0
| 本文作者： 三川 | 2016-12-26 16:59 |
編者按：目前 AI 被籠統(tǒng)劃分為“弱人工智能”、“強(qiáng)人工智能”、“超人工智能”三個(gè)類別。甚至在很多業(yè)內(nèi)專家（比如洪小文）眼中，只有“強(qiáng)”、“弱”AI 的區(qū)別，因?yàn)椤俺斯ぶ悄堋彪x我們實(shí)在還很遠(yuǎn)，難以捉摸。這樣的籠統(tǒng)分類顯然不利于大眾對(duì)于各項(xiàng) AI 技術(shù)進(jìn)行認(rèn)識(shí)和理解。因此，一些專家開始提出基于技術(shù)難度和 AI 智能水平的分類、分級(jí)方法。其中，美國學(xué)者 Arend Hintze 提出了對(duì) AI 的四級(jí)分類， 而最近，Intuition Machine 聯(lián)合創(chuàng)始人 Carlos Perez 又提出了針對(duì)深度學(xué)習(xí)的五級(jí)分類。這些分類方法對(duì)各層次 AI 技術(shù)進(jìn)行了簡單的歸類，有助于初學(xué)者更好地認(rèn)識(shí) AI 。
上個(gè)月，密歇根州立大學(xué)副教授 Arend Hintze 發(fā)表了一篇很有價(jià)值的短文章《理解 AI 的四種類別：從響應(yīng)式機(jī)器到有自我意識(shí)的存在》（ “Understanding the four types of AI, from reactive robots to self-aware beings” ）。文中，他提出了對(duì) AI 的四級(jí)分類：
響應(yīng)式
這是最基本的 AI 類型，無法產(chǎn)生記憶，不能利用過去的經(jīng)驗(yàn)做決策。它們是“專才”而非“通才”，為完成特定任務(wù)所設(shè)計(jì)，不能勝任其他任務(wù)。
有限記憶
當(dāng)前行為能夠參考剛剛發(fā)生的事件。但記憶是瞬時(shí)的——無法用于未來決策。
心智理論（ Theory of mind）
這是一個(gè)心理學(xué)術(shù)語，意思是能根據(jù)他人行為，推導(dǎo)、并理解他們的想法和動(dòng)機(jī)。這一類型的 AI 能夠歸納出周圍環(huán)境、和與之交互的其他代理的“表征”（ representations，AI 術(shù)語，詳見“表示學(xué)習(xí)”）。
自我意識(shí)
AI 的終極課題。目前對(duì)于它的描述大都是猜想。
對(duì)此，AI 專家 Carlos Perez 表示，他喜歡這個(gè)四分類法遠(yuǎn)遠(yuǎn)超過目前廣泛使用的“強(qiáng)人工智能 vs 弱人工智能”二分類法（ps：或者再加上“超人工智能”成為第三個(gè)類別）。Arend Hintze 的方法把弱 AI 分為三個(gè)類別（響應(yīng)式，有限記憶，心智理論），這給了我們更多概念，來區(qū)分不同的 AI 應(yīng)用。但 Carlos Perez 又評(píng)論道，該分類法似乎來自于 “GOFAI” 思路（老式 AI），潛臺(tái)詞是它已經(jīng)過時(shí)了；另外，從有限記憶、能夠使用部分過去記憶做決策到心智理論，這步子邁得太大了。
于是，Carlos Perez 提出了他自己的 AI 分類方式，按能力把 AI 劃分為五個(gè)級(jí)別。他表示，該分類法主要針對(duì)深度學(xué)習(xí)，希望對(duì) AI 從業(yè)者來說更細(xì)致、更有用。它能幫我們看清楚 AI 目前在哪個(gè)階段，以及將來會(huì)走向何方。
Perez 表示：“對(duì)當(dāng)前 AI 技術(shù)進(jìn)行評(píng)估，我們?nèi)鄙僖粋€(gè)好的概念框架。這可能只是由于大多數(shù) AI 評(píng)論人無法跟上最新的深度學(xué)習(xí)進(jìn)展——需要讀的東西太多，而且最新發(fā)現(xiàn)不停刷新我們現(xiàn)在對(duì) AI 的理解。”
我們來看看 Perez 針對(duì)深度學(xué)習(xí)能力的 AI 分類：
