当前位置:首页 > 前沿科技 > 正文

AI发展方向大辩论:混合AI?精读?把实用知识和常识融入AI?

作者:本迪克森(Ben Dickson)是一名软件工程师,也是TechTalks博客的创始人,该博客讨论技术如何解决问题并带来问题。

对AI意义重大,归功于深度学习领域取得的惊人进步。由于收集、存储和处理大量数据的能力不断增强,人工智能的这一分支已经变得可行。如今,深度学习不仅是一个科学研究课题,也是许多日常应用系统的关键组成部分。

但近十年的研究和应用清楚地表明,深度学习并不是克服构建智能堪比人类的AI这一艰巨挑战的最终解决方案。

我们需要如何将AI推向下一个层次?需要更多的数据和更大的神经网络?需要新的深度学习算法?还是需要深度学习以外的方法?

这个话题在AI社区引起了激烈的讨论,也是网上讨论蒙特利尔的中心话题。AI上周举行。不同背景、不同学科的科学家参与了这场名为《AI辩论2——推动AI前进:一种跨学科的方法》的大辩论。

混合人工智能

认知科学家加里马库斯共同主持了这场辩论。他重申了深度学习的几个缺点,包括数据需求高、将知识转移到其他领域的能力低、不透明以及缺乏推理和知识表示。

AI发展方向大辩论:混合AI?精读?把实用知识和常识融入AI?

马库斯一直公开炮轰纯深度学习的方法。他在2020年初发表了一篇论文,其中他提出了一种将学习算法与基于规则的软件相结合的混合方法。

其他发言者还指出,混合人工智能解决方案有望克服深度学习的挑战。

计算机科学家路易斯兰姆(Luis Lamb)说:“主要问题之一是确定人工智能的基本构件,以及如何提高人工智能的可靠性、可解释性和可解释性。”

Lamb是《神经符号认知推理》(神经-符号认知推理)的合著者,他提出了一种基于逻辑形式化和机器学习的神经符号AI基本方法。

兰姆说:“我们用逻辑和知识表示来表示将它与机器学习系统集成在一起的推理过程,这样我们也可以用深度学习机器来有效地改造神经学习。”

受到进化的启发

斯坦福大学计算机科学教授、谷歌云前首席人工智能科学家李菲菲强调,纵观进化历史,视觉一直是驱动人类智力的主要因素之一。同样,在过去十年中,图像分类和计算机视觉的研究工作也引发了深度学习革命。李菲菲开发了ImageNet,这是一个包含数百万标记图像的数据集,用于训练和评估计算机视觉系统。

李菲菲说:“作为科学家,我们问自己,‘下一个北极星是什么?’北极星不止一个。进化发展一直给我很大的启发。"

李菲菲指出,人和动物的智能来自于对现实世界的主动感知和交互,但目前的AI系统严重缺乏这一特性,反而依赖于人类筛选标记的数据。

她说:“感知和驱动之间有一个非常重要的循环,它决定了学习、理解、计划和推理。如果我们的AI agent能具体呈现,能在探索性动作和开发性动作之间转换,并具有多模态、多任务、泛化和频繁社会化的特点,这个循环就能得到改善。”

李菲菲目前正在斯坦福大学实验室工作,开发利用感知和驱动力来理解现实世界的交互式代理。

OpenAI研究员肯斯坦利也讨论了从进化中吸取的教训。斯坦利说:“自然进化的某些特征极其强大,无法用算法来解释,因为我们无法形成自然界形成的现象。那些都是我们应该继续去追,去理解的特征。这些特征不仅存在于进化中,也存在于我们自身。”

强化学习

计算机科学家理查德萨顿(Richard Sutton)指出,一般来说,人工智能工作缺乏“计算理论”,这是由以视觉研究闻名的神经科学家大卫马尔(David Marr)首先提出的。计算理论定义了信息处理系统努力实现什么以及为什么努力实现它。

