最近 Facebook 的一个 AI 项目火了，而且火得不要太好——稍微上网一搜就能看到：
- AI 机器人发展出自己的语言，Facebook 的工程师们慌了
- Facebook AI 发明出人类不能理解的语言，担心失控项目已被关闭
- 难道我们人类造出了一个怪物？
还有一家英国小报引用一位机器人学教授的话，说这一事件表明，如果类似的技术被用于军事机器人，将“非常危险，并且可能是致命的”。
更多的新闻延伸到未来的机器人革命、杀人机器人、恶意的人工智能，各种各样的有关人类灭绝的想象。所有这些，无不引用 Facebook 两个聊天机器人这样一段对话：
- Bob: I can i i everything else ..............
- Alice: balls have zero to me to me to me to me to me to me to me to me to
- Bob: you i everything else .............
- Alice: balls have a ball to me to me to me to me to me to me to me to me
有图有“真相”：
看上去恐怖吗？
一篇报道引发的惨案：AI 发明了自己的语言？？
这一切的起因是，上月中，FastCo Design 网站针对 Facebook 利用“生成对抗网络”开发对话谈判软件的努力做了一篇报道。这篇报道引用的两个 bot，其设计的目的是证明：“具有不同目标（端到端训练神经网络实现）的对话智能体，能够从头到尾地与其他 bot 或人类进行谈判，并达成一个共同的决策或结果”。
两个 bot 针对给定的话题（例如书籍，帽子，球，都是一些无害的物体），讨论如何分割成双方都同意的部分，除此以外并不做其他事情。
这样做的目的，是开发一个可以从人类的互动中学会谈判交易的聊天机器人，它能够非常流畅地进行对话，终端用户甚至不会意识到他们在与机器人对话。
就这么简单。
然而，FASTCO 的报道写道，“FAIR 的谈判智能体利用强化学习和对话推演（dialog rollouts），表现与人类谈判相当……这证明 FAIR 的 bot 不仅能讲英语，并且对要讲什么也是有过思考的。”
更要命的是，文章引用了专业人士的评价——“智能体会脱离人类可以理解的语言，发明自己的代码语言。”那篇文章引用 FAIR 访问研究员 Dhruv Batra 的话说，“就好比我说 5 遍 ‘the’ 这个单词，你会理解为我想要 5 个这个东西。这与人类发明简略表达的方式并没有太大不同。”
于是事情一发不可收拾。
Facebook 研究人员亲自辟谣：我根本不是那个意思
在继续讨论前，我们先来看 FAIR 访问研究员 Dhruv Batra 自己的澄清。
Dhruv Batra 是 FAIR 研究员，也是对话模型那篇论文作者之一，他在自己的 Facebook 主页回应道：
我刚从 CVPR 回来，就发现我的 FB/Twitter 的时间流充满了这些说 Facebook 的研究员开发的 AI 智能体发展出自己的语言，描述各种世界末日景象的文章。
我不想针对某篇具体的报道，或者对某个断章取义的引用提出具体的回应，但我认为这样的报道只是为了赚眼球，非常不负责任。
AI 智能体发展出自己的语言这种说法可能令人震惊，或让这个领域之外的人感到意外，但这是发展了很多年的 AI 的一个子领域，相关研究文献可以追溯到几十年前。
简单地说，环境中的智能体试图解决一个任务时，通常会找到一种方式来最大限度地提高回报（reward）。分析这个回报函数并改变实验中的参数，与“关闭 AI 项目”完全不是一回事！如果这能一样的话，每个 AI 研究者在停止某个机器的工作时都在“关闭AI项目”。
Batra 希望大家都阅读一下他们的研究论文或者 FAIR 博客上的介绍文章，并阅读各个研究团体有关多智能体语言出现的文献。
业内讨论：参数没调好，对话跑崩了
用户“蔡曦”结合报道中提到的 Facebook 论文《Deal or No Deal？End-to-End Learning for Negotiation Dialogues》，做了比较详细的分析。
论文的大致流程是，用人类的对话作为数据集，训练一个端到端的模型，模仿人类进行物物交换的谈判对话，例如：
论文用 5808 组人类对话作为训练集，526 组对话作为测试集，分别用两种不同的模型（Likelihood Model 和 Goal-based Model）和不同的训练方法（一种是用 RNN 作简单的监督学习，另一种是用监督学习先作预训练，再用强化学习来微调模型），在 PyTorch 上跑对话模型。
结果是，直接用简单的相似度导向（Likelihood-based）的监督学习产生的对话与人类的语言（英语）最接近。
而运用目的导向策略（Goal-based）的强化学习模型情况下，当更改相关参数后就会产生杂乱无章的对话。注意：这并不代表产生了一种新的语言并且两个 agent 相互理解，只是基于训练时输入的英文单词的错误组合而已！
一位不愿透露姓名的业内人士对新智元表示：这就是训练失误的模型。做失败的东西也能拿出来吹，有些媒体的做法确实欠妥。当然，这一波是国外媒体先如此报道的。还是希望这个领域的媒体多些理性，不要看到是 Facebook 或者谷歌的研究就吹。
聚焦研究：论文并没有关于“AI 发展出自己语言”的表述
