脑极体总共分几步？，注意力机制想要觉醒AI( 二 )
既然“操纵”意识这么带感 ， 学者们又是如何为之努力的？过去数年间 ， 注意力机制已经发生了不小的发展和进步 。
从时间上看 ， 注意力机制的能力开始为AI所用 ， 要追溯到2014年谷歌团队在一个RNN卷积神经网络模型上用它来进行图像分类 。 但真正爆发 ， 主要还是由于其在NLP机器翻译任务中证明了自己 。
2017年 ， 谷歌机器翻译团队发表的《Attentionisallyouneed》中 ， 提出了一种新颖的基于注意力的机器翻译架构 ， 大量使用自注意力（self-attention）机制来学习文本表征 ， 成为当年最具影响力的论文之一 。
随后 ， 它开始被广泛应用在基于RNN/CNN等神经网络模型的NLP任务中 ， 也延伸出了不少变式 ， 比如基于输入项的柔性注意力（Item-wiseSoftAttention）、基于输入项的硬性注意力（Item-wiseHardAttention）、基于位置的柔性注意力（Location-wiseSoftAttention）等等 ， 核心指导思想都差不多 ， 就是在神经网络的隐藏层 ， 增加注意力机制的加权 。
但需要注意的是 ， 注意力机制依然存在不少问题：
比如 ， 注意力机制与其说是一种技术 ， 不如说是一种指导思想 。 通过模拟人类阅读、听说中的注意力行为 ， 来为不同输入数据分配不同的权重 。 想要去的比较理想的效果 ， 依然需要大量的数据投入训练 。
可以说 ， 注意力机制在神经机器翻译（NMT）任务上的优秀表现 ， 依然建立在有大量高质量语料的前提下 。 一旦面对比较极端的情况 ， 比如某些语言几乎没有任何双语语料 ， 那再强的注意力机制也得抓瞎 。
文章图片
再比如 ， 注意力机制达到“有意识”推理的前提 ， 是具备理解隐性知识的能力 ， 也就是那些难以用语言、文字、图表进行表述说明 ， 不经过逻辑推理、而是借由感官、直觉、领悟获得的能力 。
这对人类来说是“小菜一碟” ， 但想要将其嵌入到深度学习算法里面 ， 却并不是一件简单的事 。 DeepMind就曾开发出一个交互式网络 ， 试图教会智能体像婴儿一样迅速了解到某些对象的属性和关系 。 交互式网络的预测结果要比一般神经网络精确得多 ， 但距离模拟人类直觉迅速反馈 ， 还为时尚早 。 而且 ， 机器必须犯上成千上万次的错误 ， 才能做出和人类一样的正确操作 。
换句话说 ， Bengio眼中的“注意力机制” ， 其实是升级版的“注意力3.0” ， 距离“机器觉醒”还早着呢 。
机器觉醒 ， 光靠Attention单打独斗还不行
上述问题不仅阻拦了注意力机制的“封神之路” ， 也是阻挡人工智能发挥更高价值的障碍 。
接下来向何处去 ， 或许正如注意力机制被引入RNN一样 ， 继续主动引入其他领域的算法和模型 ， 会带来不可知的神奇效果 。
而从ICLR2020的技术趋势来看 ， 也有不少算法开始被用来 ， 与注意力机制一起解决诸如直觉、泛化等机器能力的重要问题 。
比如元学习 。 在今年的入选论文中 ， 谷歌有5篇是专门研究元学习 。
简单来说 ， 元学习就是要让智能体利用以往的知识经验“学会如何学习”（Learningtolearn） ， 然后更高效地完成新任务 。
具备这种能力 ， 自然也就能够解决训练数据不足、系统通用性低等问题 ， 帮助AI不断丰富和修正自身的知识网络 。 具备了这一能力 ， 获得了人类常识的AI才有希望到达“有意识”的推理 。
文章图片
最后 ， 也有必要大开脑洞 ， 试想一下如果“有意识”的推理实现 ， AI真的觉醒了 ， 又会为人类带来什么呢？
猜想一 ， AI的服务能力会显而易见的提升 ， 在实践中不断学习处理复杂的工作将不再是难事 ， 想象中的智能家政机器人、智能女友/男友 ， 都不再是问题 。
推荐阅读
![[澎湃新闻]如何变废为宝，把二氧化碳握在手中？](http://ttbs.guangsuss.com/image/184a5c800afe6c309a05f2e12b53ea70)
- 5g手机▲120Hz＋双模5G，售价2199元，前后总共六摄
- 『脑极体』陷于利益，败于“聪明”，硅谷天才陨落记：始于才华
- 「微信」烦人的朋友圈广告，只要几步就能屏蔽掉！
- 『路由器』两个路由器怎样设置进行无线桥接？简单几步轻松搞定！
- 脑极体@如何打开商业化正确姿势？，情感智能进行时
- 【脑极体】5G位移下的封装产业“地壳运动”
- 『Java』阿里P8终于整理出了Java并发编程实践pdf，总共433页
- 脑极体■精耕新基建：智能IP网络构筑稳固的连接基石
- 『脑极体』云游戏的摆渡人：一首百度智能云的“棹歌”
- 『脑极体』5G加速度：北京联通与华为如何化身“超级马力”？