尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
如今的人工智能，其實智能的成分很少。在事先明確環境和問題的前提下，基於算法和大數據的深度學習，人工智能系統的確都能有不錯的表現。
這就是為什麼GoogleAlphaGo以4:1戰勝圍棋世界冠軍、職業九段棋手李世石；漢森機器人索菲亞能對著你口吐蓮花，以「就像活人的AI」招牌狂言想要毀滅人類。
AI研究的真實狀態其實遠遠落後於我們所相信的技術神話。雖然大多數研究成果是真實的，但有很多是借助人工智能話題的炒作。
我們對於AI的最終夢想，是讓機器擁有自主思考能力並非「培訓考核」。檢查機器是否真的擁有智能，讓機器通過圖靈測試就可以，但直到今天圖靈測試依然沒有被突破，這或許是件好事也是件壞事。如果我們不以更健康的現實主義和懷疑態度對待人工智能，那麼這個領域或許永遠停留在車轍中。
近期剛拉開序幕的，由英國帝國理工學院和劍橋大學共同組織的「動物 vs AI奧運會」是一項有趣的競賽實驗。更有嚼頭的是，就像組織者成員之一Matthew Crosby所說的那樣，這場競賽對於參與者和創辦者都是不可控且極具顛覆的。
真正的競賽，最終賽場布置只能「當天見」
較新的AI「培訓課程」正在使用隨機生成的環境進行測試和開發，正如這場「動物 vs AI 奧運會」。
競賽組織已經公布大約50項關於動物的智能文獻研究，參賽隊伍即可根據公開的大量培訓環境和對象進行AI動物智能體的「大腦」構建。
這是一個泛化的挑戰，所以在訓練測試中他們必須以不同的方式使用對象，同時也要使對象學會適應環境。挑戰者們需要自己進行場景設置和互動，最終提交一個像動物一樣進行食物獵取活動的智能體。
「這場比賽的重點是AI沒見過的任務，所以最終比賽現場什麼樣，只有當天才知曉。」賽事組織者之一Matthew Crosby說。雖然不能對最終比賽進行「泄題」，但是在50項關於動物的智能文獻研究中潛藏著一些有趣的例子供參賽者構建AI智能體的大腦。
模擬動物獲得的智能體示例圖例如一個經典的實驗，在動物面前倒置一些不透明的杯子，在其中一個杯子下放了一些食物，動物的任務是取回食物。起初每次都把食物放在A杯（相當於訓練階段），然而在最終比賽現場，這個食物會被放在B杯下。對於有些動物，比如黑猩猩，他們會直接選擇B杯，但有些動物會選擇A杯，因為他們通過記憶學習完成這項任務。
再例如一個從伊索寓言中汲取靈感得到的實驗：一只烏鴉能學會叼起巖石投入水中，使水位上升到足夠。但在實驗中，可以設置既有巖石也有軟木塊的環境，烏鴉要學會選擇巖石而不是軟木塞投入水中。
「這些測試捕獲了人工智能研究中很多被認為相當困難的元素，比如推廣知識、轉移學習、綜合新信息、甚至可能創造性解決問題。參賽者們要面對大量不同環境的訓練集，以應對最終未知的競賽場景。」Matthew Crosby解釋道。
烏鴉在面對水和沙子時能做出正確選擇「10項關卡」見分曉，AI想贏不容易
比賽共分為十個等級，測試是否成功取決目標做到程度。對大多數動物來說，能解決的是基礎範圍，只有少部分動物能解決的是困難且等級高的實驗。
「覓食測試」是入門測試。可以考驗AI智能體獲取食物的能力，短時間能獲取食物越多則越強。
「偏好測試」，則進一步考核智能體的則優能力。盡管對於不同動物來說會存在方式差異，但幾乎所有動物都會用最簡單高效的方法獲得食物，其中有些動物對最有益的長期行為作出複雜的決定。
