1. 华生的工作模式1.1. 请你想象一个巨大的场景，其中有单词、名字和其他可能的答案，它们散布在各处1.1.1. IBM所做的第一步是以某种连贯的方式排列单词1.1.2. 第二步是理解每个问题，并为该问题生成候选位置标记1.1.2.1. 爱因斯坦会演奏小提琴，那么他就会被定位于“科学家”和“音乐家”这两个方向1.1.2.2. 但你不会从音乐家的角度继续推演，而是会从科学家的角度继续推演1.2. 识别和选择这些特性和品质是一门艺术1.3. 四个阶段1.3.1. 分析问题，以确定可能的答案范围1.3.2. 在候选范围里根据问题选择大约200个可能的答案1.3.3. 评价这些可能的答案1.3.3.1. 评价过程是将这200个多维点压缩在一个数值维度上，然后对这些答案进行评分并依次排列，最后对答案的信任值进行评价1.3.3.2. 能与维基百科中的内容进行准确的语义匹配的数据，在其他限制因素也匹配的情况下，很可能会得到非常高的分数1.3.4. 给出答案1.3.4.1. 当评分以及信任值评价高于一个设定的阈值时，算法就会给出建议的答案1.4. “华生”研究团队提出了50种不同的评分模型1.4.1. 在未知评分情况的状态下，“华生”会广泛地选择候选答案1.4.1.1. 采用广泛撒网、重点培养的模式运作，即先倾向于选择包含多种可能的答案，然后利用评分机制选取得分靠前的几个选项1.4.1.2. 像选择旅店入住1.4.1.2.1. 首先你需要选择想入住的区域1.4.1.2.2. 搜集该区域所有旅店的信息1.4.1.2.3. 会根据网上的价格和评价信息进行选择1.4.1.2.4. 这样的选择方式就很有可能有利于一家值得入住但位置偏远的旅店1.4.1.3. 算法进行评分的方式允许它以自下而上的方式从错误中学习并细化参数，有点像转动刻度盘来重新定义函数1.4.1.4. 其中的艺术在于算法试图为你拨动的刻度盘找到最佳的设置，在尽可能多的不同的背景下得到正确的答案1.5. “华生”可以访问一个容量为15TB的人类知识数据库1.5.1. “华生”在参加《危险边缘》之前，就已经将整个维基百科进行了离线存储，以供其随时调用1.5.2. 他根据自己收集到的所有信息将它们进行关联性的考量，仔细地考虑最可能的选项1.5.2.1. 对于人类选手来说，这是一个即时的、直观的过程，但我确信在这背后，我的大脑或多或少在做着同样的事情。1.5.2.1.1. 詹宁斯1.5.3. 关联性的线索1.5.3.1. 线索中暗示的时间、地点、性别，抑或是体育、文学、政治等范畴1.6. 对于IBM和DeepMind这样的公司来说，赢得比赛为其提供了一个相当明确的成功指标1.6.1. 比赛要么赢要么输，没有模棱两可的暧昧1.6.2. 赢得比赛这件事给需要销售产品的公司提供了极好的宣传噱头，因为人人都喜欢“人机大战”的戏码1.6.3. 不仅击败了所有选手问鼎《危险边缘》的冠军，还被应用于医学诊断领域1.6.4. 一场算法的“时装秀”，让计算机公司展示自己傲人的编码能力1.7. IBM的“华生”已经改变了我们对计算机的认知1.7.1. "华生”对非结构化数据进行处理的能力是它最大的优势所在1.7.2. 人类可以告知“华生”哪一个信息源更为可靠1.7.2.1. IBM将这种成果称为“认知计算处理”，这是因为人类在此过程中的角色从调度安排转变成了训练1.8. 在未来，我们将减少死记硬背的计算，更多地依靠互动和学习1.8.1. 算法非常聪明，只要有更多的信息，它就能够做到排除某些答案，或者提高对某些已经提供的待选答案的信心值1.8.2. 当“华生”在当前的应用程序中处理一个困难的问题时，它可以生成一组可能的答案集，也可以使提出的问题趋于简单明了1.8.2.1. 