作者：BenDickson是一名软件工程师，也是TechTalks博客的创始人，该博客探讨技术如何解决和创造问题。这对人工智能社区来说意义重大，这要归功于深度学习领域的惊人进步，人工智能的一个分支因收集、存储和处理大量数据的能力不断增强而变得可行。今天，深度学习不仅是一个科学研究课题，也是许多日常应用系统的关键组成部分。但十年的研究和应用清楚地表明，在目前的状态下，深度学习并不是构建类人人工智能这一艰巨挑战的最终解决方案。我们需要什么才能将AI提升到一个新的水平？需要更多数据和更大的神经网络？需要新的深度学习算法？还是您需要深度学习以外的方法？这个话题在AI社区引发了激烈的讨论，并成为上周在Montreal.AI举行的在线讨论的中心。背景和学科截然不同的科学家参加了这场名为《AI辩论2——推动AI前进：一种跨学科的方法》的大辩论。共同主持辩论的混合人工智能认知科学家加里马库斯重申了深度学习的几个主要缺点，包括过多的数据需求、将知识转移到其他领域的能力低、不透明以及缺乏推理和知识表示。马库斯曾公开抨击纯深度学习方法，他在2020年初发表了一篇论文，在论文中他提出了一种将学习算法与基于规则的软件相结合的混合方法。其他发言者还指出，混合人工智能是一种有望克服深度学习所面临挑战的解决方案。“面临的主要问题之一是确定人工智能的基本构建模块，以及如何提高人工智能的可信度、可解释性和可解释性，”一本书的作者，他在书中提出了一种基于逻辑形式化和机器学习的神经符号AI的基本方法。“我们使用逻辑和知识表示来表示将其与机器学习系统集成的推理过程，这样我们也可以使用深度学习机器来有效地革新神经学习，”Lamb说。受进化论启发，斯坦福大学计算机科学教授、谷歌云前首席AI科学家李飞飞强调，纵观进化史，视觉一直是推动人类智能出现的主要因素之一。同样，图像分类和计算机视觉方面的研究工作帮助激发了过去十年的深度学习革命。Fei-FeiLi开发了ImageNet，这是一个包含数百万个标记图像的数据集，用于训练和评估计算机视觉系统。李飞飞说：“作为科学家，我们问自己‘下一颗北极星是什么？’北极星不止一颗，进化和发展一直给我很大的启发。”李飞飞指出，人类和动物的智能来自于对现实世界的理解，而人工智能系统的主动感知和交互，是当前人工智能系统严重缺乏的，转而依赖于人类筛选和标记的数据。她说：“感知和驱动之间存在一个根本性的关键回路，它决定了学习、理解、规划和推理。如果我们的人工智能代理能够具体化，它们就可以在探索性和利用性行动之间转换，并且是多模态、多任务的，可推广的，而且通常是社交的，可以改善这个循环。”Fei-FeiLi目前正致力于开发使用感知和驱动来理解真实世界的交互代理。OpenAI研究员KenStanley还讨论了从进化中吸取的教训。“自然界的进化有一些非常强大的特性，以至于它们还不能用算法来解释，因为我们无法形成自然界中发生的事情，”斯坦利说。“这些是我们应该继续追寻和理解的特性，不仅仅是在进化中，而是在进化中。”它仍然在我们体内。”强化学习领域的计算机科学家理查德·萨顿(RichardSutton)指出，人工智能方面的工作总体上缺乏“计算??理论”，这个术语最初是由以视觉研究而闻名的神经科学家大卫·马尔(DavidMarr)创造的。计算理论定义了信息处理系统试图完成什么以及为什么要完成。“在神经科学领域，我们普遍缺乏对这一目标和整体思维目的的理解，”萨顿说。“在AI中也是如此，也许更令人惊讶。在AI中，Marr对计算理论的看法更加乏善可陈。”Sutton补充说，教科书通常将AI简单地定义为“让机器做人们做的事”，而最近AI社区的认同（包括关于神经网络和符号系统的争论）“着眼于如何实现一个目标，就好像我们已经明白我们必须做什么。”萨顿说：“强化学习是第一个智能计算理论。”他说，强化学习是人工智能的一个分支，它赋予代理人环境的基本规则，让他们发现并实施奖励最大化的方法。“强化学习指定了目标、内容和原因，”萨顿说。“在强化学习中，目标是最大化任意奖励信号。为此，代理必须计算策略、价值函数和生成模型。”他补充说，这个领域需要进一步发展一个普遍认可的智能计算理论，称强化学习目前是一种优秀的候选技术，尽管他承认其他候选技术可能值得探索。Sutton是强化学习领域的先驱，出版了这方面的经典教科书。他目前工作的AI实验室DeepMind大量参与“深度强化学习”，将神经网络纳入基础强化学习技术。近年来，DeepMind利用深度强化学习征服了围棋、国际象棋、《星际争霸2》等游戏。虽然强化学习与人类和动物大脑中的学习机制有着惊人的相似之处，但它也面临着困扰深度学习的一些相同挑战。强化学习模型需要广泛的训练才能学习最简单的东西，并且受到训练的狭窄领域的严格限制。目前，开发深度强化学习模型需要非常昂贵的计算资源，将这一领域的研究限制在少数财力雄厚的公司，如拥有DeepMind的谷歌和部分拥有OpenAI的微软。将事实知识和常识融入AI计算机科学家和图灵奖获得者JudeaPearl以其在贝叶斯网络和因果推理方面的工作而闻名，她强调AI系统需要事实知识和常识才能最有效地利用提要。他们的数据。“我认为我们应该构建将实际知识与数据相结合的系统，”珀尔说，并补充说，仅基于聚合和盲目处理大量数据的人工智能系统注定会失败。Pearl说，知识并非来自数据。相反，我们使用大脑中的先天结构与现实世界互动，我们使用数据来探索世界并从中学习，就像新生儿探索世界的方式一样：新生儿在没有明确指导的情况下学到很多东西。“这种结构必须在数据之外实施，”Pearl说。“即使我们以某种方式神奇地从数据中学习了这种结构，我们仍然需要以能够与人类交流的形式使用它。”华盛顿大学的YezhenCui（YejinChoi）也强调了常识的重要性，以及缺乏常识对当前专注于匹配输入数据与结果的AI系统带来的挑战。崔义真说：“今天的深度学习甚至可以在不理解数据集背后的任务的情况下解释数据集，这是由于人工智能与人类智能（尤其是关于现实世界的知识）的巨大差异，以及常识的缺失。”是基本要素之一。”崔一真还指出，推理是一个无限的领域，推理本身就是一个生成任务，这与应用于当今深度学习算法和评估基准的分类任务有很大不同。崔一真说：“我们从不列举太多，我们只是在飞行中推理，这将是我们未来要考虑的关键基础挑战之一。”但我们如何认识到人工智能也具有常识和推理能力？YejinCui提议在许多平行研究领域开展工作，包括结合符号和神经表示，将知识整合到推理中，并设计超越分类的基准。但我们如何在人工智能中实现常识和推理？崔一真提出了广泛的平行研究领域，包括符号和神经表示相结合，将知识整合到推理中，并设计超越分类的benchmark。崔业真表示，我们还不知道c的完整路径常识。她补充说：“但有一件事是肯定的，我们不会通过建造世界上最高的建筑物来实现这一目标。因此GPT-4、GPT-5或GPT-6可能无济于事。”
