無限猴子定理認為，讓一只猴子在打字機上隨機地按鍵，當按鍵時間達到無窮時，幾乎必然能夠打出任何給定的文字，比如莎士比亞的全套著作。

在這個定理中，" 幾乎必然 " 是一個有特定含義的數(shù)學術(shù)語，" 猴子 " 也不是指一只真正意義上的猴子，而是被用來比喻成一臺可以產(chǎn)生無限隨機字母序列的抽象設(shè)備。

圖｜一只黑猩猩隨機打字，只要時間足夠，幾乎必然可以打出法國國家圖書館中的每本書。（來源：維基百科）

這個理論說明，把一個很大但有限的數(shù)看成無限的推論是錯誤的，即使可觀測宇宙中充滿了一直不停打字的猴子，它們能夠打出一部《哈姆雷特》的概率仍然少于 1/10^183800。

而且，即使給無數(shù)只猴子無限的時間，它們也不會懂得如何欣賞吟游詩人詩意的措辭。

"人工智能（AI）也是如此，" 牛津大學計算機科學教授 Michael Wooldridge 這樣說道。

圖｜Michael Wooldridge

在 Wooldridge 看來，雖然 GPT-3 等 AI 模型借助數(shù)百億或數(shù)千億的參數(shù)展現(xiàn)出了令人驚訝的能力，但它們的問題不在于處理能力的大小，而在于缺乏來自現(xiàn)實世界的經(jīng)驗。

例如，一個語言模型可能會很好地學習 " 雨是濕的 "，當被問及雨是濕的還是干的時，它很可能會回答雨是濕的，但與人類不同的是，這個語言模型從未真正體驗過 " 潮濕 " 這種感覺，對它們來說，" 濕 " 只不過是一個符號，只是經(jīng)常與 " 雨 " 等詞結(jié)合使用。

然而，

Wooldridge 也強調(diào)，缺乏現(xiàn)實物理世界知識并不能說明 AI 模型無用，也不會阻止某一 AI 模型成為某一領(lǐng)域的經(jīng)驗專家，但在諸如理解等問題上，如果認為 AI 模型具備與人類相同能力的可能性，確實令人懷疑。

相關(guān)研究論文以 "What Is Missing from Contemporary AI? The World" 為題，已發(fā)表在《智能計算》（Intelligent Computing）雜志上。

在當前的 AI 創(chuàng)新浪潮中，數(shù)據(jù)和算力已經(jīng)成為 AI 系統(tǒng)成功的基礎(chǔ)：AI 模型的能力直接與其規(guī)模、用于訓練它們的資源以及訓練數(shù)據(jù)的規(guī)模成正比。

對于這一現(xiàn)象，DeepMind 研究科學家 Richard S. Sutton 此前就曾表示，

AI 的 " 慘痛教訓 " 是，它的進步主要是使用越來越大的數(shù)據(jù)集和越來越多的計算資源。

圖｜AI 生成作品（來源：Wired）

在談及 AI 行業(yè)的整體發(fā)展時，Wooldridge 給出了肯定。" 在過去 15 年里，AI 行業(yè)的發(fā)展速度，特別是機器學習（ML）領(lǐng)域的發(fā)展速度，一再讓我感到意外：我們不得不不斷調(diào)整我們的預期，以確定什么是可能的，以及什么時候可能實現(xiàn)。"

但是，Wooldridge 卻也指出了當前 AI 行業(yè)存在的問題，" 盡管他們的成就值得稱贊，但我認為當前大多數(shù)大型 ML 模型受到一個關(guān)鍵因素的限制：AI 模型沒有真正體驗過現(xiàn)實世界。

在 Wooldridge 看來，

大多數(shù) ML 模型都是在電子游戲等虛擬世界中構(gòu)建的，它們可以在海量數(shù)據(jù)集上進行訓練，一旦涉及到物理世界的應用，它們就會丟失重要信息，它們只是脫離實體的 AI 系統(tǒng)。

以支持自動駕駛汽車的人工智能為例。讓自動駕駛汽車在道路上自行學習是不太現(xiàn)實的，出于這個和其他原因，研究人員們往往選擇在虛擬世界中構(gòu)建他們的模型。

"

但它們根本沒有能力在所有最重要的環(huán)境（即我們的世界）中運行，"Wooldridge 說道。

（來源：Wikimedia Commons）

另一方面，語言 AI 模型也會受到同樣的限制?？梢哉f，它們已經(jīng)從荒唐可怕的預測文本演變?yōu)?a class="external" href="http://www.ci5987.com/tag/guge" title="查看與 谷歌 相關(guān)的文章" target="_blank">谷歌的 LAMDA。今年早些時候，一個前谷歌工程師聲稱人工智能程序 LAMDA 是有知覺的，一度成為了頭條新聞。

" 無論這個工程師的結(jié)論的有效性如何，很明顯 LAMDA 的對話能力給他留下了深刻的印象——這是有充分理由的，" Wooldridge 說，但他并不認為 LAMDA 是有知覺的，AI 也沒有接近這樣的里程碑。

" 這些基礎(chǔ)模型展示了自然語言生成方面前所未有的能力，可以生成比較自然的文本片段，似乎也獲得了一些常識性推理能力，這是過去 60 年中 AI 研究的重大事件之一。"

這些 AI 模型需要海量參數(shù)的輸入，并通過訓練來理解它們。例如，GPT-3 使用互聯(lián)網(wǎng)上千億級的英語文本進行訓練。大量的訓練數(shù)據(jù)與強大的計算能力相結(jié)合，使得這些 AI 模型表現(xiàn)得類似于人類的大腦，可以越過狹窄的任務，開始識別模式，并建立起與主要任務似乎無關(guān)的聯(lián)系。

（來源：OpenAI）

但是，Wooldridge 卻表示，基礎(chǔ)模型是一個賭注，" 基于海量數(shù)據(jù)的訓練使得它們在一系列領(lǐng)域具備有用的能力，也進而可以專門用于特定的應用。"

" 符號人工智能（symbolic AI）是基于‘

智能主要是知識問題’的假設(shè)，而基礎(chǔ)模型是基于‘智能主要是數(shù)據(jù)問題’的假設(shè)，在大模型中輸入足夠的訓練數(shù)據(jù)，就被認為有希望提高模型的能力。"

Wooldridge 認為，為了產(chǎn)生更智能的 AI，

這種 " 可能即正確 "（might is right）的方法將 AI 模型的規(guī)模不斷擴大，但忽略了真正推進 AI 所需的現(xiàn)實物理世界知識。

" 公平地說，有一些跡象表明這種情況正在改變，" Wooldridge 說。今年 5 月，DeepMind 宣布了基于大型語言集和機器人數(shù)據(jù)的基礎(chǔ)模型 Gato，該模型可以在簡單的物理環(huán)境中運行。

" 很高興看到基礎(chǔ)模型邁出了進入物理世界的第一步，但只是一小步：要讓 AI 在我們的世界中工作，需要克服的挑戰(zhàn)至少和讓 AI 在模擬環(huán)境中工作所面臨的挑戰(zhàn)一樣大，甚至可能更大。"

在論文的最后，Wooldridge 這樣寫道：

" 我們并不是在尋找 AI 道路的盡頭，但我們可能已經(jīng)走到了道路起點的盡頭。"對此，你怎么看？歡迎在評論區(qū)留言。