江苏龙网

  1. 首页 > 资讯 > 科技 > >

DeepTech深科技|为何除了马斯克，没人愿意猜通用人工智能何时出现？( 三 )


如何才能研发出通用人工智能？
莱格在整个职业生涯中一直在追求智能 。
在离开 Webmind 之后 ， 他与瑞士卢加诺大学的马库斯?哈特合作了一篇博士学位论文 “机器超级智能” 。 哈特目前也在 DeepMind 工作 。
两人发布了通用智能的方程式 ， 莱格将其描述为衡量在大多数情况下实现目标的能力 。 他们表示 ， 他们的数学定义与心理学中发现的许多智能理论相似 ， 后者也从通用的角度定义了智能 。
在 DeepMind ， 莱格将其理论变为实际演示 ， 从在特定环境中实现特定目标（从游戏到蛋白质折叠）的 AI 开始 。
接下来是棘手的部分：让 AI 同时掌握多种能力 。 深度学习是我们拥有的最通用的方法 ， 因为一种深度学习算法可用于学习多个任务 。 AlphaZero 使用相同的算法来学习围棋、将棋（日本的象棋游戏）和象棋 。 DeepMind 的雅达利 57 系统使用相同的算法来掌握每个雅达利电子游戏 。 但人工智能一次仍然只能学习一件事 。 掌握了象棋之后 ， AlphaZero 必须擦除其记忆 ， 并从头开始学习将棋 。
莱格将这种通用性称为 “只学一件事算法” ， 它与人类具有的 “唯一大脑” 不同 。 他认为 ， 总体来说 ， “只学一件事算法” 非常有用 ， 但是却不如 “唯一大脑” 那么有趣 。 因为人类不需要切换大脑 ， 我们在玩象棋的时候不需要换上负责象棋的大脑 。
把 “只学一件事算法” 转变为 “唯一大脑” ， 这是人工智能面临的最大挑战之一 。 而且 ， 拥有 “唯一大脑” 的人工智能仍然不是真正的智能 ， 只是一个更好的 AGI—— 莱格的多功能工具而已 。 但无论是否要以 AGI 为目标 ， 研究人员都认为当今的系统需要变得更加通用 ， 对于那些以 AGI 为目标的人来说 ， 一个有着更普遍目标的人工智能是必不可少的第一步 。 有很多方法可能会有所帮助 。 从已经出现的新兴技术到更激进的实验都有 。 按技术的成熟程度排序 ， 它们是：
无监督或自主监督学习 。 标记数据集（例如 ， 用 “猫” 来标记所有猫的图片） ， 以告诉人工智能在训练过程中它们看的是什么 ， 这就是所谓监督学习的关键 。 但大部分工作仍需人工完成 ， 这成了主要瓶颈 。 人工智能需要能够在没有人类指导的情况下进行自我学习 ， 例如 ， 看着猫和狗的图片 ， 并学会在没有人类帮助的情况下将它们区分开 ， 或者不借助之前案例的标签就能发现金融交易中的异常情况 。 这就是所谓的无监督学习 ， 现在正在变得越来越常见 。
转移学习 ， 包括少量样本学习 。 如今 ， 大多数深度学习模型训练一次只能做一件事情 。 转移学习的目的是让人工智能将一个任务的部分训练内容（如下象棋）转移到另一项任务（如下围棋）中 。 这就是人类的学习方式 。
常识和因果推理 。 如果人工智能具有常识性的基础 ， 那么在任务之间转移训练内容会比较容易 。 常识的关键部分是理解因果关系 。 目前 ， 给人工智能赋予常识是一个热门研究课题 ， 其方法包括将简单规则编码到神经网络中 ， 以及限制人工智能可能做出的预测 。 但是该研究工作仍处于初期阶段 。
学习优化器 。 这些工具可用于塑造人工智能的学习方式 ， 指导它们更有效地进行训练 。 最近的工作表明 ， 这些工具本身可以自我训练 —— 实际上 ， 这意味着一个人工智能可以用于训练其他人工智能 。 这可能是迈向自我完善人工智能 ， 以及通用人工智能目标的一小步 。
所有这些研究领域都建立在深度学习之上 ， 而这仍然是目前构建人工智能的最有前途的方法 。 深度学习依赖于神经网络 ， 神经网络通常被描述为类似于大脑的结构 ， 因为它们的数字神经元受到生物神经元的启发 。 人类的智能是我们拥有的通用智能的最好案例 ， 因此 ， 从人类自身寻找灵感是很有意义的 。
但是 ， 大脑不仅仅是一个庞大的神经元链接网络 。 它们拥有可以相互协作的独立组件 。


推荐阅读


上一篇：界面新闻|北京“健康宝”不显示健康状态、进返京后无“绿码”怎么办？官方解答

下一篇：一一科技|3D扫描画布应用程序显示了苹果12专业版的激光雷达能做什么