「障礙測試」、「弊害測試」、「空間推理測試」、」內部模型測試「，將從智能體的行動、規避風險、導航規劃、視覺輸入記憶上考研智能體的多項能力。
AI智能體也要面對和狗一樣類似的障礙測試「泛化測試」，這一級包括一些看起來與之前測試有所不同的環境，但解決方式還是一樣的，不挑剔的智能體才有希望通關。
「物體存繼性測試」，當一個物體從視野中消失，很多動物都能理解它依然存在的，這是人類認知範圍能理解但AI不能的，如果不能理解這一特性，很多簡單的人機交互就很難做到，開發者如何將這一點編制進AI將是競賽一大亮點。
「高級偏好設置」，意味著智能體通過更複雜的決定獲取更高級別的獎賞。
「因果推理測試」作為最終測試，希望看到智能體提前策劃並在未實施之前就能預想到結果的能力。這種測試已經在一些動物身上得到驗證。
如今這場虛擬奧運會比賽上線，獎金達到3.2萬美金，比賽最終結果會在2019年12月公布。到那時我們才會清楚地了解現代人工智能否比烏鴉、狗或黑猩猩更聰明。這段等待的時間能發生什麼還是令人無比期待的。
競賽場地模擬圖這場虛擬奧運是AI的一次突破機遇
假設我們看到一條新聞，例如「某某AI智能體達到了老鼠的水平」，大多數人可能不為所動甚至嗤之以鼻：達到區區一個老鼠的智能水平算什麼。要真算起來，離動物們我還差得很遠。
最先進的AI可以超過人類成為最好的圍棋選手，最好的醫生，甚至智力競賽冠軍，但依舊無法與簡單的動物競爭，以適應環境中的意外變化。通常AI基準測試涉及掌握單個任務，沒有自由意志，也沒有意識，它們僅僅是遵循智能人員定義的流程的產品，不能自己做決定。
網紅機器人Sophia是否是人工智能炒作的產物我們最好的機器學習算法通常只是記憶和運行統計模型，幾乎任何自動執行某項操作的計算機程序都被稱為AI。比如在圍棋比賽中擊敗一個大師，機器被學習規則，從對手的視頻里「偷師學藝」再「過河拆橋」。
比如深度學習和神經網路在內的機器學習中，人們通過算法以及標記包含大量訓練的數據集，不斷訓練機器直到它可以自己完成任務。再如臉部識別軟件，從數千張臉部照片或視頻送入系統，直到它可以更準確的從未標記的樣本中檢測到臉部。
但將以上相同的AI系統應用於完全不同的任務時，它們就會變成一個「廢物」。這些缺陷對AI的研究人員來說並不是秘密，不過這些機器學習系統常常會被吹捧為人工智能最前沿的成果。事實上，他們並沒有真的智能。
一只烏鴉會把巖石投入容器中，使水面上升解決口渴問題。狼群必須要在廣闊的荒野中學會自食其力。動物們面對的大多數問題並沒有明確定義的環境，也沒有具體的數據庫去跑程序，並有檢查糾錯總結經驗。
這就是動物和AI較量的虛擬奧運會提出的AI要實戰的兩個問題：如何做到強化學習的泛化能力？當前的強化學習算法和動物學習之間有多大的差異？
這場競賽的10級測試，均在不同的動物身上得到測試，AI智能體想要戰勝動物，不僅要完成而且效率成果還更突出。對於泛化能力還未有突出效果的AI研究領域來說，想要贏得這場比賽真的不容易。
競賽組織成員Matthew Crosby表示：「雖然我們都希望AI能在這場比賽中表現的優秀一點，但就算都失敗這也不是一次性競賽。我們希望用AI製造一個像動物的智能體，它總是想方法獲得最多的食物，當不易獲取食物時，它也應該熱衷於探索環境，並在面對多種可能性的環境里做出明智的決定。」
在到達人腦之前，AI不得不先經過動物世界的考驗。
>動物 v.s. AI奧運會：你會賭一只鳥還是機器人奪冠？