什么知识让我们聪明？我们用来理解世界、解释新体验和做出深思熟虑的选择的认知结构是什么？定义一个框架来表达知识，让人类或人工智能有更深刻的理解和更高的认知，这将有助于我们组织关于这个话题的讨论。近日，英特尔实验室副总裁兼紧急人工智能研究负责人GadiSinger介绍了赋予人工智能更高认知能力的知识结构的几个维度，并指出了通往更高智能机器的道路。图为英特尔实验室副总裁GadiSinger。更高层次的机器智能的核心可能是让知识建构帮助人工智能系统组织自己的世界观，赋予人工智能理解意义、事件和任务的能力。这样，机器认知将从数据扩展到知识结构，包括描述性知识、世界动态模型和起源等维度。学习语言时，我们区分形式和意义：形式是指用来表达意义的符号，即表面表达。每种形式在特定的上下文中都有特定的含义，并且形式在不同的上下文中可以有不同的含义。正如Bengio和Sch?lkopf等人在“TowardsCausalRepresentationLearning”中总结的那样：“机器学习当前的大多数成功源于对正确收集的独立同分布(i.i.d)数据的大规模模式识别。”该系统采用文本字符、声音信号和图像像素等可观察元素，构建模式和随机相关性，同时在基于识别的任务中产生出色的结果。论文地址：https://arxiv.org/pdf/2102.11107.pdf越来越多的人认为，算法必须超越表面的关联，达到真正理解的层次，才能实现更高层次的机器智能。这种根本性转变将使所谓的System2、第三次浪潮或通用/灵活AI成为可能。正如GadiSinger在核心博客“认知人工智能的兴起”中所说，更高水平的机器智能需要深入的知识构建，才能将人工智能从肤浅的相关性转变为对世界的真正理解。美国国防高级研究计划局（DARPA）约翰朗伯伯里指出，在第三次人工智能浪潮中，抽象（如创造新的意义）和推理（规划和决策）将掀起一场新的革命。第三次浪潮本身的特点是语境适应，其中系统为现实世界中的各种现象建立语境解释模型。反映世界观的知识维度有两个维度，一个是描述维度，对世界存在的事物进行概念抽象，另一个是现实世界及其现象的动态模型。此外，故事增强了人类理解和交流基于共同信仰和神话的复杂故事的能力。上下文和来源属性以及价值和优先级是元知识维度，它们将基于条件的有效性和知识带入一个常量堆栈。最后，概念参考是跨维度、模式和参考存在的结构基础。这六个知识维度的结合可以让人工智能不仅仅停留在事件关联上，而是获得更深层次的理解，因为这六个知识维度的底层概念是连续的，可以解释和预测过去和未来。事件，甚至允许计划和干预，并考虑反事实现实——因此在文本中使用了术语“深度知识”。阐明和描述机器智能所需的知识构建类型可以帮助确定实现这种知识构建的最佳方式，从而实现更高水平的机器智能。1支持更高智能水平的六个知识维度对于人工智能系统，实施在人类理解和交流中观察到的知识结构可以为智能提供巨大的价值。当所有知识类型都得到支持和组合时，真正的价值就会大幅增长。图例：支持更高智能水平的知识维度。资料来源：GadiSinger/英特尔实验室(1)DescriptiveKnowledge:Hierarchy,Classification,andAttributeInheritance以及它们之间的关系。如果使用（适当的）类或概念层次结构，深度描述性知识可以扩展其原始定义。此类知识可包括事实和记录系统。与特定用例和环境相关的事实和信息可以作为分层知识进行组织、利用和更新。单个AI系统中使用的基础本体可以使用来自管理系统的任务相关类和实体（例如，OpenCyc本体或AMR命名的实体类型）作为种子。这个基本的本体应该可以通过神经网络/机器学习技术进行扩展——也就是说，随着新知识的获取，新的实体、关系和类可以被获取。(2)世界模型世界上的现象模型使AI系统能够理解情况、解释输入/事件，并预测潜在的未来结果并采取行动。现象模型是抽象/概括，可以分为正式模型和近似（非正式）现实世界模型；现象学模型允许在特定情况下对实例使用变量和应用程序，并允许对特定实例或更一般的类进行符号操作。正式模型的示例包括逻辑、数学/代数和物理。与正式模型相比，现实世界的模型通常是经验性的、实验性的，有时甚至更加混乱。现实世界的模型包括物理模型、心智模型和社会学模型。程序模型（“知识”）包含在此类中。因果模型可以帮助人工智能系统发展到一个新的水平。在不断变化的背景下，结合因果关系等知识模型，了解控制原因的背景和考虑反事实的能力，过去的统计数据可以有效地应用于现在以预测未来。这些模型有助于根据条件和可能因素了解情况或事件。因果推理是人类思维不可或缺的一部分，这样才能实现人类智能水平的机器智能。(3)故事和剧本正如历史学家尤瓦尔·哈拉里所说，故事构成了个人和社会的文化和世界观的重要组成部分。故事的概念对于充分理解和解释人类行为和交流是必要的。故事很复杂，在一个连贯的叙述中可能包含多个事件和各种信息。故事不仅仅是事实和事件的集合，故事包含重要信息，有助于在所呈现的数据之外形成理解和概括。与世界模型不同，故事可以被认为是历史的、参考的或精神的。故事可以代表塑造人们信仰和行为的价值观和经历。示例包括宗教或种族故事、神话以及在任何级别的人群中共享的故事。