江苏龙网

  1. 首页 > 生活 > >

AI科技大本营|Gary Marcus：因果熵理论的荒诞和认知科学带给AI的11个启示 | 文末赠书(13)


在机器学习领域内 ， 许多人都认为 ， 先天连线的做法就和作弊一样令人不齿 ， 预置的内容越少 ， 解决方案就越牛 。 DeepMind 的许多早期工作 ， 似乎都受到这种思想的指引 。 玩雅达利游戏的系统 ， 除了用于深度强化学习的通用架构 ， 以及代表操纵杆选项、屏幕像素和总分的特征之外 ， 完全没有内置内容 ， 甚至连游戏规则本身 ， 也必须通过经验和各种策略来获得 。
在《自然》杂志后来发表的一篇论文中 ， DeepMind 宣称 ， 他们已经“在没有人类知识的情况下”掌握了围棋 。 虽然 DeepMind 所使用的人类围棋知识的确比前辈要少 ， 但“没有人类知识”这个说法还是夸大了事实:系统仍然在很大程度上依赖于人类在过去几十年间发现的让机器下围棋的方法 ， 尤 其是蒙特卡洛树搜索 ， 之前讲到过这种方法 。 这种方法通过从具备不同 棋局可能性的树形图上随机抽样来实现 ， 本质上与深度学习并没有什么关系 。 他们之前在雅达利游戏上所做的工作有所不同 ， 雅达利的成果在业内已经得 到了广泛讨论 。 人类知识与此无关的说法 ， 根本不符合事实 。
不仅如此 ， 同样重要的是 ， 这种说法本身也揭示了深度学习界的价值倾向:尽力消除先验知识 ， 而不是尝试利用这些知识 。 这就好像汽车制造商认为重新发现圆形车轮是件很酷的事情 ， 所以从一开始就无视过去两千年车辆制造的丰富经验 ， 对现成的车轮置之不理 。
我们相信 ， 人工智能要获得真正的进步 ， 首先要搞清楚应该内置何种知识和表征 ， 并以此为起点来启动其他的能力 。 DeepMind 还内置了棋局规则和其他一些关于围棋的详细知识 ， 这与他们之前在雅达利游戏上所做的工作有所不同 ， 雅达利的成果在业内已经得到了广泛讨论 。 人类知识与此无关的说法 ， 根本不符合事实 。
不仅如此 ， 同样重要的是 ， 这种说法本身也揭示了深度学习界的价值倾 向:尽力消除先验知识 ， 而不是尝试利用这些知识 。 这就好像汽车制造商认 为重新发现圆形车轮是件很酷的事情 ， 所以从一开始就无视过去两千年车辆 制造的丰富经验 ， 对现成的车轮置之不理 。
我们相信 ， 人工智能要获得真正的进步 ， 首先要搞清楚应该内置何种知识和表征 ， 并以此为起点来启动其他的能力 。
我们整个行业 ， 都需要学习如何利用对实体对象的核心理解来进一步了解世界 ， 在此基础之上构建起系统 ， 而不是单纯凭借像素和行为之间的相关性来学习一切 ， 以此为系统的核心 。 我们所谓的“常识” ， 大部分是后天习得的 ， 比如钱包是用来装钱的、奶酪可以打成碎屑 ， 但几乎所有这些常识 ， 都始于对时间、空间和因果关系的确定感知 。 所有这一切的基础 ， 可能就是表征抽象、组合性 ， 以及持续存在一段时间(可以是几分钟 ， 也可以是数十年)的对象和人等个体实体的属性的内在机制 。 如果机器想要学习尚无法掌握的东西 ， 那么从一开始就需要拥有这样的基础 。
为机器赋予常识
加州大学洛杉矶分校计算机科学项目主席阿德南· 德尔维希(AdnanDarwische)在最近的一份给人工智能行业的公开信中 ， 呼吁对 AI 研究人员进行更加广泛的培训 ， 提出“我们需要新一代的 AI 研究人员 ， 能深谙行业之道 ， 用更宽的视角去理解经典人工智能、机器学习和计算机科学 ， 同时掌 握人工智能的发展历史” 。
我们在此观点之上进一步拓展 ， 认为 AI 研究人员不仅需要借鉴计算机科学领域的诸多成就(在如今大数据热潮之中 ， 计算机科学的成果常常被人遗忘) ， 而且还要从心理学、语言学、神经科学等其他学科中汲取养料 。 这些认知科学领域的发展历史和研究成果 ， 能让我们了解到生物体应对“智能”这个复杂挑战的整个过程:如果人工智能想要成为与自然智能有些许相 似之处的事物 ， 我们就要学习如何构建结构化的混合系统 ， 将先天的知识和 能力融入进去 ， 让它实现对知识的组合性表征 ， 并对持续存在的个体进行跟 进 ， 就像人类所做的一样 。


推荐阅读


上一篇：家风|@河源人，这里有一个好家风微视频征集活动，快来报名吧！

下一篇：时光网Mtime|网飞又出爽剧，烧脑悬疑+末日科幻，一集就上天