人工智能|AI：我又又又打败了人类冠军！小学生：叫爸爸！
看到“双节”期间中国有5.5亿人出行的新闻 ， 我不由得虎躯一震 。 想到了人会多 ， 但没想到会这么多！看来大家都充满了探索欲 ， 希望在难得的假期去往自己熟悉或未知的地方 。
就算你选择了“家里蹲” ， 也一定会通过网上冲浪、阅读游戏等方式 ， 来探索自己的内心世界 。
探索是人类的本能 ， 从婴儿时期开始 ， 好奇心就驱动着我们去探索并理解自己所在的世界 ，AI的成长则离不开对人类的观察与模仿 ， 其中 ， 就包括探索的能力 。
这种能力被算法掌握之后 ， 出现了阿尔法狗打败人类棋圣 ， 也出现了OpenAIFive——在电子游戏领域完虐人类玩家 。 不过即便如此 ， 人类的探索能力依然令最高级的AI都望尘莫及 。
【人工智能|AI：我又又又打败了人类冠军！小学生：叫爸爸！】比如婴儿可以从爬行和探索中学会认知三维空间 ， 而一些计算机视觉还总被曝出被平面照片所欺骗过去的新闻 ， 上马更高性能的3D视觉算法则需要耗费巨大的算力资源 ， 从这个角度看 ， 人脑无疑在效果和效率上都碾压了AI 。
本文图片
那么 ， 能不能引入儿童的学习能力 ， 来实现更聪明的AI呢？这个猜测 ， 就像是“把爱因斯坦的大脑给我我也能拿诺贝尔奖”一样 ， 是一个有点铁憨憨 ， 又有点重要的问题 。
5岁小孩碾压AI ， “玩”就够了
大家不妨在假期做一个生活观察 ， 看看小孩子们是如何探索世界的？
如果一个玩具看起来有很多玩法 ， 但他们不知道哪一个是正确的 ， 小孩子们会进行假设驱动的探索 ， 如果“假设”失败了 ， 他们就会转向新的玩具 。
有研究显示 ， 一个11个月大的婴儿 ， 在看到许多违反物理定律的现象时 ， 会忍不住对其进行更多的探索 ， 甚至会做出一些违规行为来实践自己的假设 。
比如看到一辆漂浮在空中的汽车 ， 有点颠覆以往的认知了 ， 你会怎么做？婴儿会选择将玩具砰地扔到桌子上 ， 想知道这种“不合常理”的情况是怎么出现的（所以阻止熊孩子弄坏你手办的唯一办法 ， 就是根本不要让他们看到它们） 。
本文图片
这种“不见黄河心不死”式的自由探索 ， 有时会令家长和大人们不堪其扰 ， 但抽象化的“假设”能够让人类做出大量预测 ， 想象出许多新的可能性 ， 不仅是一种极为有意义的学习方式 ， 更是人类创造力的由来 。
不过就像小王子觉得枯燥的大人们看不到“蟒蛇肚子里的大象”一样 ， 令人遗憾的是 ， 这种探索能力是幼儿的专长 ， 大部分情况下只存在在5岁以前 ， 这也让他们成为宇宙中最好的学习者 。
本文图片
既然儿童行为如此有参考意义 ， 科学家们自然也想得到 。 事实上 ， 儿童发展学对AI的进展起到了重要的方向牵引作用 。
科学家们曾将好奇心引入神经网络 ， 打造了深度增强学习 ， 通过奖励反馈来鼓励智能体（agent）主动探索和理解环境 ， 更新模型参数 。 这让AI能够自主获得技能 ， 在电子游戏等需要通用智能的复杂场景中能够做出自己的决策 ， 而不是人类预先通过庞大的标注数据集给定答案 。
其他类型的儿童行为亦有价值 。 前面提到的“不见黄河心不死”的探索 ， 就被化作深度优先搜索策略 ， DeepMind和加州大学伯克利分校的研究人员 ， 开发了一个3D导航和解谜环境 。 智能体（agent）沿着特定路径进行探索 ， 如果遇到死胡同 ， 那就回去找到下一条没有探索过的道路 ， 继续前进 。
本文图片
听起来是不是很像小孩子走迷宫的游戏？这能让智能体接触到各种各样的经验 ， 在信息较少的环境中工作；减少对数据量的依存 ， 改变目前算力资源紧张的局面 ， 让许多小数据、少样本的领域（如金融、医疗）也能实现智能化 。
将儿童探索行为应用于AI ， 一切都能变得更好 ， 理想层面上确实如此 ， 但现实总喜欢跟科学家们开玩笑 ， 也算是给人类保留了一个“杀手锏”吧 。
AI能力暴涨的当下 ， 人类为什么还能稳坐智慧王座？
需要注意的是 ， 这些类似儿童探索的策略 ， 通常更多被用在训练期间提高代理人的经验值 ， 而不是在决策时支持快速学习和探索 。 用人话说就是“懂得了许多道理 ， 却不一定能过好这一生” ， 因为一到关键选择时刻就会掉链子 。
