今天，《科學(xué)》雜志封面刊登了一篇重磅研究：人工智能終于能像人類一樣學(xué)習(xí)，并通過(guò)了圖靈測(cè)試。

這個(gè)人工智能像你一樣學(xué)習(xí)寫字

假設(shè)你從來(lái)沒有見過(guò)菠蘿。有一天，有人送了你一個(gè)菠蘿。盡管你這輩子只見過(guò)這一個(gè)菠蘿，但你只用一眼就看出了菠蘿的特征。第二天，你去水果店，很快就能從一堆蘋果、葡萄、柚子中認(rèn)出菠蘿來(lái)。你甚至還能在紙上畫出菠蘿的簡(jiǎn)筆畫。

這種「僅從一個(gè)例子就形成概念」的能力對(duì)人來(lái)說(shuō)很容易。然而，盡管人工智能近年來(lái)取得了長(zhǎng)足的進(jìn)步，但要讓機(jī)器做到這一點(diǎn)，卻難于上青天，因?yàn)槟壳暗娜斯ぶ悄芡ǔＰ枰獜拇罅康臄?shù)據(jù)中進(jìn)行學(xué)習(xí)，你得讓它看成千上萬(wàn)張菠蘿的圖片才行。

不過(guò)，這個(gè)事實(shí)或許從今天開始改變了。今天，一篇人工智能論文登上了《科學(xué)》雜志的封面，為人們帶來(lái)了人工智能領(lǐng)域的一個(gè)重大突破：三名分別來(lái)自麻省理工學(xué)院、紐約大學(xué)和多倫多大學(xué)的研究者開發(fā)了一個(gè)「只看一眼就會(huì)寫字」的計(jì)算機(jī)系統(tǒng)。（論文點(diǎn)此下載：Human-level concept learning through probabilistic program induction）

《科學(xué)》雜志封面

只需向這個(gè)系統(tǒng)展示一個(gè)來(lái)自陌生文字系統(tǒng)的字符，它就能很快學(xué)到精髓，像人一樣寫出來(lái)，甚至還能寫出其他類似的文字——更有甚者，它還通過(guò)了圖靈測(cè)試。下面就是機(jī)器和人寫出的字符。你猜哪些是機(jī)器寫出來(lái)的？傻傻分不清了吧？

機(jī)器的作品是1,2；2,1；1,1。

這三名研究者分別是紐約大學(xué)數(shù)據(jù)科學(xué)中心的Brenden Lake，多倫多大學(xué)計(jì)算機(jī)科學(xué)與統(tǒng)計(jì)學(xué)系的Ruslan Salakhutdinov和麻省理工學(xué)院大腦與認(rèn)知科學(xué)系的Joshua Tenenbaum。他們創(chuàng)造的AI系統(tǒng)能夠迅速學(xué)會(huì)寫陌生的文字，從某種意義上說(shuō)明它領(lǐng)悟到了字符的本質(zhì)特征（也就是字符的總體結(jié)構(gòu)），同時(shí)還能識(shí)別出非本質(zhì)特征（也就是那些因書寫造成的輕微變異）。

三名研究者從左到右分別是：Ruslan Salakhutdinov, Brenden Lake和Joshua B. Tenenbaum。圖/Alain Decarie/The New York Times

人類的概念具有極大的彈性，因此，盡管許多概念的邊界十分模糊，但我們依然能進(jìn)行明確的分類。這三位研究者聲稱，他們的系統(tǒng)就抓住了這種彈性。該系統(tǒng)能模仿人類的一個(gè)特殊天賦——從少量案例中學(xué)習(xí)新概念。它所根植的計(jì)算結(jié)構(gòu)叫做概率程序（probabilistic program），還可能有助于對(duì)人類獲得復(fù)雜概念的過(guò)程進(jìn)行建模。

Joshua B. Tenenbaum是麻省理工學(xué)院大腦與認(rèn)知科學(xué)系的教授，他說(shuō)：「目前的人工智能領(lǐng)域大都聚焦在對(duì)模式進(jìn)行分類。但是，這種類型的智能所缺少的不是分類或識(shí)別，而是思考。這就是為什么盡管我們研究的是手寫字符，但也會(huì)大言不慚地使用『概念』這種詞。因?yàn)槲覀兡苡眠@些字符來(lái)研究更加豐富和復(fù)雜的概念。我們能理解字符的來(lái)歷和構(gòu)件，也能理解如何用不同的方式來(lái)使用字符，并造出新的來(lái)?！?/p>

通過(guò)「圖靈測(cè)試」

這篇論文的第一作者Brenden Lake在Tenenbaum的團(tuán)隊(duì)中獲得了認(rèn)知科學(xué)的博士學(xué)位，如今他是紐約大學(xué)的博士后。根據(jù)Lake的介紹，他們?cè)谡撐闹蟹治隽巳齻€(gè)核心原則，這些原則都很通用，既可以用在字符上，也可以用在許多其他的概念上：

