今天周末，跟大家聊点假装深沉的话题。

　　现在我们在讨论人工智能的时候，大都把卷积神经网络奉为圭臬。因为这种算法，号称是“平移不变的人工神经网络”，说人话就是人脑的高仿。

　　通过模拟人类脑皮层神经元的网状结构，能够提取和识别各种物体的特征，永不停机地进行学习，比最乖的人类小孩还要让人省心。

　　而且一旦训练好了，就能比人类做的更快更好。拳打九段棋手、脚踢世界冠军，是毫无问题的。

　　因此，卷积神经网络正在被大量地应用于各种AI系统上。似乎只要假以时日，就该“封神”了。

　　但，这是不可能的。

　　尽管看起来，这一波AI热正在让人类处于被广泛替代的危险境地，不过距离机器超越人类的那一天，其实还是非常遥远。

　　为啥呢?

　　说来你可能不信，关键原因还是在卷积神经网络身上。

　　送分题都不会，你怎么回事小老弟?

　　上古时代，流传着这样一道送分题：要把大象装冰箱，总共分几步?

　　如果让一个人类小孩来回答，他会分分钟告诉你标准答案——把冰箱门打开，把大象塞进去，把冰箱门合上。

　　但是如果让一个卷积神经网络机器人(我们就称呼它为“小卷”吧)来挑战呢?

　　它会先假设，某个叫做“塞”的动作能够将大象转移到冰箱里。于是立即行动，却发现怎么也塞不进去。可怜的“小卷”，遗漏了物理体积不匹配这个重要条件。

　　我们给它升级一下，让“小卷二号”能够识别大象和冰箱的个体特征对任务有何影响。它在任务开始前努力推演，正当它算出大象的皮肤颜色对完成任务不会有任何帮助，准备推算下一个特征的时候，大象已经不耐烦地跑走了，任务失败。

　　我们再升级一下，教它学会分辨哪些因素与任务是相关的还是无关的，“小卷三号”诞生了。但是，它一屁股坐冰箱旁边不动了，掏出一个小本本，开始记录千千万万个被确定与任务无关的东西，直到时间的尽头……

　　这么看起来，“小卷”们好笨呀，别说和人比了，和阿尔法狗这些前辈们比差距也很大啊!

　　这背后，其实隐藏着一个令AI科学家们困扰多年的变态难题——“框架问题”。

　　什么是框架问题?

　　想要搞懂什么是“框架问题”，先解释一下卷积神经网络是怎么工作的。

　　前面我们提到过，这种深度学习的神经网络是在模拟人类神经元系统的操作方式。不同算法都只为了完成一个目标：就是像人一样，忽略该忽略的信息，并在遇到重大的反常情况是保持足够的警觉。

　　如何能够在集中注意力的同时获得合理忽略的能力呢?

　　科学家们只能将一切变化多端、无穷无尽的生活经验压缩并生成一个“框架”，其中包含了一个内容丰富、细节详实的脚本纲要，所有现实世界的问题及事物之间的联系都囊括其中。

　　当机器想要解决一个问题时，就可以在“框架”中对某些特征加以注意，对那些偏移框架的重大误差保持警觉。

　　如果这个神经网络框架被建构得足够好、足够庞大，它可以展现出无穷大的能力。比如DeepMind用5000台TPU培育出来的AlphaZero，无需其他干预，就能在4个小时之内成为世界象棋冠军。

　　但是，在某些人类日常生活中需要用到的反应模型中，卷积神经网络的智商却和昆虫差不多。

　　D. Dennett在他的论文《AI的框架问题》中举了一个例子：制作午夜快餐。

　　一个肥宅半夜饿醒，想给自己做点吃的，于是他想到了冰箱里面有些剩下的鸡肉片，面包，还有一瓶啤酒。于是他很快就想出了一个完美的计划：查看冰箱，拿出需要的材料，做一份三明治，就着啤酒，美滋滋。哦，还需要带上刀、盘子和酒杯。

　　人类之所以能顺利完成这项任务，是因为我们已经了解了大量的知识。包括鸡肉加在面包里不会掉下来(摩擦力)，啤酒如何倒入杯子(重力)，甚至是左手拿着面包就不能再用来拿刀了。

　　这些“知识”或经验是人类“生而知之”的，我们自己或许都不知道是如何学会这些事情的，却能让我们不需要思考就轻松搞定一个又一个基本生活问题。

　　但对于任何事情都要从头学起的AI来说，如果这些大量而平凡的经验不能引起足够的注意，它就根本不可能完成这些不断出现的新任务。

　　当然，我们也可以选择给机器喂养世界上所有的知识，让它成为一个无所不知的百科全书。这样它就能和人一样具备这种弹性的思维能力了吗?

　　答案显然是否定的。

　　首先，让AI记住大量微不足道的细节中，遇到问题时再从中搜索和抽取出有用的那一部分，实在是太极端太超负荷了，人类就不需要记住“面包比太平洋小”“刀子接触面包时不会融化”这种知识。

　　而且，机器固然可以用一百万年解决任何问题，但这既不智能，对人类来说也没有任何价值。如果不能在有限的时间内可靠高效地给出解决方案，我要这祖传AI有何用?

　　既不能穷尽一切答案，又不能快速找出最佳方法，这就是目前限制AI智商的“框架问题”。