|
作者| George Anadiotis译者| Sambodhi策划|刘燕的Gary Marcus不缺野心，他决心重启人工智能。 本文最初发表于 ZDNet，经原作者 George Anadiotis 授权，InfoQ 中文站翻译并分享。 人工智能领域的名人加里马库斯肩负着为这个他认为有停滞风险的学科注入新鲜空气的使命。知识地图，一个炒了20年的老古董，在那里可能会有所作为。 “这是我们需要做的。虽然现在不流行，但这就是流行的东西行不通的原因。”这是对科学家、畅销书作家和企业家加里马库斯多年来一直说的话的粗略过度简化，但至少他自己是这么说的。 所谓的“流行的东西不起作用”部分是指深度学习，而“我们需要做什么”部分是指采用更全面的人工智能方法。马库斯不缺乏野心。他决心重启人工智能。而且他不缺资历。从小，他或多或少地致力于探索智能的本质，无论是人工智能还是其他智能。 由于深度学习被认为是人工智能领域最成功的子领域，质疑深度学习可能听起来有争议。马库斯的批评是一致的。他发表了一些文章，强调深度学习是如何失败的，比如GPT-2、米娜和GPT-3。 马库斯最近发表了一篇60页的论文，题目是《人工智能的下一个十年：迈向强人工智能的四个步骤》(ai :的未来十年走向稳健人工智能的四个步骤)。在这篇文章中，马库斯超越了批评，提出了促进人工智能发展的具体建议。 ZDNet广泛采访了Marcus，这是Marcus即将发表的关于人工智能在知识连接上的未来的主题演讲的前奏。从面试第一部分结束，今天我们就来详细介绍一下具体的方法和技巧。 强大的人工智能：四块积木vs四行代码。 最近，深度学习的先驱之一杰夫辛顿声称，深度学习可以成就任何事情。但马库斯认为，取得进展的唯一途径是结合现有的“积木”，但没有一个系统能结合现有的人工智能系统。 积木1:与经典人工智能世界的连接。马库斯并不是建议放弃深度学习，而是将其与经典人工智能的一些工具相结合。经典人工智能擅长表示抽象的知识、句子或抽象。目标是拥有一个可以使用感知信息的混合系统。 构件2:我们需要丰富的方式来体现知识，我们需要大规模的知识。我们的世界充满了大量的知识碎片。大多数深度学习系统都不是这样。很多时候，它们只是充满了具体事物之间的关联。因此，我们需要大量的知识。 构建模块3:我们需要能够对这些事情进行推理。假设我们对物理物体及其在世界上的位置有所了解，例如杯子。这个杯子里有铅笔。然后，人工智能系统需要意识到，如果我们在杯子底部挖一个洞，铅笔就会掉出来。人类一直在做这种推理，但是目前的人工智能系统做不到这一点。 构建模块4:我们需要认知模型：我们大脑或计算机内部的东西，它可以告诉我们世界上看到的实体之间的关系。马库斯指出，有些系统有时可以做到这一点，以及为什么它们可以做出比单独通过深度学习做出的推论更复杂的推论。 我们认为，这是一个全面的建议。然而，也有人提出了反对意见，包括一些喜欢优秀华本吉奥的人。Yoa Bengio、Geoff Hinton和Yan LeCun被认为是深度学习的创始人，最近他们获得了图灵奖。 人工智能不仅仅是机器学习，机器学习也不仅仅是深度学习。加里马库斯倡导人工智能的混合方法，并将其与根本原因联系起来。图片来源：NVIDIA。 本吉奥和马库斯进行了辩论。在辩论中，本吉奥承认了马库斯的一些观点，但他也清楚地表明了自己的立场，并与马库斯划清了界限。马库斯提到，他发现本吉奥早期关于深度学习的研究工作“更倾向于炒作”: 我认为本吉奥的观点是，如果我们有足够的数据，我们可以解决所有的问题。但现在他发现事实并非如此。事实上，他的话已经软化了很多。他承认炒作太多，他也承认我早就指出了泛化的局限性，虽然他并没有因此责怪我。所以他意识到了一些局限性。 但是，在这一点上，我觉得我和他还是很不一样的。我们正在讨论您需要在系统中构建什么。所以会有很多知识。但并不是所有的知识都是天生的。很多知识是后天习得的，但也可能会诞生一些核心知识。他愿意承认一些特别的东西，因为他说，嗯，这只是四行计算机代码。他没有完全划一条线，只说了五条线。但是，他说，很难编码所有这些东西。我认为这很愚蠢。现在我们有几千兆字节的内存，而且不花钱。因此，您可以轻松容纳物理存储。这实际上是一个构建和调试的问题，并获得正确数量的代码。 先天知识，和过去20年的炒作。 马库斯接着提出了一个比喻。他说，基因组是一种代码，经过10亿年的进化，大脑是自己建造的，没有蓝图。他补充说，这是一个非常复杂的系统，他在一本名为《心灵的诞生》的书中写道。在这个基因组中，有足够的空间掌握一些世界的基本知识。 这是显而易见的，马库斯认为，通过观察我们所说的群居动物，比如马，它一站起来就会开始行走；或者山羊，当它几个小时大的时候，它会从山坡上爬下来。