云南龙网

  1. 首页 > 云知道 > >

通用人工智能的时代已经来临( 二 )

参考


机器学习视角下 ， 存在三项重要挑战：
一是 ， 智能主体若想适应动态（非稳态）环境 ， “好用”的决策理论便不可或缺 。 对动物而言 ， 这是通过进化实现的 。 但对机器而言 ， 单独个体的一生中却无法学到 。 因此 ， 尽管离不开先天预设 ， 但其行为表现则是先天和后天的相互结合 。
强化学习就是一个非常成功的决策理论（RL ， 参考文献[12]） 。 虽在非稳态环境中难堪大用（主体的适应性需求与学习速率衰减是一对矛盾） ， 不过至少能够用于实时学习 。 强化学习有一些主要概念的限制 ， 基于行为主义的强化学习最为常见 。 通过对具有最高预期回报的“状态—行为”之间的响应映射（策略）进行学习 ， 且无须对所在情境的其他因果关系进行建模 ， 令此类主体具有奖励中心主义的世界观 。 这意味着 ， 一旦效用函数发生变化 ， 主体就必须重新习得一个新策略 ， 既有知识也无法借助先天设计而迁移到新任务中 。 对于存在单一明确取胜标准的电脑游戏来说（如：赛车游戏中的圈速、象棋中的将军等） ， 效用函数的变化不是问题 。 但对于生物系统而言 ， 这却是日常的现实考量 。
动物在饿与渴的时候行为完全不同 ， 前者会寻找猎物或美味的枝叶 ， 后者会寻觅水源 。 也就是说 ， 个体行为不仅取决于外部因素 ， 也取决于内部需求 。 当出现特定需求时 ， 个体寻求“因果知识” ， 这一知识会自动迁移到解决下一次其他需求 。 如此 ， 便能对不断变化的需求予以及时响应 。 但是 ， 个体并不总能预先知道该如何满足特定需求 。 要解决这一问题 ， 可将具体信念与动机系统解耦 ， 令主体在不同的环境中学习到行为的不同结果 ， 建立不同的因果模型 。 这是那些抱持AI初衷的AGI研究者所追求之路 ， 但在专用人工智能（Special-purpose AI ， SAI）领域中却常常无人问津 。
二是测量 。 毋庸置疑 ， 不测量便无从知晓是否有进步 ， 但测量的对象也很重要 。 我们在每个领域下测试主体表现 ， 如果允许对不同领域设定不同的超参数（译者注：在机器学习中 ， 模型“自学”得到的是参数 ， 无法“自学”必须由“上帝”赋予的是超参数 。 深度学习“炼丹师”的一项重要操作就是对超参数的调校） ， 得到的将是不同主体的“专项成绩” 。 虽在应用层面上十分有用 ， 却对了解个体的一般性顿口无言 。 另一方面 ， 如果因领域各异而设定不同超参数不被允许 ， 那么得到的则是主体“各科考试”的“总成绩” 。
目前 ， 最好的通用系统仍无法与专用系统（其超参数针可对特定目标领域进行调整）相媲美 ， 但最好的专用系统其通用性得分却不会很高 。 类似情形在自然界比比皆是（如图1所示） ， 尽管在特定静态环境 ， 特定的专用方案往往是首选 ， 但通用性却能使适应特殊环境条件变得更为容易 。
图1：高专用性的昆虫与高通用性的昆虫
从上述讨论中可以窥见：
衡量AGI成功与否需要改变已有的评估方式 。 AGI亦非AI超集 ， 特定领域内大发神威的专用化最优方案 ， 很可能在其他领域百无一用 。 在通向AGI的道路上 ， 尽管并非总是 ， 但一般情况下确与专用能力交集寥寥 。
写作此文正是想向读者指出通用性AI发展面临的许多挑战和误解 。 短期应用成果应与长远蓝图相得益彰 。 我们需要渊思寂虑 ， 精进系统研发 ， 从而理解主体感知 ， 并使之实时适应不断变化的环境 。
三是系统实现 。 非知之艰 ， 行之惟艰 。 打造具有通用能力的系统实属不易 ， 我们只是在漫漫前行路上迈出了一小步 。 王培提出的非公理逻辑推理系统NARS（Non-Axiomatic Reasoning System）[9]便是其中重要一例 。 NARS项目历经30余年 ， 在实时学习、推理和目标满足等关键领域成效斐然 。 系统能通过自身感知对环境进行建模 ， 适应环境 ， 通过推理来决定下一步行动 ， 从而实现自我目标 。 近期的研究亮点是 ， 将深度神经网络（YOLOv4 ， 参考文献[1][6]）的视觉感知与NARS实时学习和推理能力（OpenNARS for Applications ， 参考文献[4][13]）进行整合 ， 很好地完成机器人瓶子收集的任务（如视频所示） 。

推荐阅读


上一篇：骨子里的气质是学不来的 刻在骨子里的气质是与生俱来的

下一篇：气质出众的人能看出来 是不是气质美人一看就知道