無限猴子定理認為，讓一隻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學術語，「猴子」也不是指一隻真正意義上的猴子，而是被用來比喻成一台可以產生無限隨機字母序列的抽象設備。
圖｜一隻黑猩猩隨機打字，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看成無限的推論是錯誤的，即使可觀測宇宙中充滿了一隻不停打字的猴子，它們能夠打出一部《哈姆雷特》的概率仍然少於 1/10^183800。
而且，即使給無數只猴子無限的時間，它們也不會懂得如何欣賞吟遊詩人詩意的措辭。
「人工智慧（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 模型藉助數百億或數千億的參數展現出了令人驚訝的能力，但它們的問題不在於處理能力的大小，而在於缺乏來自現實世界的經驗。
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乾的時，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，只是經常與「雨」等詞結合使用。
然而，Wooldridge 也強調，缺乏現實物理世界知識並不能說明 AI 模型無用，也不會阻止某一 AI 模型成為某一領域的經驗專家，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。
相關研究論文以「What Is Missing from Contemporary AI? The World」為題，已發表在《智能計算》（Intelligent Computing）雜誌上。
在當前的 AI 創新浪潮中，數據和算力已經成為 AI 系統成功的基礎：AI 模型的能力直接與其規模、用於訓練它們的資源以及訓練數據的規模成正比。
對於這一現象，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據集和越來越多的計算資源。
圖｜AI 生成作品（來源：Wired）
在談及 AI 行業的整體發展時，Wooldridge 給出了肯定。「在過去 15 年裡，AI 行業的發展速度，特別是機器學習（ML）領域的發展速度，一再讓我感到意外：我們不得不不斷調整我們的預期，以確定什麼是可能的，以及什麼時候可能實現。」
但是，Wooldridge 卻也指出了當前 AI 行業存在的問題，「儘管他們的成就值得稱讚，但我認為當前大多數大型 ML 模型受到一個關鍵因素的限制：AI 模型沒有真正體驗過現實世界。
在 Wooldridge 看來，大多數 ML 模型都是在電子遊戲等虛擬世界中構建的，它們可以在海量數據集上進行訓練，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。
以支持自動駕駛汽車的人工智慧為例。讓自動駕駛汽車在道路上自行學習是不太現實的，出於這個和其他原因，研究人員們往往選擇在虛擬世界中構建他們的模型。
「但它們根本沒有能力在所有最重要的環境（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。可以說，它們已經從荒唐可怕的預測文本演變為谷歌的 LAMDA。今年早些時候，一個前谷歌工程師聲稱人工智慧程序 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，但他並不認為 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 模型需要海量參數的輸入，並通過訓練來理解它們。例如，GPT-3 使用互聯網上千億級的英語文本進行訓練。大量的訓練數據與強大的計算能力相結合，使得這些 AI 模型表現得類似於人類的大腦，可以越過狹窄的任務，開始識別模式，並建立起與主要任務似乎無關的聯繫。
（來源：OpenAI）
但是，Wooldridge 卻表示，基礎模型是一個賭注，「基於海量數據的訓練使得它們在一系列領域具備有用的能力，也進而可以專門用於特定的應用。」
「符號人工智慧（symbolic AI）是基於『智能主要是知識問題』的假設，而基礎模型是基於『智能主要是數據問題』的假設，在大模型中輸入足夠的訓練數據，就被認為有希望提高模型的能力。」
Wooldridge 認為，為了產生更智能的 AI，這種「可能即正確」（might is right）的方法將 AI 模型的規模不斷擴大，但忽略了真正推進 AI 所需的現實物理世界知識。
「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 宣布了基於大型語言集和機器人數據的基礎模型 Gato，該模型可以在簡單的物理環境中運行。
「很高興看到基礎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，需要克服的挑戰至少和讓 AI 在模擬環境中工作所面臨的挑戰一樣大，甚至可能更大。」
在論文的最後，Wooldridge 這樣寫道：「我們並不是在尋找 AI 道路的盡頭，但我們可能已經走到了道路起點的盡頭。」
對此，你怎麼看？歡迎在評論區留言。
參考資料：
https://spj.sciencemag.org/journals/icomputing/2022/9847630/
https://www.eurekalert.org/news-releases/966063