关于视觉世界是什么样子的，如何解释，力是如何作用在自己的身体上的，它与平衡有什么关系，等等，一定有一些与生俱来的知识。 这就是为什么人类基因组中有远不止四行代码的原因。马库斯认为，随着大脑的发展，我们的大部分基因组都在大脑中表达。因此，我们的很多DNA其实就是要在我们的大脑中建立一个强有力的起点，这样我们才能积累更多的知识： 这不是先天和后天的关系。就像先天越多，后天越少。这并不是说只有一个赢家。其实这是先天和后天相互作用的结果。你积累的知识越多，就越容易理解这个世界。 探索智能，无论是人工智能还是其他智能，几乎不可避免地会涉及哲学问题。先天假设是指某些原语，如语言，是否基于智能因素。 马库斯关于足够的存储空间的观点引起了我们的共鸣，关于增加知识的部分也引起了我们的共鸣。毕竟越来越多的人工智能专家承认了这一点。我们认为，困难不在于如何存储这些知识，而在于如何对其进行编码、连接并使其可用。 这给我们带来了一个非常有趣且广为人知的想法/技术：知识图谱。术语“知识地图”本质上是一种旧方法的重命名：语义网。知识图谱现在可能被炒作，但如果有，那是20年前炒作的。 语义网由蒂姆伯纳斯李爵士创建，旨在将符号人工智能方法引入网络：分布式、分散式和大规模。有些效果很好，有些就不太好了。它经历了自己的幻灭低谷，现在它看到了自己的复兴，以schema.org占领网络和知识地图被广泛宣传的形式。但最重要的是，知识图谱正在被现实世界所接受。马库斯在他的《心智的诞生》论文中确实提到了知识图谱，这对我们来说是一个引爆点。 马库斯承认，要实现他的方法，还需要解决一些实际问题，需要做大量的工作，这样才能很好地抑制符号搜索，实时处理复杂问题。然而，他认为谷歌的知识图谱至少是这一反对意见的部分反例。 当深度学习遇到知识图谱。 当被问及是否认为知识图谱可以在他倡导的混合方法中发挥作用时，马库斯持积极态度。他说，一种思维方式是，大量知识在互联网上表达，互联网基本上是免费提供的，目前的人工智能系统中没有使用。但是他们中的许多人都有问题： 世界上大部分知识在某种程度上都是不完美的。但是，如果有很多知识，比如一个聪明的10岁孩子可以免费获得，那么我们应该让RDF(资源描述框架)能够做到这一点。 一些例子是，首先，维基百科，它讲述了很多关于世界是如何运作的。如果你有一个人的大脑，你可以阅读它，并从中学到很多。如果你是一个深度学习系统，你将一无所获，或者几乎一无所获。维基百科是房子前面的东西。在房子的后面是类似语义网的东西，它标记网页供其他机器使用。那里有各种各样的知识，但目前的做法是把它放在架子上。我们必须开发一个可以利用人类集体知识的人工智能系统，用语言而不仅仅是电子表格来表达，这样才能取得真正的进步，创造出最复杂的系统。 以知识图谱为例，混合匹配深度学习和知识表示的人工智能方法可能是最好的发展方向。 马库斯接着补充说，语义网让人们参与进来并保持一致比预期的要困难得多。但这并不意味着这种方法没有价值，也不意味着知识被明确化。这只是意味着我们需要更好的工具来使用它。这是我们可以订阅的，也是很多人关注的。 显然，我们不能指望人们使用RDF词汇手动注释发布的每一条内容。因此，它们中的许多现在由内容管理系统自动或半自动地执行。热门博客平台WordPress就是一个很好的例子。很多插件在发布内容时使用RDF(开发者友好的JSON-LD形式)进行标注，只需要最少的努力或者不需要努力，从而保证了在这个过程中有更好的SEO(搜索引擎优化)。 马库斯认为，随着机器变得越来越复杂，机器注释也会变得越来越好。而且随着人工智能变得越来越复杂，它会产生一种向上的棘轮效应。目前人工智能还不成熟，对我们帮助不大，但随着时间的推移，这种情况会改变。 混合的价值。 更一般地说，马库斯认为，人们正在以一种前所未有的方式意识到混合动力汽车的价值，尤其是在最近一两年： 人们爱上了这个想法：“我只需要把所有的数据输入这个神奇的算法，它就会让我实现我的目标。”他们认为这将解决无人驾驶汽车和聊天机器人的问题。 然而，人们意识到，“嘿，这不会真的起作用，我们需要其他技术”。所以，我觉得这几年，和前五年相比，人们更渴望尝试不同的东西，努力找到两全其美的东西。 如前所述，在现实世界中，人工智能的技术水平似乎非常接近马库斯所描述的水平。下周我们将回顾总结，介绍更多的知识注入技术和大规模语义，展望未来。 作者介绍： 乔治阿纳迪奥蒂斯，特约作家。熟悉技术、数据和媒体。现为Gigaome分析师，为财富500强企业、初创企业和非政府组织提供咨询服务，建立和管理各种规模的项目、产品和团队。 |