大多数这种问答系统都是为处理一类特定的、边界明确的问题而设计的，这就意味着它只能回答某些类型的问题，而且在输入问题时必须要以特定的方式进行措辞，方能获得算法的响应1.8.3. “华生”可以处理“开放域”的问答，这意味着面对“华生”，你想问什么就可以问什么1.8.3.1. 它使用“自然语言”处理技术来分解你抛给它的词句，这样可以使算法真正理解问题，即便你在问它时使用了不寻常的方式，它也能有所回应1.9. DeepQA是“华生”在生成假设时使用的一项基础技术1.9.1. 《星际迷航》中的电脑就是一个合适的范例1.9.2. 这个虚拟的计算机系统可以被看作一个交互式的系统，它可以回答任何问题，还可以提供关于任何主题的精确信息2. 巴别鱼2.1. 在《银河系漫游指南》（The Hitchhiker’s Guide to the Galaxy）里看到过的“巴别鱼”（babel fish）的故事2.1.1. 道格拉斯·亚当斯（Douglas Adams）1952—2001，英国著名的科幻小说作家，幽默讽刺文学的代表人物，第一个成功结合喜剧和科幻的作家2.1.2. “巴别鱼”是一种黄色的、类似水蛭的小动物，当它掉到你的耳朵里时，会以脑电波为食，即时翻译出你听到的任何语种的语言2.1.3. 谷歌最近宣布其发明了一款名为“Pixel Buds”的耳机，这发明正是道格拉斯·亚当斯（Douglas Adams）梦寐以求的2.2. 鉴于输入了符合语法的句子，你可能会认为已经完成了驾驭语言的工作，逐字逐词对应地翻译就可以了2.2.1. 简单的单词替换常常会把原意搅成一锅粥2.3. 一个可以有效工作的翻译算法需要很好地理解词语之间的关联性和词语组合的模式2.4. 现代翻译算法正在深入研究语言的基本数学形态2.4.1. 通过试验，我们可以把语言中的单词绘制成高维几何空间中的点，然后在彼此具有结构性关系的单词之间绘制连线2.4.2. 最终将得到一个高维的晶体结构，有趣的是，英语和法语的晶体结构在外观上非常近似2.4.2.1. 我们必须弄清楚是什么使它们保持这样相当高的近似性2.4.3. 有人提议以动物交流的声音为对象，绘制高维晶体图，看看它们的图像是否与人类交流具有相同或相似的形状，以便让我们能够理解我们的宠物到底在说些什么2.5. 翻译不仅要选择正确的单词，重要的是要能捕捉到字里行间的情感2.5.1. 大多数情况下，机器翻译只要能传达句子的意思，大体翻译一下就可以了2.5.2. 作为算法翻译成功的代表，谷歌翻译目前支持103种语言，每天翻译超过1400亿个单词2.5.3. 实际上，在人工智能解决意识的问题之前，这些算法永远不可能达到人工翻译的水平2.5.3.1. 为了获得更准确的翻译，谷歌聘请了人工翻译人员来改进它的算法，但这并不总能带来更加令人满意的结果2.5.3.2. 谷歌翻译还是越来越擅长人类语言翻译2.5.4. 翻译不仅仅是语言之间的迁移，而是思想在语种之间流动2.5.4.1. 除非机器有了灵魂、生出了灵智，否则它将永远无法深刻理解并充分利用人类交流的精妙2.5.5. 诗歌除了包含意思表达，还包含语音、音韵等内容，不是简单的内容翻译就可以3. 斯蒂尔斯的实验室3.1. 每一台机器人都为自己独特的动作创造了一套属于自己的独特语言3.2. 通过不断的更新和学习，机器人发展出了自己的语言3.2.1. 这种语言足够复杂，甚至包含了像代表“左”和“右”等更为抽象的单词3.2.2. 这些词，是在词和动作与位置的直接对应关系的基础上发展而来的3.2.3. 在这个试验中，任何趋同的进展都是令人兴奋的3.2.4. 这些机器人有一种它们可以互相理解的新语言，但研究人员在试验进行的一周内一直无法理解这种语言，直到他们与机器人进行了极大量的交互，才能解译这些新词的含义3.2.5. 一种共同的语言出现了3.3. 斯蒂尔斯的试验为洛夫莱斯的预言提供了一个很好的反证3.3.1. 