅仅是对大量信息进行解析、分类和抽象链接——就像那个国王的例子一样。当我们使用Google搜索或浏览抖音推荐时，这种信息解构和分类的概念早已融入我们的生活中。

与其毫无根据地感到担忧，不如静下心来享受一顿美味的黯然销魂叉烧饭。

作者简介：
吉隆坡中华独中毕业生，2017年美国哈佛大学毕业，2019年获得美国NASA哈勃奖学金，于美国普林斯顿高级研究院（IAS）研究天体物理，现任澳洲国立大学电机系和天体物理系副教授，专注于利用机器学习技术研究天文大数据的统计推理。

更多相关文章：
【代码之外】丁源森／AI、ChatGPT与我妈的扫地机器人