网友关注 点击更多>>
当前位置 > 首页 > 饮食健康 >> 疾病调理 >> 正文

人工智能连一个婴儿都不如?这是为什么

2017-07-29 06:25:12

来源:

人气:0

 

  机器可以理解语音、辨认脸部和安全驾驶汽车。这让人们10分讶异于近期的技术方面的进步。但是,如果人工智能领域想要实现革命性的逾越,从而建造出类人式的机器,它首先将要掌握婴儿的学习方式。

  「在相对最近的人工智能中,人们从想直接设计1个可以完成成人做的事情的系统转变成1种认识——即如果想要有1个灵活和强大的系统来完成成人做的事情,这个系统需要能够学习婴儿和孩子做事情的方式。」加州大学伯克利分校的发展心理学家Alison Gopnik说,「如果你将现在计算机可以完成的事情与10年前可以完成的事情相比较,它们已获得了很大的进步,但是如果你将这些事情与1个 4 岁儿童可以做的事相比较,依然有相当大的差距。」

  婴儿和孩子使用1种和科学家用来构建科学理论的相同的方法来构建关于他们的周围的世界的理论。他们以1种系统的和实验性的努力来探索和测试他们周围的环境和环境中的人,这对学习相当重要。

  Gopnik 最近和1组研究人员1起研究揭露了 15 个月大的孩子相比年龄更大的孩子是如何使用统计数据来更好地学习因果关系的。婴幼儿或许是更好的学习者,由于他们的大脑更加灵活或「可塑性」更强 ;他们较少地被背景知识所影响,这也让他们有着更加开放的头脑。大脑并不是是不变的,而是随着每次学习的经验而改变。

  通过将发展心理学家和计算学家的专业知知趣结合,人们可以揭露出世界上最好的学习型大脑是如何工作的,并且将其计算能力转化到机器的身上。最近,人工智能需要大量的数据来提取模式和结论,但那些对周围世界有相对较少数据的婴儿使用的是1种被称为贝叶斯学习(Bayesian learning)的统计评估方法(参阅机器之心文章《深度 | 大脑认知机制是贝叶斯式的吗?》)。也就是说,这类理解并不是是基于1个结果的已知频率(婴儿所没有的信息),而是基于当前的知识推断出的事情产生的可能性,其随着新接收到的信息而连续调剂。

  「使人震惊的是,婴儿可以只看到1次或听到1个新单词的时候,他们就已对这个新词的可能意思和可能的使用方法等有了1个很好的认识了;」Gopnik 说。「所以这些贝叶斯方法很好地解释了在没有充足数据的情况下,这些孩子为何如此善于于学习。」

  婴儿们使用几率模型通过组合几率和可能性(probabilities and possibilities)来得出结论,从而创造出各种假定。随着大脑的成熟,它变得更加专业化以便履行复杂的功能,因此也变得不那末灵活,愈来愈难以随着时间而改变。年长的学习者发展出了有偏见的观点,由于他们更多地了解世界并且加强某些神经连接,这阻碍了他们基于很少的信息来构成具有创新性的假定和抽象理论的能力。这类能力使得 5 岁以下的婴儿和儿童茁壮成长。

  「这类权衡关系就是,你知道的越多,你就越难以斟酌新的可能性,」Gopnik 说。「你知道的越多,你就越依赖于你知道的东西,而对新的东西则不能保持1个开放的态度。从进化的角度来看,婴儿的整体情况就是他们不知道那末多,所以他们可以更好地学习新的东西。」

  在婴儿刚诞生的几年,每秒都有 700 个新神经连接生成,这是让1个灵活的大脑处理快速积累的来自环境和社交的信息所必须的部份。比起在成年时期重新组合大脑回路,生命初期的可塑性使得从零建立大脑的架构更加容易。贝叶斯学习已被证明是儿童发展中的1个强大工具,计算机科学家正在使用该模型设计智能学习机。

  麻省理工学院大脑和认知科学系的教授、计算认识科学家 Joshua Tenenbaum 说:「贝叶斯算法正在试图捕捉婴儿的学习模式,」他正在与 Gopnik 合作进1步研究其计算机和心理学的混合领域。「当这些孩子进入了真实的世界时,就已有准备好的基本的构建模块来让他们理解1些最复杂的概念。然后,他们有学习机制——即以这些最初的构建模块来尝试从稀疏数据推理,并创造因果理论。」