該級(jí)別包含全連接神經(jīng)網(wǎng)絡(luò)（ fully connected neural network ，F(xiàn)CN），卷積神經(jīng)網(wǎng)絡(luò)（convolution network，CNN）和它們之間的各種組合。這些系統(tǒng)把一個(gè)高維度矢量作為輸入，得到單個(gè)結(jié)果，一般是對(duì)輸入矢量的分類。
你可以把這些系統(tǒng)看成無狀態(tài)函數(shù)，意味著它們的行為只是一個(gè)針對(duì)當(dāng)前輸入的函數(shù)。一個(gè)熱門研究領(lǐng)域——生成模型，就屬于該類別。簡單來講，這些系統(tǒng)憑它們自己是十分強(qiáng)大的。
這個(gè)級(jí)別包含 “C 層”網(wǎng)絡(luò)中整合的記憶因素。LSTM 就是一個(gè)例子：記憶單位嵌入在 LSTM 節(jié)點(diǎn)中。其它類似的變形還有，神經(jīng)圖靈機(jī)器 (NMT) 和 DeepMind 的可微分神經(jīng)計(jì)算機(jī)（DNC）。在對(duì)行為進(jìn)行計(jì)算時(shí)，這些系統(tǒng)會(huì)維持狀態(tài)恒定。
該級(jí)別與 CM 有些相似。但 C 層網(wǎng)絡(luò)能獲取的信息不是原始內(nèi)存，而是符號(hào)化的知識(shí)庫（symbolic knowledge base）。雷鋒網(wǎng)獲知，事實(shí)上 Carlos Perez 就發(fā)現(xiàn)了三種符號(hào)化整合：1. 轉(zhuǎn)移學(xué)習(xí)方式（ transfer learning approach）；2. 自上而下方式 ；3. 自下而上方式。第一種方式用一個(gè)符號(hào)化系統(tǒng)作為正則化矩陣（regularizer）。第二種方式在神經(jīng)表征底層的最上層加入了符號(hào)化元素。第三種方式跟這相反，C 層網(wǎng)絡(luò)直接與符號(hào)化知識(shí)庫關(guān)聯(lián)。
在這個(gè)級(jí)別，系統(tǒng)直接建立在 CK 之上，但是，它已能夠使用不完美的信息做推理。這類系統(tǒng)的代表是 Alpha Go。只是 Alpha Go 采用的不是 CK 而是 CM 級(jí)別的能力。正如 Alpha Go，這類系統(tǒng)能通過與自身的對(duì)抗模擬來訓(xùn)練自己。
這個(gè)級(jí)別和 Arend Hintze 的“心智理論”類別十分近似，多個(gè)代理神經(jīng)網(wǎng)絡(luò)聯(lián)合起來解決問題。這些系統(tǒng)被設(shè)計(jì)來完成多項(xiàng)目標(biāo)。我們其實(shí)可以在對(duì)抗網(wǎng)絡(luò)中運(yùn)行它的原始版本：與判別器和生成網(wǎng)絡(luò)一起學(xué)習(xí)歸納。在博弈論驅(qū)動(dòng)的、能戰(zhàn)略戰(zhàn)術(shù)性解決多重問題的網(wǎng)絡(luò)上應(yīng)用該概念，就能得到高度靈活的系統(tǒng)。但是，我們現(xiàn)在還達(dá)不到這個(gè)水平，前面那些級(jí)別仍需要很多研究來完善。
每一層級(jí)別，都帶來了上個(gè)級(jí)別沒有的新能力。 比方說，C 層系統(tǒng)只能預(yù)測反因果關(guān)系（anti-causal relationships）。 CM 級(jí)別的系統(tǒng)能完成不錯(cuò)的翻譯。CIK 級(jí)別系統(tǒng)能玩戰(zhàn)略游戲。
我們可以看出，除了沒有“自我意識(shí)”級(jí)別，這個(gè)分類法和 Hinzte 四級(jí)分類高度相似。在這些“基礎(chǔ)”級(jí)別全部達(dá)到之前，Carlos Perez 不準(zhǔn)備探討自我意識(shí)。這個(gè)分類同樣沒有提到零樣本學(xué)習(xí)（zero-shot learning）、一步學(xué)習(xí)（one-shot learning）或者無監(jiān)督學(xué)習(xí)。據(jù)雷鋒網(wǎng)所知，后者仍然是 AI 基礎(chǔ)挑戰(zhàn)之一。正如 大牛 Yann LeCun 所形容：
