江苏龙网

  1. 首页 > 人文 > >

科技日报|想要推理能力比肩人类 AI先得换种学习方式

不管是人类 ， 还是动物 ， 在学习大多数事物时 ， 都是在自我监督的模式下进行的 ， 而不是强化学习模式 。 这个模式本质上就是观察这个世界 ， 然后不断与之互动 ， 这种观察是自发的 ， 而不是在测试条件下完成的 。
人类在漫长的进化中 ， 获得了一种能通过感知、逻辑推理来与世界互动、认识世界的能力 。 当一个梨摆在我们面前时 ， 我们能够通过嗅觉、视觉等 ， 判断出它是梨而非苹果 。 当在路上行驶时 ， 即使行人被部分遮挡住 ， 我们也能从露出的部分体貌特征判断出这是一个人 ， 从而进行避让 。
在人工智能领域 ， 科学家们也一直试图让机器拥有像人一样的逻辑思维能力 ， 帮助人完成更多工作 。
近日 ， 在2020 ICLR大会上 ， 图灵奖得主舒亚·本吉欧（Yoshua Bengio）和扬·勒昆（Yann LeCun）发表观点称 ， 自监督学习有望使AI产生类人的推理能力 。 本吉欧相信机器最终可以习得关于这个世界的各种知识 ， 这种知识的获得并不需要机器去亲身体验各种真实发生的事件 ， 而是通过习得语言化的知识来实现 。
那么机器如何具备类人的推理能力？想具备类人的推理能力还要逾越哪些障碍？
“死记硬背”让机器难有逻辑能力
购物时 ， 无需出示支付码 ， 将面部特征绑定银行卡就能轻松消费；回家路上 ， 查询手机地图 ， 可以看出哪些地段拥堵；到饭点了 ， 跟机器人对话叫外卖……这些基于机器学习的应用 ， 正在让人工智能变得可观可感 。 但机器学习面临的挑战便是 ， 需要大量数据的积累以及很强的算力 。
机器学习分为监督学习、无监督学习和强化学习 。 “监督学习需要对数据进行标签分类 ， 数据需要涵盖所有可能的场景 ， 此外 ， 完成学习 ， 机器还需要大量的算力 。 例如 ， 如果希望创建图像分类模型 ， 则必须为系统提供经过适当分类标记的大量图像 ， 让模型在其中进行充分训练 。 有时数据量达到百万、千万级规模 ， 需要几百万、上千万次的迭代 。 ”中国科学院自动化研究所研究员、视语科技创始人王金桥告诉科技日报采访人员 。
因此 ， 减少对数据的依赖 ， 一直是研究人员最重要的探索方向之一 。 在南京航空航天大学计算机学院教授陈松灿看来 ， 监督学习往往需要大量的带有注释、标记的数据 ， 而标记这些数据 ， 需要人工完成 ， 既耗时又昂贵 。
然而 ， 即使是在有大量数据“打底”的监督学习环境中 ， 一旦机器遇到不同于训练示例的全新状况 ， 也面临着失控的风险 。
“例如无人驾驶汽车行驶在一条陌生的道路上 ， 前方虽然出现了路杆 ， 但如果此前系统没有遇到过这种道路模式 ， 就会撞上去 。 进入摄像头视野的行人 ， 如果未露出全貌 ， 那系统就无法判断出这是一个人 ， 也会撞上去 。 还有我们进入停车场时 ， 有些停车杆不能及时抬起 ， 是因为靠近停车杆的行驶角度超出了此前设定的范围 。 ”王金桥表示 ， 虽然数据标签的质量 ， 对于监督学习的效果非常重要 ， 但监督学习不应局限于这种模式 ， 应该提高对未知环境的探索和理解能力 。
自监督学习可利用规律举一反三
对于机器学习的未来 ， 扬·勒昆和约舒亚·本吉欧有着相同的期待 ， 他们认为 ， 自监督学习会创造出更像人类的人工智能 。
正如勒昆所解释的 ， 大多数人可以在30小时内学会驾驶汽车 ， 因为他们已经凭借直觉构建了一个关于汽车行动方式的物理模型 。
“自监督学习是无监督学习中的一种 ， 它可以通过揭示数据各部分之间的关系、内在结构 ， 从数据中生成标签 ， 这种标签便于对数据进行分类 。 自监督学习需要学习的样本量很少 ， 但需要有基础知识的积累 。 ”王金桥说 。
