人工智慧的未來將依賴於先天結構還是後天學習？

作者｜ Jeremy Hsu

編輯｜Emily

譯者 | 馬卓奇

AI前線出品｜ ID：ai-front

導語：「紐約大學的 Yann LeCun 和 Gary Marcus 近日針對 AI 是否需要更多的類似於人類和動物的內置認知機制才能達到近似的智能水平展開了一場辯論」。

一輛由先進的人工智慧技術驅動的自動駕駛汽車可能需要在虛擬模擬中 50000 次撞到樹上，才能知道這是個壞主意。但是野山羊羊羔在陡峭的山坡上攀爬時，在學習到如何找到穩定的立腳點使自己不會掉下去之前，無從奢求從幾百次致命的試驗中復活。一個心理學家 3 歲的女兒也不需要無數次的練習，才能突然想到如何從椅子後面的一個開口爬上去。

今天最強大的人工智慧技術藉助豐富的計算資源，從零開始學習世界上的一切內容。相比之下，人類和動物似乎能從直覺上理解某些概念，例如物體、地點以及一系列相關的事物，使他們能夠快速了解世界是如何運作的。這就引出了一個重要的「天性與教養」的問題：人工智慧的學習是不是需要內置人類和動物所擁有的這種先天認知機制，才能達到類似的一般智力水平？

兩位 AI 和心理學的頂尖研究人員在昨晚紐約大學思想、大腦和意識中心主辦的活動中對該話題進行了針鋒相對的爭論。

「無論是通過結構或通過學習，我們所擁有的 AI 技術中沒有一種可以構造出類似動物和人類所構造的對這個世界的表述，」 Yann LeCun 說。他是紐約大學的計算機科學家，以及 Facebook 的人工智慧研究所主任。

LeCun 是人工智慧領域深度學習的開闢者，幫助科技巨頭打造流行的自動化服務。例如在 Facebook 上過濾朋友的面孔，或者通過 Google 翻譯進行英語和漢語之間的翻譯。深度學習演算法使人工智慧在沒有人類和動物的認知機制的情況下，能夠執行所有這些任務。並且，當擁有 Facebook，Google 或微軟等公司的巨大的計算資源時，深度學習演算法在過濾大量數據的過程中逐漸學會了識別世界的某些模式，這也是某些特定感知類型的任務所需的步驟，例如圖像識別。

每個人都認同，目前的人工智慧技術，如深度學習，依然無法使通用人工智慧擁有與動物或人相媲美的智力。不過，LeCun 認為，基於無監督的深度學習，AI 可以在開發一般智力的道路上取得進步，無監督學習是一項最近發展的技術，消除了機器對人類提供手動標註數據的依賴。

LeCun 指出，現代人工智慧的成功在很大程度上並不是依賴於內置假設，或結構化的關於世界是如何運行的概念。從這個意義來說，他傾向於用極簡的 AI 演算法結構來維持這種簡單性。並且他認為這樣做時可以不用考慮人類語言學家、心理學家或認知科學家的真知灼見。「我的任務是在我們所擁有的數據量的前提下，盡量減少學習過程所需的固有認知機制，」LeCun 說。

Gary Marcus 卻認為沒有這麼快。Marcus 是初創公司「幾何智能」（Geometric Intelligence，已被 Uber 的 AI 團隊收購）的一名心理學研究員。他承認無監督深度學習有成功的機會。但他認為，只有這些演算法用「更豐富的原語和表示形式，而不僅僅是像素」來理解世界時，才能成功。

Marcus 說：「我們想要的是孩子們也擁有的那種東西，那種用來理解物體的行為，以及世界的實體和物理學原理的表示和原語。」。

Marcus 希望看到 AI 研究者「從認知科學中大方採納經驗」，通過構建更多的可以代表認知概念的結構化演算法，例如目標、集、位置，和時空連續性。他引用了他自己的工作，以及同事 Elizabeth Spelke——哈佛大學的認知心理學家的工作，來展示人類的孩子很早就具有能察覺到某些概念的能力，例如人、物體、集和位置。他建議：為什麼不在 AI 中採用類似的方法，使用一些能映射到相似的概念的結構？

即使 LeCun 自己的開創性工作——卷積神經網路，它可以在物體識別任務中進行更有效的計算和處理，也是證明使用更具結構化的方法來約束 AI 必須過濾的信息量，可以幫助 AI 更好的理解世界的一個很好的例子，Marcus 說。

Marcus 說：「我認為，我們真正需要的是系統地思考和分析當我們在機器學習中嵌入不同數量的固有機制時會發生什麼。」

LeCun 認為，AI 需要一定的結構來幫助它理解世界。但他想知道生物大腦中是否有「單一的學習演算法、原理或程序」，或者是否更像是一個無組織原則的無意義的「黑客」集合。在他看來，人工智慧可以大大受益於單一的學習原則，或這類的原則的集合，不管有沒有內置的先天認知機制的結構模型。

「現在缺少的是一個可以讓我們的機器通過觀察，以及與世界互動，來學習世界是如何運作的原則，」LeCun 說。「我們目前缺少的，是一個學習預測世界的模型，在我看來，這是人工智慧取得重大進展的道路上的最大障礙。」

LeCun 認為，智能的本質是預測的能力，因為預測未來是對世界的狀態進行「填空」的一種非常特殊的情況。常識使得人類和動物能夠根據他們所具有的世界如何運作的知識，來填補丟失的信息。這就是為什麼人類司機不需要在 50000 次撞到樹之後才能意識到這是一個壞主意，人類可以直接意識到如果他們把車撞到樹上會發生什麼。

LeCun 希望無監督學習可以使 AI 最終從物理角度對世界是如何運作的形成一種意識，而不是一些低級的常識。「如果在我的職業生涯結束時候我們有一個像貓，或者老鼠一樣聰明的機器，我就很滿意了，」LeCun 說。

關於 AI 學習最終將更多地證明「先天機制」還是「後天學習」的爭論還遠未解決。但 LeCun 和 Marcus 對於判斷哪一個是正確的關鍵表現指標達成了一致。如果無監督學習演算法最終需要更多的類似於對象、集合、位置等的認知表示的結構，Marcus 便可以宣稱獲勝。如果無監督學習不需要這樣的結構就能成功，那麼 LeCun 的理論將被證明是正確的。

Marcus 說：「一點點固有認知結構可能會幫助你朝著這個目標前進一大步。」

LeCun 澄清：「一點點，沒錯。」

查看英文原文：

https://spectrum.ieee.org/tech-talk/robotics/artificial-intelligence/ai-and-psychology-researchers-debate-the-future-of-deep-learning

－全文完－

關注人工智慧的落地實踐，與企業一起探尋 AI 的邊界，AICon 全球人工智慧技術大會火熱售票中，8 折倒計時一周搶票，詳情點擊：

http://t.cn/Rl2MftP

《深入淺出TensorFlow》迷你書現已發布，關注公眾號「AI前線」，ID：ai-front，回復關鍵字：TF，獲取下載鏈接！