怎样实现强人工智能? 第1页

现在主流ai的发展程度达到了弱认知推理，但是还无法达到强认知推理的能力，也就很难释放更大的商业落地空间。现有的ai发展路径，仍在数理逻辑表征、复杂系统进化两个方向上摇摆，准确的说，复杂系统（类脑系统的物质基础）进化是基础，数理逻辑(类人ai的意识基础)表征是方向，抛开一方而独尊一方的研究，很难说会有成功的可能性。

现有ai的发展目标，是在一定程度上模仿人脑的能力：首先是不论数据集的大小，都能高效的压缩信息、剪枝主成分、形成/修缮逻辑链的能力，统称因果推理、认知推理能力。其次，是短时间内处理多线程任务的能力。第三，能够根据应用需要，将ai的功能有效输出到各类或简单或复杂、或宏观或微观的应用场景中去。

以上的目标，对ai的要求：一是能够在复杂系统模型——如深度学习的基础上，不断调整优化权重链接，使所有神经元链接(即神经网络)的复杂性、通用性、准确性都能达到类似人脑的水平，二是综合控制、动态实时训练/推理、权重压缩剪枝存储等核心功能区之间的组合形态可以高效的维持ai的认识功能。

问题在于，人类要求ai实现的能力水平，是人类族群作为一个复杂系统整体，其大脑经历漫长的时间进化后，吸收了足够多的样本多样性和与外部世界的优化反馈后，才在族群内部所有大脑中形成的一个具备智能性的能力矩阵，这些能力其实是非常艰难才能够进化出来的，很多其他大型哺乳类动物，只能进化出功能脑，而无法进化出智能脑，二者就像nokia手机和apple手机的区别。

为了帮助ai突破智能脑这一困难，就要首先确定好ai的载体与基础，再对其提供可升级进化的方案。

对ai来说，其载体与基础仍是要基于仿生路线，从第一代类脑复杂系统——深度学习模型出发，通过定向进化的方式，不断提升其权重链接的复杂性，形成基于统计学的类因果推理能力：基于真实数据、依靠统计学方法提炼出的主成分要素，对其要素群反复进行压缩并萃取出符合数学物理原则的权重链接方式，正向形成ai自己的“因果模型、知识的提炼/修缮系统”，而不是依赖人类现有知识逆向为ai规定固定死的思考逻辑。

ai的载体基础是复杂系统形态的（如深度学习模型），这一系统由存算一体的人造神经元组成，这些人造神经元之间的有效连接所形成的拓扑结构即为ai的本体，人造神经元之间的有效连接(或可称为权重)及其拓扑结构也是进化训练的主要对象，当其进化到一定程度，需要对知识压缩/调取管理、实时思考管理、能量分布管理、信息传递管理等功能进行功能区划分(像人脑进化出的结构一样)时，要进一步研究其功能区之间如何互相配合的问题。

而在进化方案上，一方面通过对ai灌输经筛选的、海量的、多样化、特征性突出的结构化/非结构化数据，另一方面，将人类经研究已经确定的基础知识结构、认知模型，将其通过权重链接组合的形式表征出来(这些知识结构和模型，如因果关系等12大范畴是ai与人类沟通的基础，保证ai沿着与人类可沟通的方向进化，这也是实现ai可解释性的必然选择)——这也正是康德以降，直至judea pearl等几代学者所研究的，如何用数学方式表达因果关系等人类的基础认知范畴。

最终目的是使ai在短时间内完成人脑上亿年的进化路程，达成“接近当下人脑智能水平、并与之有效交互”的工程结果