文章图片
2022 年英国格拉斯顿伯里音乐节上 ， 一名机器人艺术家正在为表演者创作画作 。 图片来源：Leon Neal/Getty
在人工智能（AI）领域的浩瀚星空中 ， 大型语言模型（LLM）如ChatGPT等 ， 自其诞生以来便以其卓越的性能引发了广泛的关注与讨论 。 这些模型在语言理解、生成和推理等方面展现出了令人瞩目的能力 ， 仿佛让我们看到了通用人工智能（AGI）——即具备与人类智能相似的一系列能力的机器——的曙光 。 然而 ， 在这光明的未来背后 ， 仍隐藏着一个亟待解决的问题：AI能否真正拥有常识？
常识 ， 对于人类而言 ， 是那些与日常生活息息相关、看似显而易见的知识和经验 。 它涵盖了从物理定律到社交礼仪的方方面面 ， 是我们理解世界、做出判断和决策的基础 。 然而 ， 对于AI系统来说 ， 常识却并非易事 。 尽管它们可以在某些特定任务上表现出色 ， 但在面对涉及常识推理的问题时 ， 往往显得力不从心 。
例如 ， 在一个简单的多项选择题中 ， 当被问及“Riley很痛苦 ， Riley之后会有什么感觉？”时 ， LLM可能会给出“意识到”这样的答案 ， 而忽略了更直接且符合常识的“痛苦” 。 这类问题虽然看似简单 ， 但却反映了AI在处理常识性知识时的困境 。 它们往往无法像人类一样 ， 从有限的信息中推断出新的知识 ， 或者在不确定的情况下做出合理的决策 。
为了克服这一挑战 ， 研究人员开始探索各种方法来提升AI的常识推理能力 。 其中一种方法是借鉴认知科学、哲学和心理学等学科的研究成果 ， 以理解人类如何学习和运用常识 。 通过将这些原则应用于AI系统的设计和训练中 ， 我们或许能够使其更好地模拟人类的推理过程 ， 从而在常识性问题上表现出更高的准确率 。
此外 ， 建立更全面、更理论驱动的基准测试也是至关重要的 。 目前 ， 用于评估AI系统常识推理能力的测试大多局限于多项选择题等简单形式 ， 无法充分考察模型在复杂情境下的表现 。 因此 ， 我们需要开发更加多样化、更具挑战性的测试 ， 以全面衡量AI的常识推理能力 。
当然 ， 要实现这一目标并非易事 。 AI常识研究面临着诸多挑战 ， 包括如何量化常识推理能力、如何处理不确定性和新颖性情况、如何避免隐藏的偏见等 。 然而 ， 正是这些挑战激发了研究人员们的创新精神和探索欲望 。 他们正在不断尝试新的方法和技术 ， 以期在这一领域取得突破性的进展 。
【AI常识之思：通往机器智能的关键之路】值得一提的是 ， AI常识研究的意义不仅在于提升AI系统的性能 ， 更在于让我们更深入地了解人类自身的认知过程 。 通过研究AI如何学习和运用常识 ， 我们可以更好地理解人类的思维方式和智慧本质 ， 从而为人类的未来发展提供有益的启示 。
加州波莫纳举行的机器人挑战赛上 ， 一个类人机器人向后摔倒 。 图片来源：Chip Somodevilla/Getty
一、AI常识的挑战与现状
AI常识的挑战主要体现在以下几个方面：
1. 知识获取与表示：常识性知识通常是非结构化的、隐含的 ， 且难以用现有的符号逻辑或规则逻辑来表示 。 这使得AI系统在处理常识性问题时 ， 往往难以从已有的知识库中找到相关的信息 。
2. 推理能力：常识推理往往涉及复杂的逻辑关系和隐含假设 ， 需要AI系统具备强大的推理能力 。 然而 ， 目前的大多数AI系统在推理方面仍存在不足 ， 尤其是在处理模糊性、不确定性以及多步推理等问题时 。
3. 泛化能力：常识性知识具有广泛的应用场景 ， 要求AI系统能够将其学到的知识推广到不同的领域和情境中 。 然而 ， 目前的大多数AI系统在泛化能力方面仍有待提高 ， 往往只能在特定的任务上表现出色 。
尽管面临诸多挑战 ， 但AI常识研究也取得了一定的进展 。 例如 ， 一些研究者尝试使用神经网络模型来捕捉常识性知识中的非线性关系和隐含特征；另一些研究者则致力于开发更加高效的推理算法和优化技术 ， 以提高AI系统在常识推理任务上的表现 。
二、提升AI常识推理能力的方法
为了提升AI的常识推理能力 ， 研究人员可以从以下几个方面入手：
1. 借鉴认知科学和心理学的研究成果：通过深入研究人类的认知过程和思维方式 ， 我们可以为AI系统的设计和训练提供有益的启示 。 例如 ， 我们可以借鉴人类的记忆机制、注意力机制以及直觉推理等过程 ， 来改进AI系统的知识表示和推理能力 。
