车里没有精神
在过去的几年中，媒体充斥着对人工智能（AI）和机器学习（MO）技术的夸张描述。 似乎在计算机科学领域从未发生过这样的事情，以至于许多人对发生的事情只有很小的想法，就做出了如此多的荒谬说法。 对于任何在1980年代积极涉足先进计算机设备的人来说，这似乎很奇怪。
在本月的《大西洋》杂志上，知识分子和畅销书作家
斯皮恩斯（Sapiens）飞跃
，《人类与
人类的简史：明天的简史》 ，
尤瓦尔·诺亚·哈拉里 （
Yuval Noah Harari） 描述了人工智能对民主
的影响。 本文最有趣的方面是Harari对现代AI技术的能力过分相信。 他将
DeepMind的国际象棋程序Google朋友形容为“创意”，“富有想象力”和“精明的本能”。
在空军的
纪录片《喜悦的AI》中，吉姆·哈利里教授和DeepMind的创始人Demis Hassabis描述了AI系统如何“实现了真正的发现”，“能够真正产生新的想法”并开发了“独立发明的策略”。
而且，如果使用类似的夸张和拟人流来描述愚蠢和机械的系统，那么现在该回到基础上来测试现实了。
对计算机技术的讨论通常是通过神话，隐喻和人类对屏幕上出现的内容的解释而发生的。 诸如“直觉”，“创造力”和较新的“策略”之类的隐喻是新兴神话的一部分。 AI专家会在AI游戏中找到模式并将其称为“策略”，但神经网络不知道策略是什么。 如果有任何创造力，那么它属于DeepMind的研究人员，他们负责开发和管理培训系统的流程。
当今的AI系统基于大量的自动试验和错误训练。 在每个阶段，都采用
反向传播技术来传输有关错误的信息，并对系统进行微调，以减少将来的错误数量，这逐渐提高了AI在执行某些任务（例如下棋）时的有效性。
AI，MO等的有效性激增。 “深度学习”（GO）大部分基于此反向传播技术的应用。 它最早是在1960年代发明的，并在1980年代由Joffrey Hinton应用于神经网络。 换句话说，在过去的30多年中，人工智能没有取得重大的概念进展。 AI研究和媒体文章的大多数结果都表明，当大量昂贵的计算设备和精巧的广告活动投入到旧思想的执行中时，会发生什么。
不能说DeepMind没有做有价值的工作。 机器在创建新策略和构想方面的辅助工作是一件有趣的事情，特别是如果由于机器的复杂性而使机器的操作难以理解时。 在我们的世俗文化中，技术的魔力和奥秘吸引着人们，而在一个干燥而合理的工程领域中赋予神秘的图像只会是有益的。 但是Google朋友机器没有精神。
铁与软件，模拟与数字，汤普森与哈萨比斯
围绕DeepMind机器的所有炒作使我想起了几十年前在一个完全不同的，甚至可能更深的“机器学习”系统出现之后的激动。
1997年11月，萨塞克斯大学计算神经生物学和机器人中心的研究人员Adrian Thompson的
工作登上了《新科学家》杂志的封面，并发表了
文章 “史前硅的创造-我们在电子实验室中释放达尔文主义，并观察它的创造。” 没人能理解的一辆艰难的汽车。”
汤普森（Thompson）的工作引起了一定的轰动，因为他拒绝了风俗习惯，并启动了电子设备中MO系统的发展，而不是像其他所有人一样使用编程方法。 他之所以决定这样做，是因为他意识到数字软件受到构成任何数字计算机的信号处理大脑的开关的开/关二进制特性的限制。
相反，人脑的神经元已经进化为参与各种微妙的，有时难以理解的复杂的物理和生化
过程 。 汤普森建议，使用自然选择的自动过程来开发计算设备可以利用硅固有的现实世界的所有模拟（无限变化）物理特性，而硅是构成最简单的数字计算机开关的原因-可能会产生类似于有效的东西。人脑组件的模拟工作。 他是对的。
在他的实验室中，汤普森领导了FPGA配置的发展（一种数字硅芯片，可以不断重新配置其数字开关之间的连接），以教他如何分离两个不同的音频信号。 在看完芯片内部以了解进化过程如何调整开关之间的连接后，他指出了一个令人印象深刻的有效工作方案-它仅使用了37个组件。
此外，数字工程师不再理解由此产生的进化方案。 37个组件中的一些没有与其他组件连接，但是当它们从电路中删除时，整个系统停止工作。 对于这种奇怪情况的唯一合理解释是，系统在其类似的数字组件之间使用了某种神秘的电磁连接。 换句话说，进化过程采用了来自现实世界的系统组件和材料的模拟特性，以便执行其“计算”。
那是大脑爆炸。 我在1990年代是一个年轻的研究员，在
电子设备和AI的研究领域，我都有丰富的经验，汤普森的工作使我感到惊讶。 该计算机不仅能够发明一种新型的电子电路并超越电子工程师的能力，而且更重要的是，它为开发功能更强大的计算机系统和AI指明了道路。
哈萨比斯（Hassabis）在Lionhead Studio，Black＆White的如今被人们遗忘的游戏中开始担任首席AI程序员。那怎么了 为什么汤普森差点被人遗忘，而Google的母公司Alphabet却用金钱把哈萨比斯扔了出去，空军的纪录片也给他唱了泛语言文字？ 在大多数情况下，这是一个好时机。 在1990年代，人工智能与祖母的内裤一样时髦。 如今，人工智能已将我们带入“第四次工业革命”的重担。 首都正在追逐“下一个重大项目”。 尽管DeepMind的数字AI系统不太适合模拟复杂的现实世界模拟系统，例如天气或人脑，但它们绝对非常适合以链接，点击，喜欢，播放列表和像素的形式提取来自最简单的数字在线世界的数字数据。
DeepMind还得益于其显示产品外观的功能。 DeepMind宣传了其技术和领导力，树立了技术奥秘，但其工作的全部证明都归功于具有最简单计算规则的玩具。 游戏的优势在于其对媒体和公众的可理解性和视觉吸引力。 实际上，该技术的大多数商业应用将与
普通的后台商业应用相关联，例如，
优化 Google存储其计算机
的数据中心
的能源效率 。
Ceci n'est pas une桨*
*“这不是桨”-引用绘画“ 图像的背叛 ”汤普森（Thompson）和哈萨比斯（Hassabis）-除了是英国人以外，当然拥有有效培训和发展其系统所必需的经验和技能，但是对人员技能和创造力的这种依赖显然是任何AI或MO系统的弱点。 而且，他们的技术非常脆弱。 例如，汤普森系统通常在不同于其演化的温度下停止工作。 同时，在DeepMind中，仅
更改公司一款视频游戏中
的拨片大小就完全否定了AI的有效性。 这种脆弱性是由于DeepMind的AI无法理解桨的含义-甚至是视频游戏本身也无法理解。 其开关仅适用于二进制数。
近来，MO系统确实取得了巨大的成功，但是这种进步大部分是由于使用了大量的标准计算设备来解决问题而获得的，而不是根本性的创新。 在不久的将来的某个时刻，将不再可能将更多的微型硅开关塞到硅芯片上。 电路的效率（在更少的设备上进行更多的计算）的效率在商业上将变得很重要，并且在这一点上，不断发展的设备最终将变得时尚。
也可能出现混合了汤普森和哈萨比斯方法的混合系统。 但是无论发生什么情况，Harrari都必须等到他获得一个“创造性”的AI系统后才能写下一本最畅销的书。