来源：Twitter、Reddit
这几天，人工智能领域最令人兴奋的进展莫过于 OpenAI 的机器手学会了单手解魔方 。
OpenAI 在 10月 15 日发布这一成果，立即引起大量讨论。转魔方的视频被疯狂刷屏，仅 YouTube 的视频就有 20万观看，网友纷纷表示：人工智能机器人的一个新里程碑诞生了！这是机器人在机体灵活性以及机器学习软件方面的飞跃！
OpenAI 使用强化学习和 Kociemba 算法训练神经网络来模拟解决魔方问题。研究人员专注于一个机器目前难以掌握的问题：感知和灵巧的操作。他们训练神经网络来实现由法生成的还原所需的旋转和翻转，并开发了一种称为自动域随机化的新方法，该算法能够无休止地在仿真中生成越来越困难的环境，从而让神经网络在模拟环境中学习解魔方，再迁移应用到现实世界。
用机器手解决魔方 的背后有许多人手
OpenAI 训练类人机器手来解魔方的尝试，早在 2017 年 5 月就开始了。之所以对解魔方情有独钟，是因为研究人员认为，如果能成功训练这样一只机器手来完成复杂的操作任务，就能为通用型机器人奠定基础。
OpenAI 同时公开了一个机器手解魔方的完整视频，视频未经任何剪辑，可以看到，机器手灵活地操作魔方，在约 4 分钟的时间里成功还原了一个三阶魔方。
机器手还原魔方的完整过程，视频未经任何编辑然而，这一成果遭到了纽约大学心理学与认知科学教授、畅销书作家加里 马库斯(Gary Marcus)的质疑 OpenAI 声称 解决 了魔方，真的是这样吗？马库斯认为 OpenAI 还原魔方的博客内容存在误导性，他说：
鉴于 OpenAI 仍然没有更改关于 解决魔方 的误导性博客帖子(博客标题是 Solving Rubik s Cube with a Robot Hand)，所以我附上了详细的分析，将他们的说法和暗示与实际所做的进行了比较。依我之见，这些误导性对大多数对非专业人士来说并不明显。
马库斯对 OpenAI 解决魔方 的 7 条质疑如下：
这不是神经网络解决的；而是有 17 年历史的符号算法做到的。
这种算法是先天的，而不是学习的。
强化学习在选择转向哪个方向(即大多数人所说的解决了魔方)时不起作用。
所学到的是物体操纵，而不是解魔方。
只有一个物体被操纵，并且没有测试对其他对象的可推广性。
该物体装配了大量仪器(如蓝牙传感器)，机器手也安装了 LED。
成功率只有 20%；魔方经常从机器人手中掉落。
他说： 我强调一下，这个成果本身给人留下了深刻的印象，但描述有误导，更恰当的标题应该是 用强化学习操纵魔方 或 灵巧的机器人手操纵物体的进展 或类似的句子。
OpenAI 联合创始人、机器人团队负责人 Woj Zaremba 注意到马库斯的帖子，反驳道：
你的前三个论点是一样的。
泛化是从模拟到现实，而不是从一个物体到另一个物体。
我们没有装配仪器得到的结果稍微弱一些。
你确信我们不会将性能提升到 100%吗？
马库斯回应道：
我的前两个论点完全不同：先天性≠象征性。这些是不同的。第三个论点有一点重叠，但并不明显。
我当然知道，但是为了稳健性，你需要推广到新物体上
我期待看到其他结果
我相信你们最终会做得更好。
尽管是马库斯率先提出质疑，但不少人的回复并不赞同马库斯的说法，有人回复道：这是一个有缺陷的批评，基于对魔方的误解。魔方不是像围棋那样是一种可以学习的任务，而是需要记忆解法和熟练操作的任务；人类玩魔方也遵循一种算法。
马库斯仍表示：总的来说，他们(OpenAI)没有对我的观点做出回应，我的观点是那篇博客的框架与论文的内容不相符合，虽然我同意这个工作很重要，但炒作是有误导性的。
一、网友评论各执一词，马库斯是一针见血，还是吹毛求疵？
马库斯在 Twitter 上也承认这个研究是个不错的研究，但博客文章中的一些说法用词不当，和实际不符，具有误导性。
我的主要观点是，现在被热议的 OpenAI 的博客文章具有误导性；在技术论文中精挑细选出的东西并不能解决问题。我在推特上也详细讲了，文章本身的标题以及开头的框架都具有误导性。因此，文章本身有其自身的问题。
OpenAI 博客中的结尾表示： 强化学习不仅可以作为虚拟任务的工具，而且可以解决需要前所未有的灵活性的真实世界中的问题。 而马库斯认为，如果没有更强的泛化测试，就无法提出进一步的主张。5 个略有不同的 cube 实验，也不能让这个机械手学会拧紧螺丝，开锁或给衬衫系上扣子。
