人工智能的未来发展要向婴儿学习

    机器已经可以完成语音识别、人脸识别以及安全驾驶等,这让我们惊叹科技的进步。但如果人工智能(AI)领域想产生革命性飞跃,创造出类人类机器,它先需要掌握婴儿的学习方式。
 
    “人工智能领域,之前一直在研究如何设计出可完成成人做的事的系统,意识到,想要设计出可完成成人做的事,而且灵活强大的系统,就必须让系统学习婴儿和孩子的学习方式。”加州大学伯克利分校的研究员,发展心理学家Alison Gopnik告诉《国际商业时报》。“如果把现在的计算机与十年前的计算机相比,它当然进步了很多,但如果把现在的计算机与一个四岁的小孩相比,前者仍有相当大的差距。
    婴儿和儿童构建世界观与科学家构建科学理论所使用的方法是一致的。他们都通过系统性和实用性的工作,探索并测试周围环境和人,这对学习至关重要。
 
快速学习
 
    Gopnik与一个研究小组合作,论证为什么15个月大小的幼儿利用统计数据学习因果关系比年龄较大的儿童学习地更好。婴幼儿也许学习地更好,因为他们的大脑更灵活,或者说更具有“可塑性”;他们不太受现有知识的束缚,思维更开放。人类大脑不是一成不变的,而是随着每一个学习经验而改变。
 
    通过结合发展心理学家和计算机科学家的专业知识,人类或许可以揭秘世界上优秀的学习者的大脑是如何工作的,然后将这种计算能力移植到机器中。目前,人工智能仍需要大量数据来提取模式和结论。但对于婴儿,他们对周围世界掌握的数据相对较少,使用的是称作贝叶斯(Bayesian)学习的统计评价方法。也就是说,婴儿的理解不是基于结果的已知频率信息(婴儿不具有这方面信息),而是基于当前知识来推断概率大小,而且其当前知识随着不断接受新的知识而更新。
 
    “神奇的是,婴儿第一次看到某个东西或听到某个词,他们就知道该词可能的意思,可能怎么用,”Gopnik说。“所以这种贝叶斯方法很好地解释了为什么小孩即使没有很多现有知识,也非常擅长学习。”
 
    婴儿利用概率模型来创建一系列假设,通过结合各种假设的可能性和概率来得出结论。而随着大脑逐渐成熟,它变得更专业以实现复杂功能,同时,它也变得不那么敏捷,变得越来越难随时间改变。年长的人由于对世界更了解,加强了某些神经间连接,从而形成了某些固有观念,这妨碍了他们基于少量信息形成创新性假设和抽象理论的能力。这种能力让婴儿或5岁以下的儿童茁壮成长。
 
    “折衷之处在于,知道的知识越多,越难考虑到新的可能性,”Gopnik说。“知道的越多,越倾向于依赖已知的知识,越不会开放思维想到新东西。从进化观点看,婴儿的整体情况是,他们知道的知识不多,所以他们可以更好地学习新知识。”
 
    婴儿在初几年,每秒生成700个新的神经连接,形成灵活的大脑以处理与环境和社会互动而快速积累的信息。生命早期,大脑具有可塑性,所以婴儿期从底层开始建立大脑架构比成年后重建神经回路更容易。贝叶斯学习已被证明是儿童发展中的强大工具,计算机科学家现在正使用这种模型来设计智能学习机器。
 
    “贝叶斯数学正试着捕捉婴儿的学习方式,”计算认知科学家,麻省理工学院大脑与认知科学系教授Joshua Tenenbaum告诉IBT。他目前正与Gopnik合作,深入研究计算机和心理学混合领域。“婴儿出生时就具备了帮助他们了解复杂概念的构建模块。然后,逐渐形成学习机制,即利用这些构建模块尝试从稀疏数据进行推理,创建因果理论。”
 
采取婴儿的方法
 
    Tenenbaum与来自纽约大学和多伦多大学的研究团队建立了合作关系,希望设计出能够更高效地捕获新知识的人工智能软件。2015年12月,他们的研究发现发表于《Science》杂志,该发现揭示了可构建类人类计算机(信息处理方式接近人类)的机器学习算法。
 
    新算法可以在看了一个样例后,像人类一样准确识别手写字符。使用贝叶斯学习框架,软件能够为每个至少见过一次的手写字符生成单独的程序。但当机器遇到不熟悉的字符时,算法的独特功能就发挥作用了。这时,机器从搜索数据模式切换到寻找匹配模式,通过组合其之前已看过的字符的部分和子部分构建新字符,并利用概率程序检测该假设——即婴儿遇到从未见过的字符或事物时,他们基于有限数据来学习丰富概念的做法。
 
