人工智能只是优秀的曲线拟合吗？ 这两年间，关于这个观点的讨论一直没有停止，图灵奖获得者、贝叶斯网络之父Judea Pearl也参加了。 他自嘲自己是AI社区的反叛者，认为人工智能的发展因没有完全理解其对人类智能的真正意义而受到阻碍。 他曾经说过，人工智能领域的技术水平不过是上一代机器已经有的功能强化版。 发现了大量数据中隐藏的规律性。 令人印象深刻的深度学习的成果都不过是曲线拟合。 从语音识别、图像识别、到与人类的对话，这些都不能称为“智能”，而只是“曲线拟合”的结果吗？

确实，目前软件智能水平上的一系列进步是以机器学习和深度学习为支撑的AI技术体系。 但是，近两年来，越来越多的人在讨论这种软件是否具备真正的“智能”。 虽然采用人工智能技术的软件确实在许多领域保持着快速的发展势头，但学者和怀疑论者们表示，这种算法和理想的智能算法仍然存在巨大而无法弥补的差距。

什么叫做“智能”？

智能的定义可以追溯到古希腊时代的哲学家们。 他们主要关注人和动物的差异。 亚里士多德曾经说过，受过良好教育的思维的一大特征是能够理解自己不认同的主张。 那时的他当然不认为自己的格言现在也适合区分智力和人。

即使是现在，机器也不能独立提出思想和假设，也不能相互测试，也不能根据逻辑推理和实验结果，即科学方法的核心原理接受和拒绝某个论点。 虽然抗御性网络等各种形式的AI也有可能通过相互碰撞来达到最佳结果，但很少有人把这样的算法推理称为“智能”。

相反，这在原理层面上只是相当简单的方法。 两个神经网络利用同一数据集进行交叉，获得精度超过单一神经网络的处理模型。 当然，这种方法在实现既定目标方面表现得更为有效。

人与机器核心智能的区别在于定义目标，在实现目标过程中找到合理性的能力。 也可以将其表达为区分因果关系的能力。 例如，一两个事件经常同时发生，但并不是一个事件引起了另一个事件。 在公共语言中，这种因果关系谬误是最常见的逻辑错误之一。 图灵奖获得者、贝叶斯网络之父Judea Pearl也认为，机器学习和人工智能领域未解决的课题本质上与因果相关。

AI：到底是在学习还是在描述？

AI研究者之间讨论的另一个新问题是目前的机器学习和深度学习技术是否代表了新的算法推理形式。 或者说，这只是描述性统计和曲线拟合等现有数学技术的进一步扩展。

支持后一种观点的阵营人才丰富，Judea Pearl亲自写了一本研究因果科学的新书。 这项研究也引起了关于人工智能的未来和深度学习是否会带来接近人类的通用智能的讨论。

Pearl在此前的采访中展示了一些敏锐的观察：

在深入研究深度学习的过程中，我们发现所有这样的算法都停留在关联这个层面上。 也就是曲线拟合。 虽然这听起来很轻蔑，但我必须承认，深度学习的所有令人印象深刻的成果实际上都是将曲线拟合到数据上。 从数学的角度来看，无论深度学习模型如何能够熟练地操作数据，以及在操作数据时引入了哪些变量，整个过程无论多么复杂和复杂，其本质仍然只是曲线拟合运算。

本质上，深度学习是一种通用性强的曲线拟合技术，可以识别以前无法发现的模式，推测趋势，对各种问题做出预测性的结果。 当然，曲线拟合在表示给定的数据集时也存在一定的风险。 这就是过拟合。 具体来说，算法可能无法识别数据的正常波动，最终为了吻合度，将噪声视为有效的信息。

点击“了解更多”，查看原文内容。