萨顿说:“在神经科学领域,我们对整体思维的这个目标和目的缺乏普遍的理解。AI也是如此,可能更让人吃惊。Marr相信AI的计算理论就更缺乏了。”萨顿补充说,教科书往往简单地将AI定义为“让机器做人做的事”,最近对AI社区的认同(包括神经网络和符号学的争论)“集中在如何实现某个目标上,就好像我们已经明白了我们要做什么。”

萨顿说:“强化学习是智能的第一个计算理论。”他所谓的强化学习是AI的一个分支,它给代理人环境的基本规则,让他们找到最大化回报的方法。萨顿说:“强化学习明确了目标,什么,为什么。在强化学习中,目标是最大化任何奖励信号。为此,代理必须计算策略、成本函数并生成模型。”

他补充说,这一领域需要进一步发展普遍认同的智能计算理论,并表示强化学习目前是一项优秀的候选技术,但他承认其他候选技术可能值得探索。

萨顿是强化学习领域的先驱,并出版了一本关于这一主题的经典教科书。他目前工作的人工智能实验室DeepMind致力于“深度强化学习”,将神经网络集成到基本的强化学习技术中。近年来,DeepMind使用深度强化学习攻克围棋、象棋和《星际争霸2》。

尽管强化学习与人类和动物大脑中的学习机制惊人地相似,但它也面临着困扰深度学习的同样挑战。强化学习模型学习最简单的东西需要大量的训练,并且受到训练所针对的领域狭窄的严格限制。目前,深度强化学习模型的开发需要非常昂贵的计算资源,这使得该领域的研究局限于几家财务实力雄厚的公司,如拥有DeepMind的谷歌和拥有OpenAI的微软

将实用知识和常识融入AI

朱迪亚珀尔(Judea Pearl)是一位计算机科学家和图灵奖获得者,他因在贝叶斯网络和因果推理方面的工作而闻名。他强调,人工智能系统需要实用知识和常识来最有效地利用提供给它们的数据。

珀尔说:“我认为我们应该建立一个实用知识和数据相结合的系统。”他补充说,仅基于收集和盲目处理大量数据的人工智能系统注定要失败。

珀尔说,知识不是来自数据。相反,我们利用大脑中的先天结构与现实世界互动。我们用数据探索世界,并从中学习,就像新生儿探索世界一样:新生儿在没有明确指示的情况下学习很多。

珀尔说:“这个结构必须在数据之外实现。即使我们以某种方式从数据中神奇地学习到这种结构,我们仍然需要以一种可以与人类交流的形式来使用它。”

华盛顿大学的叶筋蔡教授还强调了常识的重要性以及缺乏常识给当前人工智能系统带来的挑战,该系统侧重于将输入数据与结果相匹配。

崔说:“今天的深度学习,即使不理解数据集背后的任务,也能解释数据集。这是由于AI与人类智能(尤其是关于现实世界的知识)的巨大差异,常识是基本缺失。元素之一。”

崔还指出,推理是一个无限的领域,推理本身就是一个生成任务,这与当今深度学习算法和评测基准测试所应用的分类任务有很大不同。崔说:“我们从来没有列举太多,我们只是立即推理,这将是我们今后考虑的关键的根本挑战之一。”

但是对于如何实现AI,我们也有常识和推理。崔提出致力于多个并行研究领域,包括将符号表征与神经表征相结合,将知识融入推理,设计不仅用于分类的基准测试。

但是我们如何在AI中实现常识和推理呢?崔提出了广泛的并行研究领域,包括符号与神经表征的结合,知识与推理的整合,以及设计不仅用于分类的基准测试。

崔说,我们还不知道通往常识的完整道路。她补充道:“但有一点是肯定的,那就是我们无法通过建造世界上更高的建筑来达到成功的另一面。因此,GPT-4、GPT-5或GPT-6可能没有帮助。”

5分钟掌握手动优化机器学习模型超参数

机器学习算法具有超参数,可让这些算法针对特定的数据集进行量身定制�

0

发表评论