組合性（compositionality）：表征是由更簡(jiǎn)單的基元構(gòu)建而成。

因果性（causality）：模型表征了字符如何生成的抽象因果結(jié)構(gòu)。

學(xué)會(huì)學(xué)習(xí)（learning to learn）：過(guò)去的概念知識(shí)能夠幫助學(xué)習(xí)新概念。

研究者對(duì)這個(gè)AI系統(tǒng)進(jìn)行了幾項(xiàng)測(cè)試。

研究者向系統(tǒng)展示它從未見過(guò)的書寫系統(tǒng)（例如，藏文）中的一個(gè)字符例子，并讓它寫出同樣的字符。并不是讓它復(fù)制出完全相同的字符，而是讓它寫出9個(gè)不同的變體，就像人每次手寫的筆跡都不相同一樣。例如，在看了一個(gè)藏文字符之后，算法能挑選出該字符用不同的筆跡寫出來(lái)的例子，識(shí)別出組成字符的筆畫，并重畫出來(lái)。

研究者向系統(tǒng)展示了一個(gè)陌生書寫系統(tǒng)中的幾個(gè)不同的字符，并讓它創(chuàng)造出一些相似的字符。

研究者讓它在一個(gè)假定的書寫系統(tǒng)中創(chuàng)造出全新的字符。

與此同時(shí)，人類被試也被要求做同樣的事情。最后，研究者要求一組人類裁判（來(lái)自亞馬遜土耳其機(jī)器人，Amazon Mechanical Turk）分辨出哪些字符是機(jī)器寫的，哪些是人類寫的。結(jié)果，裁判的正確率僅為52%，和隨機(jī)的結(jié)果差不多。于是，機(jī)器通過(guò)了所謂的視覺圖靈測(cè)試。

紅圈標(biāo)出的是機(jī)器的作品。

傳統(tǒng)的機(jī)器學(xué)習(xí)系統(tǒng)（比如手機(jī)上的語(yǔ)音識(shí)別算法）在某些分類任務(wù)上的表現(xiàn)很好，但是它們首先需要大量的數(shù)據(jù)集來(lái)進(jìn)行訓(xùn)練。相比之下，人類只需要少量的例子就能抓住某個(gè)概念的精髓。這種「一次性學(xué)習(xí)」正是研究者希望他們的系統(tǒng)能模擬的能力。

學(xué)會(huì)如何學(xué)習(xí)

三位研究者采用的方法是「貝葉斯程序?qū)W習(xí)」（BPL，Bayesian Program Learning），能讓計(jì)算機(jī)系統(tǒng)對(duì)人類認(rèn)知進(jìn)行很好的模擬。傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要大量的數(shù)據(jù)來(lái)訓(xùn)練，而這種方法只需要一個(gè)粗略的模型，然后使用推理算法來(lái)分析案例，補(bǔ)充模型的細(xì)節(jié)。

在這篇論文中，研究者的模型只規(guī)定了人類書寫系統(tǒng)的字符由筆畫組成。筆畫由抬高筆觸來(lái)區(qū)分，而筆畫又由更小的子筆畫組成，子筆畫用筆尖速度為零的點(diǎn)來(lái)區(qū)分。

有了這個(gè)初始模型之后，研究者向AI展現(xiàn)了人類手寫文字的方式，包括筆畫順序等，讓系統(tǒng)學(xué)習(xí)連續(xù)的筆畫和子筆畫之間的統(tǒng)計(jì)關(guān)系，以及單個(gè)筆畫所能容忍的變異程度。這個(gè)系統(tǒng)從未在它所分析的書寫系統(tǒng)上進(jìn)行過(guò)任何訓(xùn)練，它只是推理出了人類寫字的一般規(guī)律。

Tenenbaum說(shuō)：「每個(gè)星期，我們似乎都能讀到機(jī)器在人臉識(shí)別、語(yǔ)音識(shí)別方面與人類旗鼓相當(dāng)?shù)男侣?。但?#xff0c;對(duì)我這種研究心智的科學(xué)家來(lái)說(shuō)，機(jī)器學(xué)習(xí)和人類學(xué)習(xí)之間的鴻溝是巨大的。我們希望彌合這個(gè)鴻溝，這是我們的長(zhǎng)期目標(biāo)?！?/p>

各方評(píng)價(jià)

