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 。
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
- 唇周黑怎么去 唇周黑色素的去除方法
- 狗狗为什么吃屎
- 新车上牌流程
- 吃什么能黑头发 头发白吃什么
- 《全面战争战锤3》龙裔修验卿近战能力测试
- 豆浆过滤网清洗小妙招
- 案板怎么清洗
- 毛呢衣服的洗涤方法
- 如何淡化抬头纹
- 裤子湿怎么快速干