  人类的大脑,不管处在哪个发展阶段,都是被设计通过1系列的感觉系统,包括视觉、听觉、嗅觉、味觉、触觉、空间取向和平衡从而进入物理世界。当1个人只有有限的数据时,大脑就会弥补空白,这是1种被称为「退化(degeneracy)」的神经结构现象。虽然婴儿的大脑缺少1个或多个感知,但是他们还是特别善于处理信息。

  Tenenbaum 说:「为了理解世界,孩子们会像科学家1样学习,这包括构成理论、进行实验、顽耍并且看看到他们可有所发现的东西,积极思考甚么是正确的方法来测试他们的理论或应对1些他们没有想到的东西,并试图找出甚么是错,甚么是对。」

  采取孩子的措施

  Tenenbaum 和来自纽约大学和多伦多大学的研究人员团队合作设计了1种能够以更有效和更复杂的方式捕获新知识的人工智能软件。在 2015 年 12 月,他们的研究论文《Human-level concept learning through probabilistic program induction》指出用于创建计算机的机器学习算法接近我们所处理信息的方式;该论文已发表在 Science 杂志上。

  新的人工智能程序可以在看到1个样本以后就像人类1样准确地辨认手写字符。使用贝叶斯程式学习框架,软件能够为每一个最少看到1次的手写字符生成1个独特的指令。但是,当机器面临1个不熟习的特性的时候,这类算法的独特功能就发挥了作用。它从数据搜索转换到寻觅匹配,使用几率程序并通过组合已见过的字符的部份和子部份来创建1个新的字符以此检测其假定——即当婴儿面对他们从未见过的角色和对象时,他们如何从有限的数据中学习到丰富的概念。

  但是,软件依然没法通过构成原始假定自主学习方式模仿孩子学习的方式。当研究人员能够设计具有原始假定和真实的目标的软件时(例如产生辨认字符的欲望而非遵守研究者的指令),人工智能系统的潜力将会有里程碑式的转变。没有自我驱动的目标,人工智能系统就限制了他们自主运作的潜力。

  Tenenbaum 说:「使用愈来愈多的数据进行的延续性学习是任何人工智能系统都想要做到的,但自主学习却是辣手的,由于总会有人来操控整件事情,数据的数量与类型也由他们给出。婴儿是自主选择的,但是要让人工智能系统能够更自主地构建自己学习进程仍旧是1个尽人皆知的挑战。目前的人工智能系统并没有建立任何目标,应此它们也没法为自己的学习负责。当1个机器人按唆使拿起1个盒子时,看着它们做着和人类1样的事情是非常使人欣喜的,但是它们其实不会具有像孩子那样复杂的思惟水平。」

  Tenenbaum 和他的同事采取了在神经元的虚拟网络上建模的深度学习算法。它建造了1个非常初步模仿人脑的工作方式。当机器处理1个对象时,它搜索其巨大的数据库来获得与机器匹配的像素以进行辨认。而人类依赖于更高情势的认知功能来解释对象的内容。

  「我们正在试图编写像大脑的软件1样的计算机程序,这通常被称之为思惟。思惟是程序且运行于大脑这个硬件上,我们就是试图在对准软件层面。神经网络在人工智能中就像计算机程序的软件层面1样。」

  在 2013 年,美国国家科学基金会拨款 2500 万美元资助了麻省理工学院1项为期5年的项目,用于建立脑、思惟和机器中心。为了解大脑如何履行复杂计算,不同领域的科学家和工程师共同合作,希望构建更类似于人类智能的智能机器。

  Tenenbaum 说:「近期我们才建立出1个能够做到这1点的数学与计算机模型,我们将需要更多的资源、人材、公司、技术和公司的利益和更快的计算机。我们可能需要等待或依托其他工程进展,然后才能遇上即便是非常幼小孩子的智力。」

