欣顿指出,类似的技术被谷歌所采用,并体现在了谷歌最近在机器翻译方面 取得的进展之中。那么,为什么不以这种方式来表征所有的思想呢? 因为句子和单词不同。我们不能通过单词在各类情况下的用法来推测其
意思。例如猫的意思,至少与我们听说过的所有“猫”的用法的平均情况有
些许相似,或(从技术角度讲)像是深度学习系统用于表征的矢量空间中的
一堆点。但每一个句子都是不同的:John is easy to please ( 约翰很好哄 ) 和John is eager to please(约翰迫不及待的想要取悦别人)并不是完全相似的,
虽然两句话中的字母乍看去并没有多大区别。John is easy to please 和 John
is not easy to please 的意思则完全不同。在句子中多加一个单词,就能将句
子的整个意思全部改变。
认真思考过这一话题的人都会意识到,这是逻辑谬误中的假两难推理。从发展心理学(研究婴幼儿发展的学科)和发展神经科学(研究基因和大脑
发育之间关系的学科)等领域,我们得到了大量的生物学证据:先天和后
天合作发挥作用,而不是互为对立面。正如马库斯在其著作《心智的诞生》(The Birth of the Mind)中所讲到的一样,个体基因实际上是这一合作关系的杠杆。每个基因,都像是计算机程序中的“IF–THEN”语句。THEN 一 侧指明需要构建的特定蛋白质,但只在 IF 特定化学信号存在的情况下,该蛋白质才会构建出来,每个基因都有其自身独特的 IF 条件。这个结果,就像是富有适应性而经过高度压缩的一套计算机程序,由个体细胞在对其所在 环境进行响应的过程中自动执行。学习本身,也是基因的产品。 奇怪的是,机器学习领域的大多数研究人员似乎并不想要与生物领域的这一方面发生互动。a 关于机器学习的文章很少与发展心理学的大量文献有什么关联,就算有所关联,也只是提到让·皮亚杰(Jean Piaget)这位业界先驱,而他早在近 40 年前就离世了。举例来说,皮亚杰提出的问题“将物体藏起来之后,婴儿是否知道此物依然存在”55 如今看来依然一针见血,但他给出的答案,正如他提出的认识发展阶段理论和他对儿童发现事物年龄的猜测,其方法论的依据并没能经得起时间的考验,如今看来,这些都是过时的参考资料了。
加州大学洛杉矶分校计算机科学项目主席阿德南· 德尔维希(AdnanDarwische)在最近的一份给人工智能行业的公开信中,呼吁对 AI 研究人员进行更加广泛的培训,提出“我们需要新一代的 AI 研究人员,能深谙行业之道,用更宽的视角去理解经典人工智能、机器学习和计算机科学,同时掌握人工智能的发展历史”。 我们在此观点之上进一步拓展,认为 AI 研究人员不仅需要借鉴计算机
科学领域的诸多成就(在如今大数据热潮之中,计算机科学的成果常常被人
遗忘),而且还要从心理学、语言学、神经科学等其他学科中汲取养料。这
些认知科学领域的发展历史和研究成果,能让我们了解到生物体应对“智
能”这个复杂挑战的整个过程:如果人工智能想要成为与自然智能有些许相似之处的事物,我们就要学习如何构建结构化的混合系统,将先天的知识和 能力融入进去,让它实现对知识的组合性表征,并对持续存在的个体进行跟 进,就像人类所做的一样。 一旦 AI 开始利用认知科学,从围绕大数据形成的范式上升成为围绕大
数据和抽象因果知识形成的范式,我们就将有能力解决“为机器赋予常识”
这个无比困难的挑战。
Go to "Discover" > "Top Stories" > "Wow"