雖然現(xiàn)在人工智能炒作得很厲害，但是其實AI的智商連幾歲的嬰兒或者動物都不如。人類與動物似乎具備天生的認知手段，可以在信息有限的情況下了解到世界的運作方式。那么AI是否也應該內(nèi)置類似的認知手段呢？兩位AI專家展開了激辯。
對由較為流行的人工智能技術提供支持的無人車而言，它需要在虛擬仿真中撞樹5萬遍才能了解到撞樹是個糟糕的主意。但是，在極其陡峭的山坡上攀登的野山羊幼兒可沒有這么奢侈的環(huán)境，可以經(jīng)歷幾百萬次的生死之后才學會如何攀巖不會摔死。同時，一位心理學家的3歲女兒并不需要練習數(shù)百萬次才學會爬過椅子后背的空隙。
今天，最強大的人工智能技術幾乎是在強大的計算資源幫助下從零開始學會有關世界的一切。相比之下，人類和動物似乎對特定概念、對象、地方以及一組相關的東西有著直觀了解，可以迅速了解世界的運作方式。這就引出了一個重要的“自然還是培養(yǎng)”的問題：人工智能的學習是否需要內(nèi)置人類與動物與生俱來的那種認知手段來實現(xiàn)類似水平的一般智能？
近日，兩位研究AI與心理學的大牛就此話題在紐約大學心智、大腦與意識中心展開了面對面的辯論。
紐約大學計算機科學家及Facebook人工智能研究中心主任Yann LeCun說：“無論是通過結果還是通過學習，我們目前的AI技術都不能建立這個世界的表征，那種跟我們在動物和人類身上觀察到的東西接近的表征。”
LeCun幫助引領了AI深度學習領域的發(fā)展，這項技術給技術巨頭自動化注入過濾Facebook上面朋友的臉龐或者通過Google Translate將中文翻譯成英文等熱門服務提供了幫助。深度學習算法找到了如何在不需要任何額動物具備的那種天生的認知手段的情況下執(zhí)行所有那些任務的辦法。相反，深度學習算法可以在過濾海量數(shù)據(jù)的同時逐步學會認識有關世界的特定模式——當你擁有Facebook、Google以及微軟的龐大資源時，這個過程對于圖像識別等特定的感知任務是有效的。
所有人都同意目前的注入深度學習等AI技術仍然達不到智能可與動物或者人類相提并論的一般AI的水平。盡管如此，LeCun認為AI可以在發(fā)展那種一般智能方面取得進展，其基礎是最近取得進展的無監(jiān)督深度學習，這種技術可以取消由人提供機器學習所需的人工標記數(shù)據(jù)的大部分需要。
我的追求是將利用手頭數(shù)據(jù)去學習的固有手段的數(shù)量最小化。
——Yann LeCun，紐約大學，F(xiàn)acebook
LeCun指出，現(xiàn)代AI的成功很大程度上并不是取決于對世界的運作方式建立假設或者結構化概念上。從這個意義上來說，他更偏向于維持AI算法最小結構化的那種簡潔性。而且他想象做這件事應該不需要利用人類語言學家、心理學家或者認知科學家的洞察。LeCun說：“我的追求是將利用手頭數(shù)據(jù)去學習的固有手段的數(shù)量最小化。”
紐約大學的研究心理學家，初創(chuàng)企業(yè)Geometric Intelligence（現(xiàn)屬于Uber的AI部門）的創(chuàng)始人Gary Marcus則認為這一天不會那么快到來。他承認無監(jiān)督深度學習有成功的機會。但他認為此類算法在擁有“比像素更豐富的基元與表征集”去理解世界的情況下才能成功。
我們想要小孩擁有的那種東西，也就是用于理解對象和實體行為以及世界的物理性質(zhì)的基元和表征。
——Gary Marcus，紐約大學
Marcus說：“我們想要小孩擁有的那種東西，也就是用于理解對象和實體行為以及世界的物理性質(zhì)的基元和表征。”
Marcus希望看到AI研究人員可以“更加慷慨地借鑒認知科學”，開發(fā)出更加結構化的算法來表示注入對象、集合、地方以及時刻連續(xù)性等認知概念。他引用了自己以及諸如哈佛大學認知科學家Elizabeth Spelke等同事的工作，通過這些來說明人類兒童如何在很早的時候就具備了認識諸如人、物體、集合以及地方等概念的能力。他的建議：AI為什么不能利用類似的辦法，實現(xiàn)一些結構去映射類似的概念呢？
Marcus說，即使是LeCun在卷積神經(jīng)網(wǎng)絡（一種對象識別任務的更高效計算處理方法）上面的先驅(qū)工作，也是如何利用更為結構化的辦法去約束AI必須過濾的信息量，從而更好地理解世界的很好例子。
Marcus說：“我認為我們真正需要的是系統(tǒng)性思維和分析，對在將不同數(shù)量的固有手段植入機器學習時發(fā)生的事情進行系統(tǒng)性思考和分析。”
LeCun同意AI需要一些結構來幫助理解世界。但他懷疑生物大腦是否存在“單一的學習算法或者原則、過程”，或者這是不是更像是沒有底層組織原則的無意義的“破解”集合。在他看來，不管有沒有內(nèi)置的按照先天認知手段建模的結構，AI都可以極大受益于單一的學習原則或者此類原則的結合。
LeCun說：“現(xiàn)在缺的是一個允許我們的機器通過觀察以及跟世界互動來了解世界運作方式的原則。一個學習預測性世界模型是我們現(xiàn)在所欠缺的，以我之見，這是AI取得重大進展的最大障礙。”
智能的精髓在于預測的能力，因為預測未來是“填補有關世界狀態(tài)空白”的一個非常特殊的情況，LeCun說。常識讓人類和動物可以根據(jù)自己對世界運作機制的認識去補充缺失的信息。這就是人類司機不需要撞50000次樹才意識到這是壞主意的原因；人類已經(jīng)對如果駕駛車輛撞向樹木可能發(fā)生的事情有感覺了。
LeCun希望無監(jiān)督學習可以引領AI產(chǎn)生一種感覺，如果說不是常識的粗略形式的話，也是感知世界的運作方式的物理視角。LeCun說： “如果到我職業(yè)生涯結束時我們能有跟貓一樣聰明的機器的話，我會非常高興的，或者老鼠也行。”
AI學習最終更多是道法自然還是更多靠培養(yǎng)？這一話題之爭還遠遠沒有定論。但無論是LeCun還是Marcus都同意驗證說法真?zhèn)蔚年P鍵績效指標。如果無監(jiān)督學習算法最終需要更多類似問題、集合、地方等認知表征的結構的話，Marcus就可以宣告自己的勝利。如果無監(jiān)督學習發(fā)現(xiàn)成功并不需要此類結構化的話，則LeCun就被證明是正確的。