(4)背景和来源归因背景被定义为围绕事件并为其辩护提供资源的框架。语境可以看作是一种叠加的知识结构，它调节它所包含的知识。上下文可以是持久的或短暂的。持久性上下文可以是长期的（例如从西方或东方哲学角度获得的知识），或者它们可以随着时间的推移而改变以响应新的学习材料。持久上下文不会在每个任务的基础上进行更改。当特定的本地上下文很重要时，瞬态上下文是相关的。单词是根据其周围句子或段落的当地上下文来解释的。图像中的感兴趣区域通常在整个图像或视频的上下文中进行解释。持久上下文和瞬态上下文的组合可以为解释和操作知识提供完整的设置。知识的另一个相关方面是数据来源（又名数据可追溯性），其中包括数据的来源、数据传播时发生的情况以及数据随时间流逝的位置。AI系统不能假设它们收到的所有信息都是正确的或值得信赖的，尤其是在所谓的“后真相时代”。信息不能轻易信任。可能需要将信息与其来源相关联，以建立可信度、真实性和可追溯性。(5)价值观和优先级（包括善/威胁和伦理）知识的所有方面（例如，对象、概念或程序）在整个判断范围内都有相应的价值观——从最善到最恶有是对应。可以假设人类智力的进化包括寻求奖励和避免风险（例如，寻求吃午餐；避免被带去吃午餐）。这种风险/回报相关性与知识密切相关。潜在的得失具有功利价值；实体或潜在的未来国家也有基于道德的价值。这种基于伦理的价值观反映了一种道德价值观，其中“善”不是基于潜在的有形奖励或威胁，而是基于对什么是正确的基本信念。价值观和优先级是反映人工智能系统对知识、行动和结果的主观断言的元知识。这为问责制奠定了基础，负责特定人工智能系统的人员应谨慎处理。当人工智能系统与人类互动并做出影响人类福祉的选择时，潜在的价值和优先系统很重要。6.概念参考：消歧、统一和跨模态知识是基于概念的。例如，“狗”是一个抽象概念——一个具有多个名称（狗在各种语言中的称呼方式不同）、一些视觉特征、声音联想等的概念。然而，无论其表现形式和用法如何，“狗”的概念都是独一无二的。“狗”的概念映射到英文单词“dog”，以及法语单词“chien”。“狗”的视觉特征可能是这样的：同时，“狗”还对应着叫声。概念引用（ConceptReference，简称ConceptRef）是与给定概念相关的所有事物的一组标识符和引用。概念引用本身实际上并不包含任何知识——知识存在于前面介绍的维度中。概念引用是多维知识库（KB）的关键，因为概念引用包含了概念的所有表示。维基数据是集中存储结构化数据的多维知识库的一个很好的例子。在维基数据中，项目代表人类知识中的所有事物，包括主题、概念和对象。维基数据的条目类似于此框架中ConceptRef的定义——有一个关键区别：在维基数据中，术语“项目”既指给定的标识符，也指关于标识符的信息；而ConceptRefs只是携带一个指向KB指针的标识符。然后，有关概念的信息将填充到前面章节中描述的各种视图中（例如与概念相关的描述性或过程性知识）。常识常识知识由隐性信息组成，它指的是人类自动用来理解世界的广泛传播（并为大众共享）的不成文假设。为了让人工智能更深入地了解世界，必须将常识应用到情境中。在这个框架中，常识知识被认为是上述六种知识类型的子集。2理解力与知识类型的关系理解力是智力的基础。向更高机器智能的发展引发了关于“理解”的讨论。JoshuaBengio将具有人类理解力的人工智能描述为：理解因果关系，理解世界如何运转；理解抽象行为；知道如何使用这些知识来控制、推理和计划，即使在新奇的场景中它仍然具有这种能力；解释发生了什么；out-of-distribution（即OOD，分布外）生成。以知识为中心的理解定义是：根据丰富的知识表征创造世界观的能力；获取和解释新信息以增强世界观的能力；以及有效地推理、决定和解释现有知识和新信息的能力。这种理解观点的先决条件是以下四种能力：拥有丰富的知识；获取新知识；能够跨实体和关系连接知识实例；和推理知识。悟性不是二元属性，而是因类型和程度而异。这种观点的核心是知识的本质及其表示——知识结构和模型的表达能力，可以促进理解和推理的快速发展。想象一下所有的人[和机器]正如阿尔伯特爱因斯坦所说：“智慧的真正标志不是知识，而是想象力。”要真正理解，机器智能必须超越数据、事实和故事。要重建、发现和创建可观察属性和事件背后的宇宙模型，想象力是必要的。从人工智能系统的角度来看，想象力是通过创造性推理实现的，即进行归纳、演绎或溯因推理，并产生不受先前经验和输入输出相关性严格调节的新颖结果。知识表示和推理是人工智能的一个成熟领域，它处理关于世界的信息表示，使计算机系统能够解决复杂的任务。知识和推理不一定是不同的，而是代表从已知到推断的范围。机器理解将通过构建知识的能力来实现，并辅以高级联想推理（例如，概率和似是而非的推理、追溯推理、类比推理、默认推理等）。建立在深度知识基础上的神经符号AI为了让AI更有效、更负责任、更高效地赋予人们权力，我们的目标是让AI系统更强大，同时将AI推向更高的认识和理解水平。科学家们在处理数据、识别模式和寻找转瞬即逝的相关性方面取得了巨大进步，但仍然需要思考哪些类型的知识能够赋予AI系统建模和理解世界的能力。当我们对人工智能实现更高认知水平所需的知识结构类型有了更深入的了解后，我们就可以继续构建这种深度知识，使机器能够真正理解世界。
