人工智能和心理學(xué)領(lǐng)域的兩位頂尖研究者，紐約大學(xué) Yann LeCun 和 Gary Marcus 就 AI 是否需要類似人類和動(dòng)物的內(nèi)置的認(rèn)知機(jī)制，以實(shí)現(xiàn)類似人類的智能這一問題，展開了激烈的辯論。辯論的關(guān)鍵在于無監(jiān)督學(xué)習(xí)算法最終是否需要內(nèi)置的認(rèn)知結(jié)構(gòu)，如果在不需要這類結(jié)構(gòu)的情況下取得成功，那么 LeCun 將被證明是正確的。
一輛由AI技術(shù)驅(qū)動(dòng)的自動(dòng)駕駛汽車，可能需要在虛擬仿真環(huán)境中撞到樹上5萬次，然后才會(huì)學(xué)到這不是個(gè)明智的選擇。但是，一只幼年野山羊在陡峭的山坡上學(xué)習(xí)攀爬，并不需要摔死幾百萬次。同樣，一個(gè)三歲小孩也不需要練習(xí)無數(shù)次，才能想出如何穿過椅子爬到后面去。
在強(qiáng)大的計(jì)算資源的支持下，現(xiàn)在，最先進(jìn)的AI技術(shù)幾乎可以從零開始學(xué)習(xí)有關(guān)世界的任何內(nèi)容。相比之下，人類和動(dòng)物似乎是本能地理解某些概念——對象、地點(diǎn)和相關(guān)事物的集合——這讓他們能夠快速了解世界是如何運(yùn)作的。這就引出了一個(gè)重要的“先天vs后天”的問題：AI 的學(xué)習(xí)是否需要像人類和動(dòng)物擁有的先天認(rèn)知機(jī)制那樣的某種內(nèi)置機(jī)制，才能達(dá)到類似的一般智能水平？
近日，紐約大學(xué)心理、大腦和意識中心舉辦的一場活動(dòng)中，人工智能和心理學(xué)領(lǐng)域的兩位頂尖研究者在這一問題上進(jìn)行了針鋒相對的辯論。
紐約大學(xué)計(jì)算機(jī)科學(xué)家、Facebook人工智能研究主管 Yann LeCun說：“我們目前所擁有的AI技術(shù)，無論通過結(jié)構(gòu)還是通過學(xué)習(xí)，都無法構(gòu)建世界的表象，而這是我們觀察到的動(dòng)物和人類所擁有的能力。”
LeCun 是人工智能領(lǐng)域深度學(xué)習(xí)技術(shù)的開拓者，深度學(xué)習(xí)技術(shù)幫助科技巨頭們實(shí)現(xiàn)了許多熱門服務(wù)的自動(dòng)化，比如 Facebook 的人臉識別功能，谷歌的中英互譯，等等。盡管缺乏類似人類和動(dòng)物的先天認(rèn)知機(jī)制，深度學(xué)習(xí)算法使得AI能夠?qū)崿F(xiàn)所有這些任務(wù)了。
深度學(xué)習(xí)算法在過濾大量數(shù)據(jù)的同時(shí)，逐漸學(xué)會(huì)識別有關(guān)世界的一些特定模式——當(dāng)你擁有Facebook、谷歌或微軟的大量計(jì)算資源的話，它就能在某些感知任務(wù)上工作，比如圖像識別。
人們一致認(rèn)為，目前的AI技術(shù)，比如深度學(xué)習(xí)，仍然不能讓AI具有與動(dòng)物或人類相當(dāng)?shù)闹悄芩健１M管如此，LeCun認(rèn)為無監(jiān)督深度學(xué)習(xí)可以讓AI在通用智能方面取得進(jìn)展。無監(jiān)督學(xué)習(xí)消除了需要人類提供人工標(biāo)記的數(shù)據(jù)的許多要求，這些數(shù)據(jù)用于讓機(jī)器學(xué)習(xí)。
LeCun 指出，現(xiàn)代人工智能的成功很大程度上不是依賴于構(gòu)建有關(guān)世界如何運(yùn)作的假設(shè)或結(jié)構(gòu)化概念。從這個(gè)意義上說，他傾向于最小化AI算法的結(jié)構(gòu)，以保持這種簡單性。他認(rèn)為這樣做不需要利用人類語言學(xué)家，心理學(xué)家或認(rèn)知科學(xué)家的知識。他說：“我追求的是盡量減少先天機(jī)制的部分，利用我們現(xiàn)有的數(shù)據(jù)去學(xué)習(xí)。”