    然而,这样的软件仍然无法像小孩一样通过形成原始假设进行自主学习。当研究人员设计出具备原始假设和真实目标的软件时,例如自主想要识别手写字符而不是遵从研究人员的指令,人工智能潜力才会有里程碑式跨越。不具备内心自主产生的目标,人工智能系统限制了其自主运作的潜力。
 
    “任何人工智能系统都想要更多的数据进行不断学习,”Tenenbaum说。“但自主学习是个问题。对于人工智能系统,总是人操控整个环境、提供数据的多少以及提供哪些数据。但婴儿是自主选择的。所以对人工智能来说,如何自主构建自己的学习过程仍是一项开放性挑战。目前的人工智能系统没有建立任何目标,所以它们无法负责自己的学习。当机器人听从指令拿起一个盒子时,我们被它吸引,认为它在做和人类一样的事,但是它们并不具备孩子那样复杂的思维水平。”
 
    2013年,美国国家科学基金会资助了麻省理工学院一项为期五年的项目2500万美元,用于建立脑、思维和机器中心(Center for Brains, Minds and Machines)。不同领域的科学家和工程师一起研究人脑如何执行复杂计算,希望构建类人类智力的智能机器。
 
    “我们才完成了可以做到这一点的数学和计算模型,”Tenenbaum说。“接着,我们需要更多的资源、人才、公司、技术、公司的利益以及更高速的计算机。构建出达到幼儿智力水平的机器前,我们也许需要等待或借助其他工程研究成果。”
 
构建第一个婴儿式大脑
 
    新西兰的奥克兰大学生物工程研究所正在通过婴儿式动画交互计算机来缩小机器和人脑间的差距。MarkSagar是该研究所动画技术实验室主任和创始人,他的动画作品《阿凡达》和《金刚》获得了多项奥斯卡奖。他每天在实验室和3D屏幕上一个金发碧眼宝宝——BabyX,玩躲猫猫。BabyX 是一个实时系统,可以学习、思考、创建自己的面部表情和做出反应。BabyX可以模仿MarkSagar的面部表情,朗读简单的文字,识别物体,播放经典视频游戏Pong等,它一天比一天聪明。BabyX不仅是Sagar的“婴儿式大脑”,也是他的女儿Francesca在不同年龄段的模型。为了构建BabyX,Sagar扫描了他女儿6个月,18个月和24个月大时的信息,然后上传到系统。他利用动画技术复制他女儿的行为、脸部表情和声音,并把这喻为人工智能婴儿期。Sagar亲切地称乎BabyX为“她,并解释它如何使用光纤电缆:如同脊髓连接到大脑,由它的模拟神经活动所驱动。因为BabyX是具有人工智能的交互式系统的化身,与之前的系统不同,它具有学习和保留信息的能力。
 
    “我们不以大多数人所想的方式开发人工智能,”Sagar 告诉IBT。“神经科学和认知科学中存在许多有争议的理论,现有知识可能仅代表冰山一角。困难的部分,但也是深刻有趣的部分:生物学启发式方法如何从不同规模过程的相互作用中创造更高的认知水平。”
 
    Sagar和他的团队测试了BabyX与人类互动的情况。BabyX可以感受人类的情绪,理解人类行为背后的意义,并根据她过去与Sagar交互中学习到的知识做出回应。BabyX屏幕背后是一个大脑在进行实时模拟,它提示面部模拟系统向观众眨眼和微笑。Sagar认为面部是开发有效的交互式人工智能的关键,因为它反映了大脑和心理状态。例如,一个简单的微笑,就是大脑内部复杂的相互交织的系统连接的结果。
 
    “BabyX结合了用户的行为和婴儿的行为来进行学习,”Sagar说。“一种学习形式中,婴儿般的咿哑声导致BabyX探索其运动空间,移动脸或手臂。如果用户的响应类似,那么表示BabyX动作的神经元,通过一种称作Hebbian的学习过程,与响应用户动作的神经元相关联。共同发挥作用的神经元,结合在一起。”
 
    这一过程重复后,新的神经连接在BabyX的模拟大脑中建立映射关系,将自己的动作与用户的动作一一匹配,这为更高级的智力模仿奠定了基础。人类大脑的工作方式与此类似,即通过完成一个动作,大脑形成新的连接并随着动作的重复加强这种连接。这种模拟婴儿的学习方式将基于从周围环境所获得信息,自主产生回应。本质上,BabyX是通过不断完善代码来学习。
 
    由于面部是沟通的主要手段,Sagar希望BabyX为以后的健康和教育应用软件打下基础,例如与自闭症儿童或其他社交障碍患者交流的软件。创建一个可以感受人类情绪,处理人类情绪,还能了解人类感觉的系统,这就是人工智能的目标,即构建可以自主思考的大脑,就像我们在生命早期时一样。


盛世龙图服务号
盛世龙图订阅号
盛世龙图物联官网
盛世龙图业务洽谈

版权所有:盛世龙图国际集团 京ICP备17009441号