通用人工智能何时才能成为现实
几乎与符号 AI 的研究并行,另一条研究方向集中在机器学习算法,即通过经验发展其行为的 AI 系统。虽然机器学习算法有许多不同的风格,但它们都有一个相似的核心逻辑:您创建一个基本模型,通过提供训练示例来调整其参数,然后使用经过训练的模型来预测、分类或生成新数据。
机器学习最流行的分支是深度学习,这个领域在过去几年受到了很多关注(和金钱)。深度学习算法的核心是深度神经网络,即层层叠叠的小型计算单元,当这些计算单元组合在一起并相互堆叠时,可以解决以前计算机无法解决的问题。
神经网络特别擅长处理杂乱的、非表格数据,例如照片和音频文件。近年来,深度学习已成为计算机视觉、语音识别和自然语言处理进步的关键。
回到上一节中提到的对象检测问题,这里是深度学习如何解决这个问题:首先,您创建一个convnet,一种特别擅长处理视觉数据的神经网络。然后,您在许多标有相应对象的照片上训练 AI 模型。最后,您通过提供新图像并验证它是否正确检测和标记其中包含的对象来测试模型。
深度神经网络不是逐像素比较,而是开发它们在训练数据中找到的模式的数学表示。与符号 AI 相比,神经网络更能适应图像中对象外观的细微变化。
但是深度学习能解决一般的 AI 问题吗?当然不是。迄今为止,神经网络已被证明擅长数据的空间和时间一致性。但是他们在概括自己的能力和像人类一样对世界进行推理方面非常差。
一个训练有素的神经网络可能能够检测到本文开头视频中的棒球、球棒和球员。但是很难理解场景中不同对象的行为和关系。神经网络在处理与训练示例在统计上不同的新情况时也会开始崩溃,例如从新角度观察对象。
一个巨大的语言模型可能能够生成一个连贯的文本摘录或将一个段落从法语翻译成英语。但是它不理解它创建的单词和句子的含义。它的主要工作是根据从数百万个文本文档中收集的统计数据预测序列中的下一个单词。
此外,在没有任何符号操作的情况下,神经网络在符号 AI 程序可以轻松解决的许多问题上表现非常差,例如计数项目和处理否定。神经网络缺乏您会在每个基于规则的程序中找到的基本组件,例如高级抽象和变量。这就是为什么他们需要大量数据和计算资源来解决简单的问题。
简而言之,符号 AI 和机器学习复制了人类智能的不同组成部分。但很明显,如果不将所有部分组合在一起,您将无法创建通用人工智能。
科学家和专家在破解人类级人工智能密码需要多少年的问题上存在分歧。但大多数人都同意,我们距离 AGI 至少还有几十年的时间。
尽管如此,作为 AI 社区的习惯,研究人员顽固地继续前行,没有被 6 十年来未能实现创造思维机器的难以实现的梦想所吓倒。
今天,有各种各样的努力旨在推广人工智能算法的能力。同样,与人工智能中的许多其他事物一样,存在很多分歧和分歧,但一些有趣的方向正在发展。
一些科学家认为,前进的道路是混合人工智能,即神经网络和基于规则的系统的组合。他们认为,混合方法将汇集两种方法的优势,帮助克服它们的缺点,为通用人工智能铺平道路。
其他科学家认为,纯基于神经网络的模型最终会发展出他们目前缺乏的推理能力。有很多关于创建深度学习系统的研究,这些系统可以在没有人类开发人员明确指导的情况下执行高级符号操作。该领域的其他有趣工作是自监督学习,这是深度学习算法的一个分支,它将学习以与人类儿童相同的方式体验和推理世界。
这些方法中的任何一种最终会让我们更接近 AGI,还是会发现更多的障碍和障碍?时间会告诉我们的。但可以肯定的是,一路上会有很多令人兴奋的发现。