大牛激辯：AI該像嬰兒一樣生來就懂事，還是該從零學(xué)習(xí)？
雖然現(xiàn)在人工智能炒作得很厲害，但是其實AI的智商連幾歲的嬰兒或者動物都不如。人類與動物似乎具備天生的認(rèn)知手段，可以在信息有限的情況下了解到世界的運作方式。那么AI是否也應(yīng)該內(nèi)置類似的認(rèn)知手段呢？兩位AI專家展開了激辯。
對由較為流行的人工智能技術(shù)提供支持的無人車而言，庫卡機器人驅(qū)動器維修，它需要在虛擬仿真中撞樹5萬遍才能了解到撞樹是個糟糕的主意。但是，在極其陡峭的山坡上攀登的野山羊幼兒可沒有這么奢侈的環(huán)境，可以經(jīng)歷幾百萬次的生死之后才學(xué)會如何攀巖不會摔死。同時，一位心理學(xué)家的3歲女兒并不需要練習(xí)數(shù)百萬次才學(xué)會爬過椅子后背的空隙。
今天，最強大的人工智能技術(shù)幾乎是在強大的計算資源幫助下從零開始學(xué)會有關(guān)世界的一切。相比之下，人類和動物似乎對特定概念、對象、地方以及一組相關(guān)的東西有著直觀了解，庫卡機器人，庫卡機器人，可以迅速了解世界的運作方式。這就引出了一個重要的自然還是培養(yǎng)的問題：人工智能的學(xué)習(xí)是否需要內(nèi)置人類與動物與生俱來的那種認(rèn)知手段來實現(xiàn)類似水平的一般智能？
近日，兩位研究AI與心理學(xué)的大牛就此話題在紐約大學(xué)心智、大腦與意識中心展開了面對面的辯論。
紐約大學(xué)計算機科學(xué)家及Facebook人工智能研究中心主任YannLeCun說：無論是通過結(jié)果還是通過學(xué)習(xí)，我們目前的AI技術(shù)都不能建立這個世界的表征，那種跟我們在動物和人類身上觀察到的東西接近的表征。
LeCun幫助引領(lǐng)了AI深度學(xué)習(xí)領(lǐng)域的發(fā)展，這項技術(shù)給技術(shù)巨頭自動化注入過濾Facebook上面朋友的臉龐或者通過GoogleTranslate將中文翻譯成英文等熱門服務(wù)提供了幫助。深度學(xué)習(xí)算法找到了如何在不需要任何額動物具備的那種天生的認(rèn)知手段的情況下執(zhí)行所有那些任務(wù)的辦法。相反，深度學(xué)習(xí)算法可以在過濾海量數(shù)據(jù)的同時逐步學(xué)會認(rèn)識有關(guān)世界的特定模式當(dāng)你擁有Facebook、Google以及微軟的龐大資源時，這個過程對于圖像識別等特定的感知任務(wù)是有效的。
所有人都同意目前的注入深度學(xué)習(xí)等AI技術(shù)仍然達(dá)不到智能可與動物或者人類相提并論的一般AI的水平。盡管如此，LeCun認(rèn)為AI可以在發(fā)展那種一般智能方面取得進(jìn)展，其基礎(chǔ)是最近取得進(jìn)展的無監(jiān)督深度學(xué)習(xí)，這種技術(shù)可以取消由人提供機器學(xué)習(xí)所需的人工標(biāo)記數(shù)據(jù)的大部分需要。
我的追求是將利用手頭數(shù)據(jù)去學(xué)習(xí)的固有手段的數(shù)量最小化。
YannLeCun，紐約大學(xué)，F(xiàn)acebook
LeCun指出，現(xiàn)代AI的成功很大程度上并不是取決于對世界的運作方式建立假設(shè)或者結(jié)構(gòu)化概念上。從這個意義上來說，他更偏向于維持AI算法最小結(jié)構(gòu)化的那種簡潔性。而且他想象做這件事應(yīng)該不需要利用人類語言學(xué)家、心理學(xué)家或者認(rèn)知科學(xué)家的洞察。LeCun說：我的追求是將利用手頭數(shù)據(jù)去學(xué)習(xí)的固有手段的數(shù)量最小化。