“假設(shè)機(jī)器學(xué)習(xí)是一個(gè)蛋糕，強(qiáng)化學(xué)習(xí)是蛋糕上的一粒櫻桃，監(jiān)督學(xué)習(xí)是外面的一層糖衣，無監(jiān)督學(xué)習(xí)則是蛋糕糕體。我們知道怎么做糖衣和櫻桃，但不知道怎么把糕體做出來?！?/p>
在最近的演講里，Yann LeCun 開始用預(yù)測學(xué)習(xí)（predictive learning）來替代無監(jiān)督學(xué)習(xí)。這是一個(gè)很有意思的轉(zhuǎn)變：它展示出 LeCun 在如何做蛋糕這個(gè)問題上，觀點(diǎn)發(fā)生了微妙變化。在他眼里，這是 AI 技術(shù)大幅進(jìn)步所必需的基礎(chǔ)。換句話說，在建設(shè)好預(yù)測學(xué)習(xí)的地基之前，在現(xiàn)有監(jiān)督學(xué)習(xí)的基礎(chǔ)上加入更多記憶、知識(shí)庫、協(xié)作代理這些能力會(huì)十分困難。
雷鋒網(wǎng)獲知，在最近的 NIPS 2016 大會(huì)上，LeCun 展示了這幅 PPT：
這列出了 AI 進(jìn)步的主要障礙：
機(jī)器需要學(xué)習(xí)世界運(yùn)作的方式
AI 要學(xué)習(xí)海量背景知識(shí)
機(jī)器需要能夠感知環(huán)境的狀況
機(jī)器需要更新并記憶環(huán)境的狀況
機(jī)器需要學(xué)習(xí)和計(jì)劃
智能和常識(shí)等于：感知+預(yù)測模型+記憶+推理和計(jì)劃
這些能力在反饋回路里用到時(shí)，都利用了加速器技術(shù)。我們其實(shí)在現(xiàn)在的研究中看到過這類元學(xué)習(xí)（meta-learning）或是學(xué)習(xí)優(yōu)化（learning to optimize）。元學(xué)習(xí)技術(shù)帶來的主要啟示是：當(dāng)我們能訓(xùn)練機(jī)器找出用其它方法找不出的解決方案，研究方法會(huì)變得更強(qiáng)大。
這就是為什么，即便深度學(xué)習(xí)研究有許多難題，我們也無法確定技術(shù)進(jìn)步的速度。但在預(yù)測學(xué)習(xí)領(lǐng)域發(fā)生重大突破之前，Perez 的五級(jí)分類法應(yīng)該已經(jīng)夠用了。至于 AI 業(yè)內(nèi)人士如何看待這個(gè)新提出的分類法，雷鋒網(wǎng)會(huì)繼續(xù)關(guān)注。
via kdnuggets
【兼職召集令！】
如果你對(duì)未來充滿憧憬，喜歡探索改變世界的科技進(jìn)展，look no further！
我們需要這樣的你：
精通英語，對(duì)技術(shù)與產(chǎn)品感興趣，關(guān)注人工智能學(xué)術(shù)動(dòng)態(tài)的蘿莉&萌妹子&技術(shù)宅；
文字不求妙筆生花，但希望通俗易懂；
在這里，你會(huì)收獲：
一群來自天南地北、志同道合的小伙伴；
前沿學(xué)術(shù)科技動(dòng)態(tài)，每天為自己充充電；
更高的生活品質(zhì)，翻翻文章就能掙到零花錢；
有意向的小伙伴們把個(gè)人介紹/簡歷發(fā)至 guoyixin@leiphone.com，如有作品，歡迎一并附上。
相關(guān)文章：
Facebook Yann LeCun一小時(shí)演講： AI 研究的下一站是無監(jiān)督學(xué)習(xí)（附完整視頻）
擬腦吳義堅(jiān) : 機(jī)器人這個(gè)行業(yè)還很初級(jí)，AlphaGo還只是弱人工智能
洪小文獨(dú)家解讀： 直到AI可以自己編程 它才有資格跟 “路人甲” 比智能
周志華KDD China技術(shù)峰會(huì)現(xiàn)場演講：深度學(xué)習(xí)并不是在“模擬人腦”
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