不過，紐約大學(xué)研究型心理學(xué)家、Geometric Intelligence公司（現(xiàn)在屬于Uber的AI團(tuán)隊(duì)）的創(chuàng)始人 Gary Marcus 認(rèn)為 LeCun 的追求不會(huì)那么快實(shí)現(xiàn)。
他認(rèn)同無監(jiān)督深度學(xué)習(xí)有成功的機(jī)會(huì)，但他也認(rèn)為，算法只有具備了“更豐富的原語（primitives）和表達(dá)方式（epresentations），而不僅僅有像素”，才能在理解世界方面取得成功。
Marcus 說：“我們希望AI具備為理解對象、實(shí)體的行為和物理現(xiàn)象而構(gòu)建的表達(dá)方式和原語，就像人類嬰兒先天擁有的那樣。”
Marcus 希望看到AI研究人員“更多地借鑒認(rèn)知科學(xué)的知識”，構(gòu)建更加結(jié)構(gòu)化的算法來表示對象、集合、位置和時(shí)空連續(xù)性等認(rèn)知概念。他引用了自己的工作，以及哈佛大學(xué)認(rèn)知心理學(xué)家 Elizabeth Spelke 等人的研究，展示了人類兒童如何能夠在幼兒時(shí)期具備感知人、物體、集合和位置等概念。他提出一個(gè)建議：為什么不在AI中利用類似的方法，把一些結(jié)構(gòu)映射到類似的概念？
盡管 LeCun 自己在卷積神經(jīng)網(wǎng)絡(luò)上的開創(chuàng)性工作就是一個(gè)很好的例子，說明使用更結(jié)構(gòu)化的方法來約束AI必須處理的信息量，可以幫助它更好地理解世界。
Marcus說：“我認(rèn)為，我們真正需要的是系統(tǒng)的思考和分析，假如我們將不同量的先天機(jī)制嵌入到機(jī)器學(xué)習(xí)中時(shí)，會(huì)發(fā)生什么。”
LeCun 贊同AI需要一些結(jié)構(gòu)來幫助它理解世界，但他對在生物大腦中是否存在“單一學(xué)習(xí)算法、原則或程序”存疑，還是說它更像是一種沒有基本的組織原則的無意義的“黑客”（hacks）集合。在他看來，人工智能可以從單一的學(xué)習(xí)原則或這種學(xué)習(xí)原則的集合中獲益，不管是否具有內(nèi)在的先天認(rèn)知機(jī)制的結(jié)構(gòu)模塊，這些原則都會(huì)產(chǎn)生。
“缺乏的是一個(gè)原則，這個(gè)原則可以讓我們的機(jī)器通過觀察世界和與世界互動(dòng)來了解世界是如何運(yùn)作的，”LeCun說。“我們現(xiàn)在所缺少的是一種學(xué)習(xí)預(yù)測世界的模型，在我看來，這是人工智能領(lǐng)域取得突破性進(jìn)展的最大障礙。”
LeCun說，智能的本質(zhì)是預(yù)測的能力，因?yàn)轭A(yù)測未來是一個(gè)非常特殊的“填空”的場景。常識使人類和動(dòng)物能夠根據(jù)他們對世界運(yùn)作的認(rèn)知來填補(bǔ)缺失的信息。這就是為什么人類駕駛員不需要撞5萬次樹才能意識到撞樹是錯(cuò)誤的行為；人類具備的常識讓他們知道，如果車撞到樹會(huì)發(fā)生什么事。
LeCun 希望無監(jiān)督學(xué)習(xí)能夠引導(dǎo)AI最終發(fā)展出一種理解世界運(yùn)作方式的“感覺”（sense），如果不是某種原始的“常識”的話，那么就從物理學(xué)的角度。“如果在我的職業(yè)生涯結(jié)束之前，人工智能系統(tǒng)能像貓一樣聰明，我會(huì)很開心，”LeCun說，“再不然，像老鼠一樣聰明也行。”
關(guān)于AI學(xué)習(xí)“先天還是后天”的爭論還遠(yuǎn)未結(jié)束。但是，LeCun 和 Marcus 都認(rèn)同可以根據(jù)一些關(guān)鍵性能指標(biāo)來看哪一方更為合理。如果無監(jiān)督學(xué)習(xí)算法最終需要更多類似對象、集合、位置等等的認(rèn)知表征（cognitive representations）的結(jié)構(gòu)，那么Marcus就是這場辯論的勝方。如果無監(jiān)督學(xué)習(xí)在不需要這類結(jié)構(gòu)的情況下取得成功，那么LeCun將被證明是正確的。