紐約大學(xué)的研究心理學(xué)家，初創(chuàng)企業(yè)GeometricIntelligence（現(xiàn)屬于Uber的AI部門）的創(chuàng)始人GaryMarcus則認(rèn)為這一天不會那么快到來。他承認(rèn)無監(jiān)督深度學(xué)習(xí)有成功的機會。但他認(rèn)為此類算法在擁有比像素更豐富的基元與表征集去理解世界的情況下才能成功。
我們想要小孩擁有的那種東西，也就是用于理解對象和實體行為以及世界的物理性質(zhì)的基元和表征。
GaryMarcus，紐約大學(xué)
Marcus說：我們想要小孩擁有的那種東西，也就是用于理解對象和實體行為以及世界的物理性質(zhì)的基元和表征。
Marcus希望看到AI研究人員可以更加慷慨地借鑒認(rèn)知科學(xué)，開發(fā)出更加結(jié)構(gòu)化的算法來表示注入對象、集合、地方以及時刻連續(xù)性等認(rèn)知概念。他引用了自己以及諸如哈佛大學(xué)認(rèn)知科學(xué)家ElizabethSpelke等同事的工作，通過這些來說明人類兒童如何在很早的時候就具備了認(rèn)識諸如人、物體、集合以及地方等概念的能力。他的建議：AI為什么不能利用類似的辦法，實現(xiàn)一些結(jié)構(gòu)去映射類似的概念呢？
Marcus說，即使是LeCun在卷積神經(jīng)網(wǎng)絡(luò)（一種對象識別任務(wù)的更高效計算處理方法）上面的先驅(qū)工作，也是如何利用更為結(jié)構(gòu)化的辦法去約束AI必須過濾的信息量，從而更好地理解世界的很好例子。
Marcus說：我認(rèn)為我們真正需要的是系統(tǒng)性思維和分析，對在將不同數(shù)量的固有手段植入機器學(xué)習(xí)時發(fā)生的事情進(jìn)行系統(tǒng)性思考和分析。
LeCun同意AI需要一些結(jié)構(gòu)來幫助理解世界。但他懷疑生物大腦是否存在單一的學(xué)習(xí)算法或者原則、過程，或者這是不是更像是沒有底層組織原則的無意義的破解集合。在他看來，不管有沒有內(nèi)置的按照先天認(rèn)知手段建模的結(jié)構(gòu)，AI都可以極大受益于單一的學(xué)習(xí)原則或者此類原則的結(jié)合。
LeCun說：現(xiàn)在缺的是一個允許我們的機器通過觀察以及跟世界互動來了解世界運作方式的原則。一個學(xué)習(xí)預(yù)測性世界模型是我們現(xiàn)在所欠缺的，以我之見，這是AI取得重大進(jìn)展的最大障礙。
智能的精髓在于預(yù)測的能力，因為預(yù)測未來是填補有關(guān)世界狀態(tài)空白的一個非常特殊的情況，LeCun說。常識讓人類和動物可以根據(jù)自己對世界運作機制的認(rèn)識去補充缺失的信息。這就是人類司機不需要撞50000次樹才意識到這是壞主意的原因；人類已經(jīng)對如果駕駛車輛撞向樹木可能發(fā)生的事情有感覺了。
LeCun希望無監(jiān)督學(xué)習(xí)可以引領(lǐng)AI產(chǎn)生一種感覺，如果說不是常識的粗略形式的話，也是感知世界的運作方式的物理視角。LeCun說：如果到我職業(yè)生涯結(jié)束時我們能有跟貓一樣聰明的機器的話，我會非常高興的，或者老鼠也行。
AI學(xué)習(xí)最終更多是道法自然還是更多靠培養(yǎng)？這一話題之爭還遠(yuǎn)遠(yuǎn)沒有定論。但無論是LeCun還是Marcus都同意驗證說法真?zhèn)蔚年P(guān)鍵績效指標(biāo)。如果無監(jiān)督學(xué)習(xí)算法最終需要更多類似問題、集合、地方等認(rèn)知表征的結(jié)構(gòu)的話，Marcus就可以宣告自己的勝利。如果無監(jiān)督學(xué)習(xí)發(fā)現(xiàn)成功并不需要此類結(jié)構(gòu)化的話，則LeCun就被證明是正確的。