劍橋大學(xué)的信息工程教授Zoubin Ghahramani說(shuō)：「我認(rèn)為這對(duì)人工智能、認(rèn)知科學(xué)和機(jī)器學(xué)習(xí)是一個(gè)重大的貢獻(xiàn)。深度學(xué)習(xí)目前已取得了重要的成功，這篇論文非常清醒地表明了深度學(xué)習(xí)的局限性，因?yàn)樯疃葘W(xué)習(xí)需要大量的數(shù)據(jù)，并且在這篇論文所描述的任務(wù)上表現(xiàn)很差。這篇論文也展現(xiàn)了實(shí)現(xiàn)類人機(jī)器學(xué)習(xí)的重要方法。」

也有一些人對(duì)「人工智能超越人腦」這種說(shuō)法持謹(jǐn)慎態(tài)度。艾倫人工智能研究所的Oren Etzioni說(shuō)：「對(duì)『超人的表現(xiàn)』這種詞，我會(huì)非常謹(jǐn)慎。當(dāng)然，這個(gè)算法確實(shí)展現(xiàn)出了超過(guò)一般人的表現(xiàn)，除了達(dá)斯汀·霍夫曼?！?#xff08;指霍夫曼主演的《雨人》電影。）

與深度學(xué)習(xí)優(yōu)勢(shì)互補(bǔ)

多倫多大學(xué)和谷歌的人工智能先驅(qū)Geoffrey Hinton說(shuō)這個(gè)研究「令人印象非常深刻」。他說(shuō)，這個(gè)模型能通過(guò)視覺圖靈測(cè)試，這很重要。「能實(shí)現(xiàn)這一點(diǎn)，是一個(gè)不錯(cuò)的成就。」Hinton是深度學(xué)習(xí)的奠基者。深度學(xué)習(xí)近年來(lái)取得了舉世矚目的成就，被廣泛應(yīng)用在許多領(lǐng)域，例如語(yǔ)音翻譯、圖像識(shí)別等。深度學(xué)習(xí)用在谷歌的圖像搜索和Facebook的人臉識(shí)別上，獲得了巨量的數(shù)據(jù)以供學(xué)習(xí)。

然而，這篇新論文說(shuō)「貝葉斯程序?qū)W習(xí)」比深度學(xué)習(xí)的表現(xiàn)更好。不過(guò)，三位作者和Hinton都禮貌地表明，這兩種方法在不同的任務(wù)上各領(lǐng)風(fēng)騷，假如能彼此借鑒，一定能互相提升——如果能建出一個(gè)混血系統(tǒng)，說(shuō)不定能有更大的提升。在數(shù)據(jù)量巨大但較混亂的情況下，深度學(xué)習(xí)能發(fā)揮優(yōu)勢(shì)；而在數(shù)據(jù)量少而清晰的情況下，貝葉斯學(xué)習(xí)占領(lǐng)上風(fēng)。

Hinton說(shuō)，這篇論文最令人興奮的成果或許是能讓那些宣稱智能計(jì)算機(jī)系統(tǒng)的學(xué)習(xí)方式與人類完全不同的批評(píng)者閉嘴，因?yàn)樗麄兊闹饕摀?jù)正是計(jì)算機(jī)不能從單個(gè)例子中形成概念。

未來(lái)

在未來(lái)，這種機(jī)器學(xué)習(xí)的技術(shù)能夠完成很多任務(wù)，例如讀懂手語(yǔ)、提升語(yǔ)音識(shí)別軟件的性能等。運(yùn)用這種方法，或許只用向計(jì)算機(jī)展示一張人臉照片，它就能從任何角度識(shí)別出這個(gè)人。它甚至有可能用來(lái)制定軍事行動(dòng)計(jì)劃。

當(dāng)然，盡管這個(gè)成果很重要，但它對(duì)人工智能領(lǐng)域來(lái)說(shuō)只是一個(gè)小小的起點(diǎn)，不代表未來(lái)的機(jī)器學(xué)習(xí)都必須采用這種方法。正如它顛覆了「計(jì)算機(jī)如何理解概念」這個(gè)課題一樣，在這個(gè)日新月異的領(lǐng)域中，極有可能下個(gè)月就出現(xiàn)一種新方法，將它甩在后面飛揚(yáng)的塵土中。

---

?

參考：

Brenden M. Lake1, Ruslan Salakhutdinov, Joshua B. Tenenbaum. Human-level concept learning through probabilistic program induction. Science 11 December 2015: Vol. 350 no. 6266 pp. 1332-1338.

Larry Hardesty. Computer Drawings fool human judges, pass “Visual Turing Test”. MIT News

John Markoff. A Learning Advance in Artificial Intelligence Rivals Human Abilities. nytimes

Researchers create an artificial intelligence model that learns, and draws, just like you. Torstar News Service

Dave Gershgorn. Computers are closer to copying the way human learn. Popsci.

總結(jié)

以上是生活随笔為你收集整理的人工智能终于能像人类一样学习，并通过了图灵测试的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。