據(jù)英國每日郵報(bào)報(bào)道，當(dāng)英國劇作家道格拉斯?亞當(dāng)斯（Douglas Adams）寫《銀河系漫游指南》時(shí)，他寫道這樣一句話：“有關(guān)生命、宇宙和萬物的終極問題的答案是42。”然而，谷歌的最新機(jī)器人對(duì)此可能并不贊同。這家科技巨頭的研究人員近期訓(xùn)練電腦進(jìn)行對(duì)話，然而提出一系列有關(guān)技術(shù)支持、常識(shí)甚至哲學(xué)的一系列問題。當(dāng)問及生命的意義時(shí)，機(jī)器人回答道：“為了永生。”
生命的意義是什么
這個(gè)名為神經(jīng)(感知)會(huì)話模型的“對(duì)話模型”是由谷歌大腦的科學(xué)家研究員奧利奧爾?溫雅爾斯(Oriol Vinyals)和吳恩達(dá)（Quoc Le）建立的。他們使用了所謂的串聯(lián)順次框架，也即模型是通過預(yù)測對(duì)話里的下一句話進(jìn)行對(duì)話。取決于所問的問題，它可以從各種數(shù)據(jù)集里收集信息，包括IT幫助臺(tái)手冊、電影和字幕數(shù)據(jù)庫，書籍里的引用等等。
使用了串聯(lián)順次框架，也即模型是通過預(yù)測對(duì)話里的下一句話進(jìn)行對(duì)話
例如，在技術(shù)支持問答環(huán)節(jié)里，機(jī)器可以利用用戶的虛擬隱私網(wǎng)絡(luò)診斷問題，繼而解決瀏覽器崩潰的問題。然后，它被要求進(jìn)行日常對(duì)話，例如它問人類有關(guān)他們自身的問題并對(duì)答案做出回應(yīng)。一旦它被訓(xùn)練后，研究人員就開始詢問更加復(fù)雜和高級(jí)的問題，這些問題或者涉及使用更大數(shù)據(jù)庫來回答常識(shí)問題，或者要求更加模糊的回答，例如道德、宗教和生命的意義。
結(jié)果產(chǎn)生了非?；祀s的結(jié)果。機(jī)器可以正確的鑒別盧克天行者、貓是否會(huì)飛以及天空的顏色。當(dāng)問及什么是生命的意義時(shí)，它回答“為了服務(wù)大我”，以及生存的意義是“永恒的生活”。
機(jī)器人無法確定情緒的意義
然而它無法確定情緒的意義，且當(dāng)被問及道德和利他主義時(shí)它似乎非常困惑。例如它表示有孩子是永生的，利他主義的定義是“如果你不相信上帝，那么你一無所知。”此外，它也無法回答一個(gè)簡單的數(shù)學(xué)問題，且認(rèn)為一只蜘蛛有三條腿。
“對(duì)話建模是自然語言理解和機(jī)器智能里的一個(gè)重要任務(wù)，”研究人員這樣解釋道。 “盡管存在先前的方法，但它們往往受限于特定的領(lǐng)域（例如定航空機(jī)票）并要求人為制定的規(guī)則。在這篇文章里，我們提出了針對(duì)這一任務(wù)的一個(gè)簡單方法，它使用了近期提出的串聯(lián)順次框架。我們發(fā)現(xiàn)這個(gè)直接的模型可以產(chǎn)生一個(gè)常用訓(xùn)練數(shù)據(jù)集里的簡單對(duì)話。”本月上旬谷歌發(fā)布了一系列圖片來幫助解釋它的系統(tǒng)是如何學(xué)習(xí)的以及當(dāng)出錯(cuò)時(shí)會(huì)發(fā)生什么。
當(dāng)將一張圖片插入神經(jīng)網(wǎng)絡(luò)里，并要求機(jī)器強(qiáng)調(diào)它可以識(shí)別的特征，在這個(gè)例子里是指動(dòng)物，就會(huì)創(chuàng)造圖像。“人工神經(jīng)網(wǎng)絡(luò)在圖像分類和語言識(shí)別方面取得了突破性的進(jìn)展，”谷歌人工智能小組的亞力山大?莫爾德溫采夫（Alexander Mordvintsev）、克里斯托弗?歐拉（Christopher Olah） 和邁克?特卡（Mike Tyka）這樣說道。
“盡管這是基于已知數(shù)學(xué)方法的非常有用的工具，對(duì)于為什么某些模型有效而其它模型無效方面，我們的了解出人意料的有限。”谷歌訓(xùn)練了一個(gè)人工神經(jīng)網(wǎng)絡(luò)，它主要是不斷的展示上百萬張訓(xùn)練圖像例子然后逐漸調(diào)整網(wǎng)絡(luò)參數(shù)直到它產(chǎn)生了研究小組希望獲得的分類。研究小組甚至給這些圖像取名為Inceptionism。
愛德華·蒙克（Edvard Munch）的《吶喊》便是被分析的圖像之一。
這個(gè)網(wǎng)絡(luò)一般包含10到30個(gè)堆疊的人工神經(jīng)元層。每一張圖像都被放在輸入層，后者會(huì)與下一層會(huì)話，直到到達(dá)“輸出”層。這個(gè)網(wǎng)絡(luò)的答案來自最終的輸出層。通過這個(gè)過程，這個(gè)軟件逐漸了解到了它認(rèn)為物體應(yīng)該的樣子。當(dāng)利用谷歌人工智能進(jìn)行多次分析后，創(chuàng)造一種反饋回路并不斷放大這個(gè)網(wǎng)絡(luò)最熟知的東西后——在這個(gè)例子里是指動(dòng)物——一張看似簡單的云圖片里被發(fā)現(xiàn)有好多只動(dòng)物。研究小組甚至對(duì)人工智能進(jìn)行編程試圖鑒別整個(gè)物體，產(chǎn)生了一些很好笑的結(jié)果。
