当机器人也学会了孔子的“学而时习之”

每次放完暑假回到学校时,我们可能会抱怨忘记了上一个学期所学的大部分内容。但如果你能够像人工智能一样学习,你会发现我们的大脑其实与人工智能学习的逻辑非常相似。


人工智能系统倾向于在接收新信息的时候清除先前所学到的信息,这被称为“灾难性遗忘”。在分析了无数尖端算法人工智能学习的案例后,我们发现这是人工智能学习过程中面临的重要问题。


例如,用于面部识别的人工智能系统会分析数千张人脸的照片,其中一些可能是已经进行注解的照片,以便人工智能系统能够识别出具有相关特征的人脸。但是因为人工智能系统本身并不理解他们所做事情的基本逻辑,所以在教他们做其他相似的检测,像识别某种特定情感时,就意味着我们需要从零开始重新训练人工智能系统。一旦特定算法被训练完成,便不再接受外部的其他更新。




多年来,从事人工智能的科学家们一直试图弄清楚如何解决该问题。如果他们能够成功突破这个问题,那么人工智能系统将有能力从一组全新的训练数据中进行学习,而非覆盖他们在学习过程中已然知晓的大部分内容。但就目前为止,“灾难性遗忘”仍然是阻碍科学家们构建人工智能的主要难点之一。或者说,是构建那些我们在电影中所见的那种富有想象力和情感的人工智能的难点之一。


上周在布拉格参加人类人工智能联合多方会议的一些人工智能专家在对Futurism的采访中表示,“灾难性遗忘”问题是他们不希望人工智能以及类人化人工智能在近期面世的最重要原因之一。


但DeepMind的研究科学家Irina Higgins在会议中的演讲环节却表示,她和她的团队已经破解了相关代码攻克这一难题。


Higgins研发了一个人工智能角色,某种意义上很像一个由人工智能算法控制的电子游戏角色,它可以比传统算法更有创造性的去思考。它甚至可以想象自己在一个虚拟环境中所遇事物在其他空间维度的类比。换句话说,神经网络赋予了它识别虚拟环境中所遇事物的能力。


这与人类的想象逻辑完全不同,在人脑的想象逻辑中我们可以完全凭空想象出全新的图像。然而人工智能的想象逻辑并不像人脑那般繁琐,人工智能是通过在配置中看到过的物体来想象它的样子。




Higgins说:“我们希望机器能够在探索中学习常识,这样一来它便不会对自身造成损害。”假设你正在穿越沙漠你会沿路遇到仙人掌。你可能认识到这种植物是仙人掌,因为之前在哪里学习过或见过。即便是你从没听过的植物,你也可以在脑海中大概赋予它你想象中的样子。


而现在Higgins的人工智能系统几乎也可以实现相同的想象逻辑。只需要提供特定物体的5个不同角度的范例,人工智能角色就能够了解这个特定物体是什么,这个物体与环境的关系,以及该物体在其他角度和不同光线下的外观看起来是什么样子。


在Higgins早前发布的博客论文中重点介绍了如何训练算法来识别白色手提箱和座椅,训练之后,Higgins的算法可以想象手提箱和座椅在全新虚拟环境中的外观,并且能够在之后遇到该物体时准确识别到对象。




Higgins说:“我们运行我用来激励系统模型的所需设置,然后我们从一个特定环境中呈现某一图像,并要求模型想象它在其他不同环境中的样子。”


Higgins的新算法在学习过程中表现优异,同时还可以预测出特定对象的数量及基本特征。简而言之,该算法能够在学习过程中记录它遇到的内容与之前所学内容之间的差异。这也可以理解为系统并没有学习一个新对象,而是在再次见到所学对象时用全新角度去学习,从而来接收新信息。


该人工智能系统能够自动更新自身对世界的认知,而无需重新从零开始学习一切。系统能够将其现有知识转移并应用于新环境,从而实现连贯的学习过程。


Higgins的新系统标志着人工智能算法又迈出了重要的一步:可以不断更新已知信息,在不丢失已学信息的情况下学习新知识。而这项研究现仍处于早期研发阶段。与许多其他识别类人工智能系统一样,这些算法在某些特定任务中仍受到一系列限制。


人工智能学习的未来发展方向将会是像人一样有创造性的学习,而非仅仅像算法本身表现出的模样。




本文节选/编译自Futurism平台的文章New Artificial Intelligence does something extraordinary - It Remembers, 原文作者Dan Robitzski,文中图片来源Emily Cho.




当机器人都开始创造性学习

你还敢停止思考吗?



�{ӯ#2J

你可能感兴趣的:(当机器人也学会了孔子的“学而时习之”)