再来仔细看 Facebook AI Research 的论文——需要指出，Facebook 研究人员并没有在论文中表示其 AI 发展出了自己的语言（developed their own language）。
至于“吹不吹”，还是需要在理解的基础上进行判断。Facebook AI 这条新闻出来这么久，还没有多少新闻在报道时真正聚焦研究本身，这或许也是炒作甚嚣尘上的一个原因。
FAIR 进行研究的目的是让智能体学习谈判。
谈判既是语言也是推理问题，在谈判时你需要有一个意图，然后在口头（或文本）上实现。由此进行的对话同时包含了合作和对抗的要素，这就要求 AI 需要了解并制定长期规划，并生成话语以实现其目标。
FAIR 研究人员在开发这种拥有长期规划能力的对话 AI 方面进行了一种创新，他们称之为“dialog rollouts”。
Dialog rollouts 能让 AI 收到输入后，推算出（roll out）多种模拟的对话，直到每段对话的结束，然后从中选择结果最好（也即预期奖励最大）的对话路线来进行。
下面是示意图，选择得分为 9 的最下面那条路线，显然结果最好（能够拿到 3 顶帽子）。
实际上，类似的思路也被用于游戏环境中的规划问题，但 Facebook 研究人员表示，这种方法此前还从未被用于语言研究，原因是可以选择的行动数量过于巨大。
为了提高效率，FAIR 研究人员首先生成了一小部分备选的表述（utterance），然后重复模拟未来的整个对话，从而估算这种表述成功的程度。FAIR 开发的这种模型，预测准确率足够高，从而在好几个方面极大提升了谈判策略：
- 更努力地谈判（Negotiating harder）：新的智能体能与人类进行更长时间的对话，不会那么快就成交。模型会一直谈判一直谈判，直到达成协议。
- 有策略地谈判（Intelligent maneuvers）：在一些案例中，智能体在最开始会对自己不感兴趣的东西装作很感兴趣，之后把这些东西放弃，显得自己做出了妥协——人在谈判时也常常使用这种策略。FAIR 研究人员表示，这不是编程实现的，而是 bot 自己观察后认为这是一种实现目的的好方法。
- 生成新的句子（Producing novel sentences）：神经网络往往倾向于重复训练数据中见过的句子，但在这项研究中，模型在必要时生成了新的句子。
从 Facebook 官博上给出的例子（见下），这个谈判 AI 开发还是成功的：
AI 用人类不懂的方式沟通非常正常，难的是让 AI“说人话”
现在，Facebook 确实关闭了这个对话项目，但并不是因为他们对创造出可能不受控制的智能体感到恐慌。在 FastCo 的报道中，FAIR 另一名研究员 Mike Lewis 说，他们决定关闭对话，因为“我们感兴趣的是做能够与人类对话的 bot”，而不是 bot 互相间能够很有效率地进行对话，“我们要求 bot 相互之间的对话要能够被人理解”。
但在这个媒体浮夸的时代，新闻报道所做的可能与这些机器人并没什么不同，这个故事从关注机器学习技术的短期实现潜力，演变成制造恐慌的末日故事。
实际上，正如 Dhruv Batra 所说，AI 之间“交流”是非常普通的一个现象，只要你把两个机器学习设备放在一起，并让它们相互学习，都会出现这样的现象。值得一提的是，假如 bot 之间简略的“语言”可以解释，出来的对话也就能够理解，并且完全不像之前的那么可怕。
这类机器学习技术可能让智能设备或系统更高效地相互交流。如果说这些成果引出一些问题，就是一旦这样的系统出错，debug 会非常不容易！但这完全不是说人工智能脱离了人类的控制。
上海交通大学教授、斯坦福 AI Lab 博士后卢策吾在接受新智元采访时表示，这件事情告诉我们，没有很 solid 和 novel 的工作，PR 需谨慎，可能对自己和机构都是副作用。研究计算机是否能（非监督地）独立产生自己的语言，这件事情本身是非常有意义的科学探索，因为这是检验计算机是否理解人类高级语义和抽象概念的好方法。
他也建议大家有兴趣的话，可以看一下Noam Chomsky 的经典讨论，这样更能把语言产生这件事的高度提高一下。
“这就像一个与世隔绝的部落，AI 独立产生了自己语言，虽然符号表达和我们不一样，但是我们一翻译，发现它们有和我们一样的高级语义，比如“朋友”，“爱情”等等，我会说他们真的理解这些概念，具有人类的高级智能。”卢策吾告诉新智元。
目前，计算机能识别“猫”，“狗”，“汽车”，但计算机真的理解这个概念吗？卢策吾认为不一定，更多是像模式识别（pattern recognition）。“例如，有一辆外形奇怪的车，在训练集合里没出现过，计算机马上就挂了，因为计算机没有‘什么是车’这个概念，而是记下一般情况下车的长相。”卢策吾说：“这样就看出，目前计算机没有真正全面地理解人类概念，还是比较低级别的 AI。如果计算机真的理解人类概念，其对现实世界的改造威力将会大上好几个量级。”
卢策吾教授研究组的一个 topic 是让计算机看大量视频，然后（非监督地）独立发明词汇。目前结果应该说是“非常崩溃的”，计算机只能推断出一些“显而易见”的概念。
“我们发现第 1242 号词汇（pattern）好像是对应‘走’的意思——其实这是很低级别语义，没什么意思——更深刻概念就根本抓不到，还在探索中，探索路上经常被打击。分享一下我们一些比较崩溃的研究经历，就是想说，计算机独立发明语言是一件非常艰难的事情。但这是窥探强人工智能的一个好工具，我相信逐步一点点推进还是有可能的。”
文章转自新智元公众号，原文链接