斯蒂尔斯编写的代码允许机器生成自己的语言，代码中出现了一些新的东西，演示证明除了机器以外，没有任何人类能够理解它们的共同语言3.3.2. 学习这门语言的唯一方法就是让机器人演示每个单词所对应的动作或位置3.4. 谷歌的Google Brain提出了一种新的加密算法，即创建独有的语言算法，这样就可以在不被第三方窃密的情况下进行交互通信3.4.1. Alice和Bob的任务是使用这个数字创建一种秘密语言，这种秘密语言只有在知道密钥的情况下才能被解密3.4.2. 一开始Alice试图掩盖信息的企图很容易被黑掉，但经过15 000次交互以后，Bob就能解读Alice所发送的信息了，而Eve解读的概率还是跟瞎猜没任何区别3.4.3. Alice和Bob使用的神经网络意味着，它们的交互很快就会被不断重新定义的语言所掩盖，所以不止Eve被挡在门外，就算是人类，即使通过查看结果代码，也不可能解读出它们正在做的交互3.5. 这些机器人可以安全地交谈，而我们人类却无法窃听它们的私语4. 中文房间4.1. 在怎样的情况下，我们应该认定算法理解它实际在做什么4.1.1. 从约翰·希尔勒设计的“中文房间”试验中得到结论4.1.2. 华语房间（Chinese room）试验，是由约翰·希尔勒提出的一个思想试验，借以反驳强人工智能的观点4.1.3. 试验过程4.1.3.1. 想象一下，你被关在一个房间里，房间里有一本用英文写成的从形式上说明中文文字句法和文法组合规则的手册，以及一大堆中文符号4.1.3.2. 依靠这本手册的说明，将中文符号组合起来，你就可以和一个讲中文普通话的人进行非常有说服力的沟通，而你不需要理解任何一个中文字或词4.1.4. 一台被编程以文本形式进行回应的计算机，虽然我们很难将其与真正的人类区分开来，但它仍不能被认为是具有智力或理解力的4.2. “嵌入式”这一思路是对图灵测试的巨大挑战4.2.1. 当我在说话的时候，我的大脑到底在做什么呢？4.2.2. 这个过程中我的大脑是不是在某种程度上也在遵循一套指令？4.2.3. 是否存在一个阈值，超过这个阈值，我们就可以认定计算机是理解中文普通话的？4.3. 当一台计算机谈论一把“椅子”时，它不需要知道“椅子”这个东西是供人们坐在上面的一个物理物体4.3.1. 它只需要遵循规则，但遵循规则并不等同于理解4.3.2. 如果算法没有亲身体验过“椅子”，就不可能完美地使用“椅子”这个词4.3.2.1. 这就是为什么体现智能的问题与人工智能当前的发展趋势高度相关4.3.3. 所有物理意义上的椅子都是不相同的，但它们在语言上被压缩成了一个数据点：“椅子”4.3.3.1. 这个数据点可以被另一个人打开，再将“椅子”这个数据点放到他所经历过的所有“椅子”上4.3.3.2. 有各式各样的“椅子”，它可以是扶手椅、长凳、木椅或办公椅，这些会让人产生不同的联想4.3.3.3. 维特根斯坦著名的“语言游戏”4.4. 在某种程度上讲，语言就是我们周围环境的低维度投影4.4.1. 所有的语言都只是拙劣的翻译4.4.1.1. 弗兰兹·卡夫卡（Franz Kafka）4.4.2. 一台对具象世界没有实践经验的计算机肯定会在“中文房间”的低维空间里受阻4.5. 归根结底，意识的奇特本质允许我们将所有信息整合到一个统一的体验中4.5.1. 如果我们研究一个单独的神经元，它肯定不懂英语，但当我们用一个个神经元构建出大脑中枢神经时，我们知道它确实懂得语言4.5.2. 当我坐在房间里用手册处理递进来的中文普通话时，我就像是大脑的一部分，是负责处理中文普通话的神经元的一个子集4.5.3. 换句话说，整个系统是由我、房间和手册组成的4.5.3.1. 这是整个大脑的组成，而不仅仅是我坐在那里。4.5.3.2. 在“中文房间”里，我就相当于计算机的CPU（中央处理器），通过进行基本的计算来执行计算机程序的指令4.6. 也许机器不需要理解它在说什么，就能写出令人信服的文学作品