人工智能真的有创造力吗？(2)

这两个不同的智能水平，恰好对应了机器学习的两种截然不同的方法——映射和推理。虽然现代的人工智能主要是通过映射（即机器学习）获得智能，但映射并不是人工智能学习的唯一方法。我们在前文中已经对此进行了简要论述。在本节中，我们将进一步讨论这两种学习方法，它们如何赋予机器创造性、机器的创造性水平，以及机器进行创造的方法等方面。图 12.1 说明了机器学习的映射和推理方法。这两种方法都可以使用无数种算法及组合，因此我们仅列举一些，以作说明。

映射方法。当前的人工智能学习方法采用了一种映射机制，将机器视为执行特定任务的狭义人工智能。本质上，机器从映射输入对（X，Y）到映射输出对 Y = F（X）进行学习。人们用（X，Y）映射对训练一台机器（即神经网络，或者在深度学习的情况下，训练许多层网络）。如果输入 X，则输出 Y，如果输出不是 Y，则输入不是 X，这就叫训练。训练结束后，当我们给机器一个新的 X 时，它将可以预测 Y。X 可以是任何数据、文本、音频或视频，映射是通过算法实现的。虽然这听起来是个很笨的方法，但如果与超级计算能力结合，这就是帮助当前人工智能实现“春天”（繁荣）的方法，因为它可以将任何类型的（通常是庞大的、非结构化的）数据映射到不同的结果上。但是外行可能不知道，智能机器就是用这种非常简单直接的方式来学习的。这就是我们所说的思维智能在分析层面的应用。
这种数据映射的学习方法，不需要机器拥有领域知识，不需要机器对问题或环境有深刻的理解，也不需要机器回答问题。因此，我们无法轻易解释机器产生 Y 的“原因”。例如，刘易斯和丹宁认为，网飞的观影推荐网络将客户的全部观影历史、他的评分和其他客户的评分作为 X，并将客户可能喜欢看的新电影作为 Y。我们知道这个客户看电影 Y 的可能性比非Y 的可能性高，但我们不知道客户为什么喜欢 Y，这就产生了我们后面要讨论的“可解释的人工智能”问题。推理方法。这种机器智能方法，使机器具有强大的人工智能（或一般人工智能），并期望机器能够处理各种任务，就像人类具有能够解决常见问题的能力一样。计算机科学家基于这种方法研发的机器，被称为“专家系统”或“知识管理系统”。这样的机器能够积累自己的知识（就像人类从教育中学习，随着受教育年限的增加，而具有更丰富的知识和技能）并用于解决问题。