王金桥进一步解释 ， 例如下围棋 ， 如果机器可以将顶尖高手的棋路都学会 ， 就能举一反三 。 又例如 ， 假设世界上有5000种苹果的类型 ， 植物学家又培育出一种新苹果 ， 与其他苹果长得很像 ， 那么自监督学习就可以通过数据的分析 ， 识别出这是苹果 ， 但又能认识到它是不同于以往的苹果类型 。 也就是说 ， 通过自监督学习 ， 机器不需要训练 ， 就可以通过自动分析内部数据的结构关系 ， 并且应用分析数据得到的规律 ， 对各种新情况作出判断 。 这种能力类似于人 ， 在婴幼儿时期 ， 人类能用嗅觉、触觉、视觉等感知世界 ， 进入学校学习后 ， 能将万事万物的物理特征 ， 与知识结合起来 ， 慢慢形成推理能力 。
王金桥认为 ， 这有点类似于勒昆说的 ， 自监督学习无需创建大量带有标签的数据集 ， 例如用大量猫和狗的图片 ， 让机器认识猫和狗的不同；也不用花费数千个小时训练“Alpha Zero”这样的国际象棋游戏机器人 ， 而是只需获取一些丰富的原始数据 ， 例如视频 ， 然后“喂”给计算机 ， 训练机器预测视频中即将出现的画面 。
“不管是人类 ， 还是动物 ， 在学习大多数事物时 ， 都是在自我监督的模式下进行的 ， 而不是强化学习模式 。 这个模式本质上就是观察这个世界 ， 然后不断与之增进互动 ， 这种观察是自发的 ， 而不是在测试条件下完成的 。 ”勒昆在2020 ICLR大会上表示 。
达到类人水平还需算法理论突破
在几位专家看来 ， 目前想通过自监督学习实现机器的类人逻辑能力 ， 还前路漫漫 。
陈松灿认为 ， 自监督学习需要解决数据的不确定性问题 ， 即积累的数据与要完成的任务的匹配性问题 。 “例如 ， 利用自监督学习训练的自动驾驶系统 ， 可以通过机载的测速仪、方向仪 ， 学习安全行驶的方向和速度信息 。 但以现在的技术水平来说 ， 如果行人横穿马路 ， 而此前标记的信息与行人横穿马路不搭界 ， 那自动驾驶系统就会无法做出判断 ， 发出指令 。 ”
王金桥表示：“从监督学习到自监督学习 ， 就像先让机器知道什么是1234 ， 才能算加减乘除一样 。 目前的自监督学习还非常初级 ， 仅有一些小的、封闭的数据集 。 ”
他说 ， 目前制约自监督学习的因素涉及大数据积累、小样本监督 ， 以及自主进化、认知未知数据的能力 。 “在数据积累阶段 ， 还需要把数据做得更规范 ， 搭建的深度学习网络要有能支持自监督学习的能力 ， 能让机器自己生成标签 。 在样本监督学习阶段 ， 要解决样本不均衡的问题 ， 例如要让机器学会分辨猫和狗 ， 那么猫和狗的案例数量要匹配 ， 同时要去除数据噪音 ， 不要把干扰图像混入 。 ”
“关键是要让自监督学习产生认知的能力 ， 而不只是代替人类的视觉、听觉、触觉 ， 要从感知智能过渡到认知智能 ， 让机器建立自己的知识图谱 ， 能与人的思辨能力和知识图谱对接 ， 能进行知识表述和高阶推理 。 ”王金桥说 。
但目前所有的不完美 ， 并不影响两位图灵奖得主的信心 。 本吉欧认为 ， 相比于动物 ， 人类之所以聪明 ， 是因为我们有自己的文化 ， 让我们能够解决这个世界的问题 。 要想让人工智能在现实世界中发挥作用 ， 我们需要它不仅仅是有翻译功能 ， 更需要它能够真正理解自然语言 。
【科技日报|想要推理能力比肩人类 AI先得换种学习方式】而在勒昆看来 ， 如果说人工智能是一块蛋糕 ， 那么自监督学习就是其中最大的一块 。


    推荐阅读


    上一篇：美国要从德国撤军，德国自己先不干了，怕俄罗斯怕到这田地了？

    下一篇：第三艘航母都快下水了？为何歼31仍未投入使用？俄罗斯作出解答