所以，这些问题的解决实际上无从谈起。Twitter 上有人对马库斯表示支持，认为 OpenAI 的博客中的说法和实际确实存在实际差异。这种夸大其词可能导致大众对技术的盲目信任，进而造成消极后果，比如特斯拉的撞车事故。
WAP-IMG::3::IMG-END 马库斯自己还发了个投票：
不过从 600 多人的投票结果看，支持 解决魔方 应包括认知和操纵两方面的占大多数。在 Twitter 上不断 放炮 的同时，这场辩论的战火不了避免地转到了其他平台，比如 Reddit。
有网友搬运了马库斯在 Twitter 上发出的对 OpenAI 博客文章的 7 点详细意见，并配了贴图。但从网友讨论来看，支持马库斯的不多。更多的人认为他这是过于苛刻，咬文嚼字，没事找事。比如下边这位就说，他觉得马库斯写的这 7 点摘要比 OpenAI 博客文章更具误导性。
关注点 1-4： 神经网络没有解决问题；解决问题的是具有 17 年历史的符号 AI 算法。 博客： 我们使用强化学习和 Kociemba 的算法来选择求解步骤，训练神经网络来解决仿真中的魔方。
关注点 5： 只有一个对象被操纵，没有对其他对象的可推广性测试 博客：测试使用了五种不同的原型，一个锁紧的模仿，一个面部立方体，一个完整的立方体，一个吉克魔方和一个 常规 魔方。这篇文章从来没有声称要解决魔方的问题。
关注点 6： 该物体已被植入大量设备（比如带有蓝牙功能传感器）。玩魔方的手上也装有 LED。 博客：五个不同的原型中置入了不同级别的仪器。 常规 魔方没有置入任何设备，只是从中心正方形上切除小角，以消除对称性。
关注点 7： 成功率只有 20％；魔方经常掉落。 博客： 尽管如此，我们的机器人仍未完善其技术，因为只有 60％ 的成功几率（而最困难的情况下只有 20％ 的成功几率）。
而且下文专门开了一段来说这个问题。还有人认为，马库斯实在是过于挑剔了，过于纠结于实际上并不重要的问题。
我承认马库斯是一个能言善辩的人。但我觉得他过于迂腐，以至于无视于眼前的实际问题，大多数外行人都有能力阅读文章的背后之意，查看研究或博客文章的内容。
你可以去追求学术上的精确，但是那些真正关心这些东西的人很可能会陷入困境。我们都对他列出的几条问题有所了解，但至少其中大多数。在这种情况下几乎是无关紧要的，甚至像 泛化性 之类的重要论点，在机器人的高灵敏度这一主要问题面前，也显得不那么重要了。
我明白，不同的人会以不同的严谨程度来对待这个问题，并且我也理解马库斯的担忧，但我认为，对于 OpenAI 的公开批评过于挑剔，这些问题本身对这次讨论并不重要。
二、马库斯是谁？深度学习怀疑论者
Gary Marcus
加里 马库斯(Gary Marcus)是一位科学家、畅销书作家和企业家。他是 Robust.AI 公司的创始人和首席执行官，Geometric Intelligence 公司(2016 年被优步收购)的创始人兼首席执行官，出版著作包括《代数思维》、《怪诞脑科学(Kluge)》、《思维的诞生》等，最新著作是与 Ernest Davis 合著的《Rebooting AI :构建我们可以信任的人工智能》。
马库斯也是著名的深度学习怀疑论者。作为认知心理学家，他一直高调参与人工智能辩论，与 Yann LeCun、AAAI 前主席 Thomas Dietterich 等 AI 大牛都展开过激烈辩论。
他曾撰文批判深度学习(Marcus, 2018)，称深度学习实际上并没解决什么问题。这篇文章引起了人工智能圈极大的反响，几天之内，成千上万的人在推特上发表了自己对这个问题的看法，有些人热情支持马库斯的论点（例如， 这是我多年来读到的有关深度学习和 AI 的最好的观点），有些相反（例如， 有思考...... 但大部分都是错误的 ）。
在那篇批判深度学习的文章中，马库斯概括了深度学习的十大挑战，直言深度学习本身虽然有用，但它不可能实现通用人工智能。他建议把深度学习视为 一种非普遍的解决方法，而只是一种工具。
他说： 相比纯粹的深度学习，我呼吁混合模型，不仅包括深度学习的监督形式，还包括其他技术，例如符号处理（symbol-manipulation），以及无监督学习（它本身也可能被重新概念化）。我也敦促社区考虑将更多的内在结构纳入 AI 系统。
