深度学习是通往类人AI的道路吗？加拿大AI研究人员Yoshua Bengio给出的回答是：是的，如果AI研究人员能设法解决功能迁移学习、高级认知和更多的人工智能操作空间这三个重要问题的话。

 

新任务和迁移学习

 

当前的AI系统高度专业化，遇到未知的任务会即刻失败，因此，必须就每个任务对它们进行训练，比如，一个图像分析AI，虽然已经可以识别猫，但要用来识别老虎，就必须用几十张老虎的图片来重新训练它。而一个孩子通常通过一个例子即可学习区别。

 

成功的迁移学习应大大减少训练实例的数量，从而使神经网络的学习能力更接近于人。这将使AI系统更加灵活，并大大提高学习速度。

 

在实践中，已有一些初步的成功，例如谷歌的图像分析AI Inception，这是一种经过预先训练的AI模型，经过少量训练后就可以成功地用于检测疾病。到目前为止，除了在专业化领域，几乎没有其他AI系统实例可以自我学习新任务。

 

高级认知的特性

 

人类智力有很多方面：直觉，逻辑思维，有意识和潜意识的反应，战略计划，以及本能行为。心理学家丹尼尔·卡尼曼（Daniel Kahneman）在有影响力的大脑研究畅销书《思维，快和慢》中将人类认知分为“系统1”和“系统2”。

 

“系统1”的认知是直觉的、快速的、无意识的、非语言的和习惯性的。“系统2”的认知是缓慢的、逻辑的、顺序的、有意识的、语言的、算法的、计划的和推论的，能操纵高级的语义概念并理解因果关系。

 

Bengio认为，当前所有的深度学习系统都可以再现“系统1”的认知。类似人类的深度学习系统还必须重现“系统2”认知的某些（如果不是全部）特性。

 

已经有尝试通过深度学习系统学习至少部分的“系统2”认知。例如，来自Deepmind的新研究论文表明，神经网络可以击败CLEVRER，满足衡量得出简单逻辑结论能力的基准。

 

现实世界中有视角的AI

 

Bengio说，除了迁移学习和“系统2”认知能力外，类人AI还需要现实世界中人的视角。例如，AI可以体现在机器人中，从而暴露于变化的环境中，例如不同的位置、时间、传感、目标或策略。

 

Bengio认为，特别是与其他代理的交互可能会导致AI系统不断学习，因此可能有助于迁移学习的发展。Bengio还认为与现实世界的互动对于理解因果关系必不可少，而这又是“系统2”认知的基本技能。

 

通过机器学习探索意识

 

Bengio将上述路径视为关于人类类人工智能的研究项目。他认为，这三个研究项目都是相互联系的，只有解决了这三个问题，才有可能实现类似人类的AI。他不使用通用人工智能一词。他同意Facebook的AI研究员Yann LeCun的观点，即不存在一种通用的智能形式——如果存在，那么它就不是人类。

 

根据Bengio的说法，在通往类人智能和“系统2”认知的道路上需要意识。但是，目前尚无关于意识的公认的科学定义。Bengio在这里看到了AI研究的巨大机会：现在是时候通过机器学习来探索意识了。人工智能研究可以形式化并测试意识的特定功能。

 

Transformer技术的发明是该领域迈出的第一步，该技术是机器注意力的一种机制，在过去两年中从根本上提高了语音和图像AI的功能。下一步是研究人工意识。

原文始发于微信公众号（数字叙事）：深度学习如何导致类人AI？需要解决三个问题