無限猴子定理認為，讓一只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 " 也不是指一只真正意義上的猴子，而是被用來比喻成一臺可以產生無限隨機字母序列的抽象設備。

圖｜一只黑猩猩隨機打字，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直不停打字的猴子，它們能夠打出一部《哈姆雷特》的概率仍然少于 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游詩人詩意的措辭。

"人工智能（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 模型借助數百億或數千億的參數展現出了令人驚訝的能力，但它們的問題不在于處理能力的大小，而在于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干的時，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并不能說明 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）雜志上。

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、用于訓練它們的資源以及訓練數據的規模成正比。

對于這一現象，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 年里，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，以確定什么是可能的，以及什么時候可能實現。"

但是，Wooldridge 卻也指出了當前 AI 行業存在的問題，" 盡管他們的成就值得稱贊，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 模型都是在電子游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能為例。讓自動駕駛汽車在道路上自行學習是不太現實的，出于這個和其他原因，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能程序 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，但他并不認為 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，并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 模型表現得類似于人類的大腦，可以越過狹窄的任務，開始識別模式，并建立起與主要任務似乎無關的聯系。

（來源：OpenAI）

但是，Wooldridge 卻表示，基礎模型是一個賭注，" 基于海量數據的訓練使得它們在一系列領域具備有用的能力，也進而可以專門用于特定的應用。"

" 符號人工智能（symbolic AI）是基于‘

智能主要是知識問題’的假設，而基礎模型是基于‘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 宣布了基于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。"

在論文的最后，Wooldridge 這樣寫道：

" 我們并不是在尋找 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，你怎么看？歡迎在評論區留言。