  构建第1个婴儿大脑

  新西兰的奥克兰大学生物工程研究所正在试图通过1个动画制作的可互动的婴儿来弥合大脑和机器之间的差距。Mark Sagar 是该研究所动画技术实验室的导演和开创人,其动画作品《阿凡达》和《金刚》获多项奥斯卡奖。他在实验室和1个叫做 BabyX 的 3D 电脑屏幕上的金发碧眼宝宝玩躲猫猫,这个 BabyX 是1个能够学习、思考并可以产生脸部表情,能够自己做出反应的实时系统。

  通过在麻省理工学院建立身体部位的医学摹拟,Sagar 开始了他的职业生涯。在那里他致力于实现数字面孔,并使用这些技能开发 BabyX。动画人工智能能够模仿他的脸部表情、朗诵简单的字、辨认对象和播放经典的视频游戏 Pong,这使它每天都变得更聪明。BabyX 不但是 Sagar 的「大脑宝宝」,也是在他的女儿 Francesca 在不同年龄阶段的模型。

  为了构建 BabyX,Sagar 在他的女儿 6 个月、12 个月、18 个月和 24 个月时进行了扫描,并将数据上传到了系统中。他选择通过动画技术来复制他女儿的行动、脸部表情和声音,作为人工智能初生的隐喻。Sagar 亲切地将 BabyX 称为「她」,并解释她如何使用光纤电缆:由她的摹拟神经活动所驱动,犹如脊髓连接到大脑。与之前的系统不同,由于 BabyX 是1个具有人工智能的交互式化身,故它具有学习和保存信息的能力。

  「我们不以大多数人所想的方式开发人工智能,」Sagar 说,「在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1角。而最困难但也最深入有趣的部份是:生物学启发的方法如何从不同范围进程的相互作用中出现更高的认知水平。」

  Sagar 和他的团队测试了 BabyX 与人类的互动。BabyX 能够处理人类的情绪、理解他们的行动背后的意义、并根据她过去与 Sagar 的互动中所学的东西做出回应。BabyX 的屏幕以后是1个大脑的实时摹拟,使它能够提示脸部摹拟眨眼和观众报以微笑。Sagar 认为面部是发展是有效交互式人工智能的关键,由于它是大脑的反应,并揭露了成心识思惟的内在运作。例如,1个简单的微笑是脑内连接的复杂、交织系统运行的结果。

  「BabyX 通过使用者的行动和宝宝的行动之间的关联来学习,」Sagar 说道,「在1种学习情势中,咿呀声会使 BabyX 探索她的运动空间、移动她的脸或手臂。如果使用者的响应类似,则表示 BabyX 的动作神经元开始通过称之为 Hebbian 学习的进程与响应使用者动作的神经元相联系,共同发挥作用的神经元集聚在1起。」

  在重复进程以后,新的神经连接开始在 BabyX 的摹拟大脑中创建1个映照,将其动作与使用者的动作相匹配,为更高级的模仿打基础。人类大脑的工作方式大同小异——即通过完成1个动作,大脑构成新的连接并通太重复这个动作而加强。

  终究,这个摹拟的婴儿通过她大脑处理的环境信息来做出自己的反应。本质上,BabyX 通过不断改进代码进行学习。

  BabyX 的学习能力是基于生物学仿佛可信的学习模型中,这类算法摹拟和翻译人类大脑如何处理信息和释放大脑中的化学反应,例如多巴胺或催产素水平。当她不明白1个单词或动作时,BabyX 显示困惑的表情,但当她正确地读1个单词时,她会快乐地笑起来,并释放更高水平的「快乐激素」多巴胺。每一个算法都控制神经系统从而令她能够模仿、建立反馈系统还有通过互动和演示学习新的信息。

  「我想探索如何将基于生物学的行动、情绪和认知的计算模型集成到动画中,特别是脸部,」Sagar 说道,「脸部表情是人类经验许多方面的纽带。这对探索学习和心理发展的基础,乃至可能对我们未来与更复杂、自主技术的相互作用和使用都相当重要。」

  由于脸部是沟通的1个重要手段,Sagar 希望他的实验可以为未来的健康和教育利用奠定基础,例如旨在与自闭症或其它社交障碍疾病儿童患者进行互动的方案。1个可以感遭到人的情绪、处理并了解他们的感受的系统是驱动人工智能研究的目标,这就像我们人生中最初的光阴1样——建立1个可以自己思考的大脑。

人工智能连一个婴儿都不如?这是为什么
TAG:
相关内容