人工智能
罗纳德·T·克纽塞尔，”人工智能是如何工作的：从巫术到科学” 作者 – 采访系列
我们最近收到了罗纳德·T·克纽塞尔的书《人工智能是如何工作的：从巫术到科学》的预发行版。我已经读过60多本关于人工智能的书，其中一些书确实很重复，但这本书却提供了一个新鲜的视角，我喜欢这本书足以将其添加到我个人推荐的最佳机器学习和人工智能书籍列表中。
《人工智能是如何工作的：从巫术到科学》是一本简洁明了的书，旨在阐明机器学习的核心基本概念。以下是对作者罗纳德·T·克纽塞尔的一些提问。
这是您第三本人工智能书籍，前两本书是：《实用深度学习：基于Python的介绍》和《深度学习数学：理解神经网络需要知道什么》。您最初写这本书的初衷是什么？
不同的目标受众。我的前两本书是为那些有兴趣成为人工智能从业者的入门书。这本书是为一般读者而写的，人们在新闻中听到很多关于人工智能的内容，但他们没有人工智能的背景知识。我想向读者展示人工智能从哪里来，它不是魔术，任何人都可以理解它的工作原理。
虽然许多人工智能书籍倾向于泛泛而谈，您却采取了相反的方法，非常具体地教授各种术语的含义，甚至解释了人工智能、机器学习和深度学习之间的关系。您为什么认为这些术语之间存在如此多的社会混淆？
为了理解人工智能的历史和为什么它现在无处不在，我们需要理解这些术语之间的区别，但在流行用法中，使用“人工智能”这个词是合理的，主要指的是那些正在以如此快速的速度改变世界的人工智能系统。现代人工智能系统源自深度学习，深度学习源自机器学习和人工智能的联结主义方法。
第二章深入探讨了人工智能的历史，从塔罗斯的神话（一个巨大的机器人，用于守护腓尼基公主）到阿兰·图灵1950年代的论文《计算机和智能》，再到2012年深度学习革命的出现。为什么掌握人工智能和机器学习的历史对于全面理解人工智能的演变至关重要？
我的初衷是展示人工智能并不是凭空出现的。它有历史、起源和演变。虽然大型语言模型的新兴能力令人惊讶，但通往它们的道路并不是。它是几十年的思考、研究和实验的结果。
您专门用一章来解释传统人工智能系统，例如支持向量机、决策树和随机森林。为什么您认为完全理解这些经典人工智能模型非常重要？
人工智能作为神经网络，只是对优化基模型的另一种方法。它是对开发某个过程、某个函数（将输入映射到输出）的模型的不同理解。了解早期模型有助于理解当前模型的来源。
您认为OpenAI的ChatGPT的LLM模型标志着真正人工智能的黎明。您认为与以前的方法相比，这种方法的最大变化是什么？
我最近观看了一段来自20世纪80年代的理查德·费曼的视频，他试图回答关于智能机器的问题。他说他不知道什么样的程序可以表现出智能行为。从某种意义上说，他在谈论符号人工智能，即智能的奥秘在于找到使智能行为成为可能的逻辑运算序列等。我曾经也想知道，像许多人一样，如何编程实现智能。
我的信念是，你真的不能这样做。相反，智能是从足够复杂的系统中产生的，这些系统能够实现我们所说的智能（即我们）。我们的脑部是基本单位的庞大网络。这也是神经网络的特点。我认为变压器架构，如LLM中所实现的那样，已经偶然发现了一种基本单位的类似安排，这些基本单位可以共同工作以使智能行为产生。
一方面，这是终极的“快乐事故”，另一方面，一旦基本单位的安排和允许的交互发生，智能行为的出现就不应该太令人惊讶。很明显，变压器模型是一种这样的安排。当然，这引发了一个问题：还有什么其他这样的安排？
您的主要信息是，现代人工智能（LLM）在其核心，只是一个通过反向传播和梯度下降训练的神经网络。您是否对LLM的有效性感到惊讶？
是和不是。我在使用它们时不断被它们的回应和能力所震惊，但参考前面的问题，涌现的智能是真实的，所以为什么它不会在一个足够大的模型中出现合适的架构？我认为，早在弗兰克·罗森布拉特的时代，甚至更早，研究人员可能也曾有过同样的想法。
OpenAI的使命宣言是“确保通用人工智能——比人类更聪明的人工智能系统——能够造福整个人类”。您是否相信AGI是可以实现的？
我不知道AGI是什么意思，就像我不知道意识是什么意思一样，所以我很难回答。就像我在书中说的那样，可能很快就会有一个时候，关心这些区别是没有意义的——如果它像鸭子一样走路，像鸭子一样嘎嘎叫，那么就把它当作鸭子并继续吧。
开玩笑的答案放在一边，完全有可能，某个时候，人工智能系统可能会满足许多关于意识的理论。我们是否希望完全有意识（无论这真正意味着什么）的人工智能系统？也许不是。如果它是有意识的，那么它就像我们一样，是一个有权利的个体——我不认为世界已经准备好面对人工个体。我们已经很难尊重我们人类同胞的权利，更不用说任何其他类型的生物了。
在写这本书的过程中，您是否有任何惊讶的发现？
除了像其他人一样对LLM的涌现能力感到惊讶之外，没有什么特别的惊喜。我在20世纪80年代作为一名学生学习人工智能，开始在2000年代初期使用机器学习，并在2010年代初期参与深度学习的发展。我和其他几千人一起，亲眼目睹了过去十年的发展，随着会议的增长，领域也在迅速发展。
