亚历克斯威斯纳-格罗斯博士身兼多职：他在波士顿经营着一家名为Gemedy的公司，专注于人工智能(AGI)，他在哈佛大学和麻省理工学院做过许多学术任命，并为许多政府机构提供建议。他的目标是确保人工智能的好处在经济上得到重新分配。你会认为拥有这些头衔和角色的人会被人工智能的定义钉死。事实证明，人工智能定义问题的答案是复杂的，因为我们没有智能本身的准确定义。

数据驱动智能的挑战。

在最近的《今日人工智能》播客中，亚历克斯维斯纳-格罗斯教授更广泛地分享了他对人工智能和智能的见解。几年前，Alex自问AI的局限性，开始研究AI的很多关键发展，找到了一个有趣的模型。虽然很多人认为算法或数据量可能是推动AI研究发展的限制因素，但他发现随着计算消耗的增加，将数据强加到算法中可能并不是实现AI突破的真正限制因素。

威斯纳-格罗斯希望加速更先进的人工智能形式的出现。他专注于语音识别、象棋算法、识别系统和其他最先进的人工智能实现的进展，以确定任何可能的模式。他发现，在解决这些基于人工智能的挑战的三个因素中，算法往往最受关注。然而，算法只是三种人工智能限制因素之一。另外两个是训练数据集和训练环境，第二个是原始计算的局限性。

Alex发现，正在开发的解决挑战的算法和解决大挑战的数据集之间的可用性时间差几乎是一个数量级。在某些情况下，用于训练人工智能应对这些挑战的数据集仅在解决挑战前一两年可用。亚历克斯认为数据集不受欢迎，因为其他两个因素经常被过分强调。自然推测有必要关注该领域的数据集和策展环境，从而推动AI的进一步发展，并在此基础上展开竞争。然而，追求越来越大的数据集来解决更困难的问题可能是错误的。

威斯纳-格罗斯的物理学博士学位与专注于“智能物理”的计算机科学交叉。他比人类更感兴趣的是通过试图理解智力的现象学或物理学而不是智力的机制来加速超级智力的崛起。如果你看几个世纪以来的自动动力飞行，而不是理解飞行的基本物理原理，可以说人类可能早在几个世纪前就接受了这项技术。

亚历克斯研究了智力的物理等价物，并致力于优化它，不受智力过程的生物学限制。他可以基于智力被视为试图“最大化未来行动自由”的过程这一基本原则，确定一个能够重现关键动物智力测试的物理规则。

根据Wissner-Gross的说法，这是一个简单明了的概念，可以打包成一个等式，可以用于各种环境：从动物王国到金融市场或电子游戏。他认为这是一种新的智力方法，侧重于从根本上理解智力的本质及其行为的原因。他的理由是，智能本身一定有进化的原因，因此了解智能潜在的进化动机可能会解开在计算机中复制智能的秘密。类似于理解动力飞行的基本物理原理，Alex认为，理解未来最大化动作自由度的智能基本过程，可以看作是智能系统的实际基本物理过程。

这个智力的定义比其他人可能描述的更具体。从亚历克斯的角度来看，智力是基于保持期权开放的过程。他认为，这个定义比其他定义更有利于智力的发展，比如某些环境下基于奖励结构的智力，或者某些环境下能够学习的智力。在他看来，其他这些定义过于狭隘，因为智力需要能够在没有显性奖励的环境中运作，或者学习的本质不同，而不仅仅是强化学习。

智力和自私的基因。

Alex引用了理查德道金斯的名著《自私的基因》，书中描述了一个有趣的概念，那就是在我们周围的世界里，有两个稳定的系统：(1)通过招募周围的生物进行复制来复制自己的基因；(2)通过永久稳定的基因。智能实现了第二种形式的稳定。智能系统能够适应环境的变化，并通过这些适应而生存。

看待上述内容的另一种方式是看史蒂芬平克倡导的认知适应的生态位原理。基本概念是进化善于适应时间尺度长于复制时间的环境变化。如果你在培养皿中有细菌，并且在比细菌复制时间更长的时间尺度上改变环境，细菌可以适应它的环境。然而，如果你改变环境的速度超过了繁殖时间，细菌将没有时间适应它的环境。这在自然进化中留下了一个缺口，称为认知适应性小众市场。生态位只能由能以环境可能适应的方式在内部模拟的生物来填充。因此，与其依靠繁殖来依赖生物的复制，让一些生物在环境发生变化时还能生存，不如进行内部改变来模拟可能的适应环境的方式，这样可以更快地发生。心理模拟的变化比物理世界快得多。

从新的角度迎接人工智能的挑战。

Alex对未来五年AI的挑战持乐观态度。人工智能的许多工业应用都集中在狭窄的智能问题上，但真正的进步将是更具适应性的智能形式。在这些环境中，需要开发一般形式的智能。例如，亚历克斯。

克斯(Alex)相信，进步将在于在连续动作空间中进行操作的能力以及在长期时间范围内预测演变的能力。Alex相信，当AI可以获取数据并将其推算到未来时，对企业的影响将是巨大的。从这个角度来看，企业和组织可以看作是由几个较小的智能组成的大型生物，可以实现个人无法独自实现的目标。

最终，Alex相信AI的最终挑战是构建能够成功和谐地最大化未来行动自由的AI。个人的目标是生存和发展，各种规模和复杂性的组织的目标也是如此。如果我们能够理解智能的基本物理原理，就可以利用AI的真正力量并取得重大突破。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

---

免责声明： 本文由用户上传，如有侵权请联系删除！

---

标签：