2. 发展更加先进的机器学习算法：随着机器学习技术的不断发展 ， 我们可以利用更加先进的算法来提升AI的常识推理能力 。 例如 ， 深度学习算法可以自动提取数据中的特征 ， 并学习复杂的非线性关系；强化学习算法则可以让AI系统在与环境的交互中不断学习和优化策略 。
3. 构建更加丰富的知识库：常识性知识是海量的 ， 仅靠有限的训练数据很难覆盖所有的情况 。 因此 ， 我们需要构建更加丰富的知识库 ， 为AI系统提供更多的学习资源 。 这些知识库可以包括结构化的知识图谱、非结构化的文本数据以及多模态的数据等 。
4. 设计更加合理的评估指标：为了更好地衡量AI系统的常识推理能力 ， 我们需要设计更加合理的评估指标 。 这些指标应该能够全面反映AI系统在知识表示、推理能力以及泛化能力等方面的表现 。 同时 ， 我们还需要确保评估过程的公正性和客观性 ， 以避免隐藏的偏见对结果产生影响 。
三、AI常识研究的意义与前景
AI常识研究的意义不仅在于提升AI系统的性能 ， 更在于让我们更深入地了解人类自身的认知过程 。 通过研究AI如何学习和运用常识 ， 我们可以更好地理解人类的思维方式和智慧本质 ， 从而为人类的未来发展提供有益的启示 。
此外 ， 随着AI技术的不断发展和普及 ， AI常识研究还将对社会的各个方面产生深远的影响 。 例如 ， 在医疗保健领域 ， 具有常识推理能力的AI系统可以帮助医生更准确地诊断疾病、制定治疗方案；在法律决策领域 ， AI系统可以辅助律师和法官更公正地审理案件；在客户服务领域 ， 具有社交常识的AI机器人可以更好地理解客户需求、提供个性化的服务；在自动驾驶领域 ， AI系统可以更好地应对复杂的交通环境和不确定的情况 。
四、意识：它是什么 ， 它从何而来——以及机器是否可以拥有它
超越语言去思考 。 夸大法学硕士能力的风险之一是与构建感知和驾驭混乱的现实世界环境的具体系统的愿景脱节 。 伦敦谷歌 DeepMind 联合创始人穆斯塔法·苏莱曼 (Mustafa Suleyman) 认为 ， 实现“有能力”的人工智能可能比人工智能更切合实际15 。 至少在基本的人类层面上 ， 具体化的机器常识是物理能力人工智能的必要条件 。 然而 ， 目前 ， 机器似乎仍处于获得幼儿物理智能的早期阶段16 。
令人欣慰的是 ， 研究人员开始看到所有这些方面的进展 ， 但仍有一段路要走 。 随着人工智能系统（尤其是法学硕士）成为各种应用的主要内容 ， 我们认为 ， 了解人类推理的这一方面将在医疗保健、法律决策、客户服务和自动驾驶等领域产生更可靠、更值得信赖的结果 。 例如 ， 具有社交常识的客户服务机器人能够推断出用户感到沮丧 ， 即使他们没有明确表示 。 从长远来看 ， 机器常识科学的最大贡献或许是让人类更深入地了解自己 。 通过深入研究AI在模拟常识方面的进步 ， 我们可以揭示人类认知过程的复杂性和独特性 。
这不仅有助于改进AI技术 ， 还可能带来对人类智慧和意识起源的新洞察 。
随着机器逐渐掌握更多“常识” ， 它们在现实世界中的表现将更加自然、高效 ， 最终实现与人类更紧密的合作与共生 。
总之 ， AI常识研究是通往机器智能的关键之路 。 虽然目前我们还面临着诸多挑战 ， 但只要我们坚持不懈地探索和创新 ， 相信总有一天能够实现这一目标 。 届时 ， AI将成为真正具备智慧和能力的伙伴 ， 与我们共同开创更加美好的未来 。
???
?人工智能产业链联盟筹备组征集公告?
推荐阅读
- 知道这70个百科常识，你就已经超过大部分人了
- 掌握3个跑步常识，轻松瘦下来
- 告别肥胖，从控糖开始！22条常识助你轻松瘦身！
- 护肤常识：美容编辑分享去黑眼圈方法
- 装修房子必须知道这几项知识,新房装修要了解，新房装修必须懂得常识有哪些？
- 酸枣仁的副作用,生活小常识：酸枣仁的副作用介绍 酸枣仁有哪些禁忌
- 牙线使用小常识,牙科小知识
- 陈旧衣服红酒渍应对办法,生活常识如何去除陈旧衣服上的红酒渍简单方法
- 龙胆泄肝丸的功效与作用,生活小常识：龙胆泻肝丸的功效与作用
- 所谓的大姨妈常识哪些是假的,女孩子应该知道的妇科常识有哪些？