深度学习是通往类人 AI 的道路吗?加拿大 AI 研究人员 Yoshua Bengio 给出的回答是:是的,如果 AI 研究人员能设法解决功能迁移学习、高级认知和更多的人工智能操作空间这三个重要问题的话。

新任务和迁移学习

当前的 AI 系统高度专业化,遇到未知的任务会即刻失败,因此,必须就每个任务对它们进行训练,比如,一个图像分析 AI,虽然已经可以识别猫,但要用来识别老虎,就必须用几十张老虎的图片来重新训练它。而一个孩子通常通过一个例子即可学习区别。

成功的迁移学习应大大减少训练实例的数量,从而使神经网络的学习能力更接近于人。这将使 AI 系统更加灵活,并大大提高学习速度。

在实践中,已有一些初步的成功,例如谷歌的图像分析 AI Inception,这是一种经过预先训练的 AI 模型,经过少量训练后就可以成功地用于检测疾病。到目前为止,除了在专业化领域,几乎没有其他 AI 系统实例可以自我学习新任务。

高级认知的特性

人类智力有很多方面:直觉,逻辑思维,有意识和潜意识的反应,战略计划,以及本能行为。心理学家丹尼尔·卡尼曼(Daniel Kahneman)在有影响力的大脑研究畅销书《思维,快和慢》中将人类认知分为“系统 1”和“系统 2”。

“系统 1”的认知是直觉的、快速的、无意识的、非语言的和习惯性的。“系统 2”的认知是缓慢的、逻辑的、顺序的、有意识的、语言的、算法的、计划的和推论的,能操纵高级的语义概念并理解因果关系。

Bengio 认为,当前所有的深度学习系统都可以再现“系统 1”的认知。类似人类的深度学习系统还必须重现“系统 2”认知的某些(如果不是全部)特性。

已经有尝试通过深度学习系统学习至少部分的“系统 2”认知。例如,来自 Deepmind 的新研究论文表明,神经网络可以击败 CLEVRER,满足衡量得出简单逻辑结论能力的基准。

现实世界中有视角的 AI

Bengio 说,除了迁移学习和“系统 2”认知能力外,类人 AI 还需要现实世界中人的视角。例如,AI 可以体现在机器人中,从而暴露于变化的环境中,例如不同的位置、时间、传感、目标或策略。

Bengio 认为,特别是与其他代理的交互可能会导致 AI 系统不断学习,因此可能有助于迁移学习的发展。Bengio 还认为与现实世界的互动对于理解因果关系必不可少,而这又是“系统 2”认知的基本技能。

通过机器学习探索意识

Bengio 将上述路径视为关于人类类人工智能的研究项目。他认为,这三个研究项目都是相互联系的,只有解决了这三个问题,才有可能实现类似人类的 AI。他不使用通用人工智能一词。他同意 Facebook 的 AI 研究员 Yann LeCun 的观点,即不存在一种通用的智能形式——如果存在,那么它就不是人类。

根据 Bengio 的说法,在通往类人智能和“系统 2”认知的道路上需要意识。但是,目前尚无关于意识的公认的科学定义。Bengio 在这里看到了 AI 研究的巨大机会:现在是时候通过机器学习来探索意识了。人工智能研究可以形式化并测试意识的特定功能。

Transformer 技术的发明是该领域迈出的第一步,该技术是机器注意力的一种机制,在过去两年中从根本上提高了语音和图像 AI 的功能。下一步是研究人工意识。【数字叙事 黎雾】