|编者按
英国有一批科学家认为，目前阶段的人工智能（AI）还只是小儿科，而且AI的发展方向有误入歧途之嫌。要实现人机幸福共处的美好愿景，需要更加深入人类认知和行为模式的研究，从而提出了“类人”系统（（Human-Like System）。
2017年4月12日，英国工程与物理科学研究理事会（EPSRC）发布了《类人计算战略路线图》，明确了类人计算（Human-Like Computing）的概念、研究动机、研究需求、研究目标与范围等。上期介绍了类人计算的概念、机遇和英国行动，本期介绍类人计算的研究目标，主要涉及到六个方面。
1. 认知科学
认知科学与AI的研究在过去30年中因方向偏移而渐行渐远，但是现在需要将它们联结，共同实现类人计算系统的发展。
对人类与动物行为的理解可以为类人系统提供宝贵的信息，反之，类人系统的发展也会帮助驱动认知科学的进一步发展。
近期的AI研究进展似乎更接近于对模式的识别能力以及运动技能的提高。机器学习、游戏比赛、以及其它应用运用了大量的计算资源和数据，人类无法与之相比，比如用百万次的围棋比赛进行训练。
另一方面，认知科学则强调的是意识结构的作用以及复杂行为的形成过程。近期在心理学方面也有了新的进展：学习、语言、记忆等。类人系统的发展需要结合这些研究进展，还有人类的其它特点，这里的挑战在于如何将这些研究进展整合到系统设计中去。
在动物王国，人类的思维是独一无二的：非常强大，有创造性并且是抽象的。我们会推理，会使用自然语言，并能解决新的复杂的问题。然而，我们对这个世界的思考还有局限。我们如何学习了解世界的方式是发展类人系统的重要驱动。比如，人类的学习是探索式的，受到外界文化影响的驱动。但同时，我们学习的能力会受到限制（可能在某些情况下这反而是优势），我们可以被毁灭（所以我们也更灵活），还有我们的社交互动和合作能力也越来越强。
那我们是否能理解人类如何成长发展并将这种发展模型做成系统呢？我们是否能够，比方说，开发一个以好奇心驱动的系统？
我们现在可以开始识别出这样的挑战与难点，解决它们就可以理解人类与动物是如何解决自己的困难的。这样的经验就可以应用于机器设计。
2. 记忆与遗忘：
人类有，AI系统也要有
遗忘有什么价值？人类会遗忘，计算机却不会。但人类做的任何事情是否都有其价值？认知科学的研究发现，人类在碰到一个新任务进行推理时会有选择地关注相关的背景知识，这种能力与人类搜寻记忆时的高度选择性机制密切相关。这就引发了这样一个问题：类人“遗忘”对机器在大量背景知识构成的情境中学习是否大有好处？因为，人类在做判断的时候，那些频繁使用的背景知识可以被迅速提取，这样使人类能更有效地、更迅速地进行推理。比如，警察在根据画像识别作案嫌疑人的时候。因此，这种机制对于机器推理来说是大有裨益的。要测试这个想法就需要在建立AI系统时与认识科学家测评的人类实验协同并进。
3. 可理解性：
语文的意义、学习、解释、可靠性
类人计算的核心概念之一就是机器可以告知人类，它的任何产出都是可理解的，可以客观地展现的。
“意义”在这里比单纯的“执行”更加重要。如果只关注执行就会把人类排斥在外，阻止人类与机器的互动。
学习也是类人系统的一个重要部分。
目前AI系统与人类的主要不同就在于人类学习是基于“少量数据”，人类学习所需要的范例远远少于机器，而且他们能利用背景知识来弥补数据的缺乏。
机器与人类之间的交互将是任何完整系统的重要组成部分。然而，要实现相互作用，就需要双方在联合行动中互相理解。每个伙伴，不管是人还是计算机，都需要能够推断出对方想要做什么。这有时被称为“计划识别”。机器和人类都需要了解对方知道什么，不知道什么。
与此相关的是“信任”的概念。互动就需要信任，我们就需要知道是什么特征让我们知道可以信任谁？机器从何得知？线索在哪里？
随着系统更加类人、更加自动化，它们与人类的关系也更为重要。比如，既然这样的系统比人类做得更好，为什么我们需要人类的干涉而不是让系统单独完成任务呢？然而，如果真这样做了，发生问题如何处理？谁来承担责任？将伦理的理解纳入系统设计中是很重要的，这也是类人系统与其他工程系统的不同之处。其他部件（例如轮胎）失效会导致死亡。那类人系统有什么独特之处？
4. 语言沟通与非语言沟通
人类用多种不同的方法有效地进行沟通交流，不仅包括言语的表达，还包括图表、手势、面部表情和实物演示。为了支持更有效的人机交流，需要更好地理解这种沟通模式的认知与计算两方面的问题。
5. 小数据量学习
统计式的机器学习技巧通常需要数以千计的例子才能可靠地学习一个概念。相比之下，人类经常靠少数实例就能学习概念。这种人类认知能力很难用现有的计算学习理论来解释，因为它是一种高度调整和有偏向的学习形式。然而，与标准的机器学习设置不同，人类同时学习着许多相互关联的概念，这可能是小量数据学习能力的关键所在。
有些动物经常在玩耍中学习。这些物种往往是大脑袋，因此游戏似乎是进化的重要成果。
这是否可以作为一种策略，比如机器人研发，可以开发在玩耍中学习的系统？
无奖励目标的玩耍在非人类的动物中也普遍存在，这种玩耍具有自适应的好处，可以发展运动技能和构成新的行为模式，可能会进一步发展出创新的觅食策略。人类幼儿的探索式玩耍也支撑着这样的学习，如婴儿就是通过反复把玩一个物件而逐渐了解它的功能。不过，动物是否通过探索获取物体的属性信息，我们还知之甚少。
6. 社交机器人：
头脑运作理论、自我意识、情境线索、空间推理
目前的发展已经到了机器人和控制软件可以与人类在同一个空间共同工作的程度。
要再进一步发展，就更多地研究人类行为的方式（包括信任），并改进机器人的设计方式。机器人和人类之间复杂的社交互动需要自我意识的开发，包括身体形象和感知。
这些互动可能需要多个类人系统作为代理。这些代理必须都具有现实模型，它们之间互动时这些模型也必须同步。也就是说，其表现是动态的，随着时间而进化，并且是自动化的。多个代理还得能互相沟通，共同运作。
作者简介
吴红敏，上海产业技术研究院外事主管
刘小玲，上海科学院规划研究处副处长，副研究员
责任编辑：刘小玲
类人计算，是要超越人工智能的节奏吗？
人工智能给产业发展将带来什么惊喜?
AlphaGo积累的数据值多少钱？ ——谈数据价值评估
你真的了解大数据系统吗？ ——大数据系统评测的挑战与方法
未来机器人值得关注的八项共性技术及其路线图
人工智能机器人AI-Maths的数学“高考”为何“输”在语文上? ——浅谈类脑科学研究
2016 美国机器人技术路线图解读系列之五 ——空间机器人
2016 美国机器人技术路线图解读系列之四 ——提升公共领域安全性
2016 美国机器人技术路线图解读系列之三 ——医疗机器人
2016 美国机器人技术路线图解读系列之二 ——服务机器人