就拿前面提到的深度优先搜索（DFS）来说 ， 科学家们发现 ， 如果让孩子们自由探索 ， 那么他们与智能体按DFS做出的行动有90%的相似 ， 而以目标为导向（找到橡皮糖）来探索的话 ， 有96%的路线都是相似的 。 但不同的是 ， 探索越多的孩子 ， 最后能花费更少的时间完成任务 ， 智能体却相反 。
本文图片
如果智能体发现一个地方很有趣（能得到奖励） ， 就会一直重新访问该区域 ， 直到它终于终于终于觉得那里不再有趣了 ， 这会导致其概括性不佳（无法形成最佳策略） 。
其中的差别就在于 ， 孩子不是被动地孤立学习或由目标驱动 ， 而是在不断实验和收集信息 ， 将自己的认知和经验与获得的信息结合起来 ， 编织出一个丰富的世界模型 。 而即使最复杂的机器探索方法 ， 也只能为特定的目标服务 ， 一时半会还无法完美匹配这个充满了各种“意外”的真实世界 。
为什么有了一定的探索能力 ， AI智能体的表现还是不尽如人意呢？
首当其冲就是实验室与现实环境的巨大不同 。
深度强化学习过去都是“机上谈兵” ， 不是跟人类在二维游戏里PK ， 就是数字网格里下棋 ， 而儿童的探索则是发生在信息丰富的三维现实世界之中 ， 许多潜在因素很难被应用到实验中 。
这也是为什么 ， 当今最强大的AI智能机器人也达不到一个仅小学毕业的优秀人类服务员的工作能力 ， 能像他们一样快速适应环境、完成各种复杂任务 。
本文图片
此外 ， 儿童的发展心理学研究很难在AI产业链中形成“闭环” 。 要真正激发AI生长出服务现实的能力 ， 不仅要构建出具有更强探索能力的智能体 ， 还要继续学习人类的认知能力 ， 推进人工智能自身的理论创新和软硬件升级（比如搭建三维训练环境） ， 这一系列链式突破 ， 才能最终将技术构想转化为现实生产力 。 “大力出奇迹”的深度学习 ， 其高光时刻就是这么来的 。
沿着这个方向 ， 我们可以进一步了解 ， 怎样才能弥合智能体与人类之间的差距 。
下一代AI ， 逐渐浮出迷雾的真实未来
在过去的数年里 ， 深度学习做到了传统算法所无法企及的进度 ， 催生了大量的工业界应用 ， 但其实 ， 现在的深度学习还是很傻——举个例子 ， 大部分人都可以通过几十个小时的学习学会开小汽车 ， 而完全自动的L5级无人汽车至今还是个遥远的梦 。
图灵奖得主Geoffrey Hinton就一直非常渴望找到一种新的实现深度网络的方法 ， 认为目前（最广泛的反向传播算法）根本不是大脑的工作机制 。
另一位图灵奖得主Yann Lecun ， 就认为在某些游戏中 ， 需要大量增加模型训练时间才能达到或超过专业人类玩家的水平 。
通过儿童的学习模式 ， 发现当前最优秀的AI也比不上5岁小孩的智力 ， 或许我们可以回答“下一代AI应该是什么样” ， 这个神经网络最重要的未解难题之一 。
至少要有两重升级：
1.有意识 。 目前公认文字表达能力最高、模型最为庞大的GPT-3也曾被专家吐槽是“无脑作业” ， 其实并不真正理解自己写出的句子 。 而具有自主探索、决策、推理能力的AI ， 可以理解自己周围的环境 ， 才是真正的人工智能 。
2.能效比 。 为什么即使存在缺陷 ， 依然没有妨碍深度学习带领AI进来发展热潮呢？核心原因就在于深度神经网络大幅度降低了全社会处理、挖掘、应用大数据的成本 。 相对人脑而言 ， 现有的计算硬件功耗都很高 ， 不断提升AI性价比 ， 是避免再次陷入寒冬的唯一方法 ， 也在呼唤更高级的算法 。
本文图片
这两个基本难题 ， 只能交给科学家和工程师们在针尖上做大文章了 。 对于我们普通人来说 ， 保有一颗如儿童般对世界的好奇心 ， 触碰充满各种信息的大自然 ， 由此得来的系统认知与思维能力 ， 或许才是机器永远无法企及 ， 且弥足珍贵的 。
这个假期 ， 你们都有过哪些有趣的探索呢？快来评论区告诉我呀！
推荐阅读
- 春天湿气重，多喝这碗糖水，祛湿清热又甘甜，我隔两天喝一次
- 番茄的地道做法，酸酸甜甜，开胃又下饭，值得品尝
- 这款蛋黄肉松面包，柔软又香甜，吃过的人都说好！
- 3月必吃的6种「春菜」，降压减脂又刮油，错过又要等一年
- 春分，快手艾草青团的用料，没有一点难度，软糯可口，超简单又好吃的艾草青团
- 我家一周的晚餐，7天不重样，荤素搭配，营养又美味
- 农民|春分时节小麦田间管理，做好这些工作，高产又优质
- 五彩缤纷的卷饼，看着太有食欲啦，做法简单又好吃
- 春分前后，多吃1道碱性蔬菜，低脂不长胖，清脆爽口又下饭
- 特爱吃的几道家常菜，轻松拿下，让你秒变大厨！好吃又下饭营养