編者按：深度學(xué)習(xí)在單個領(lǐng)域已經(jīng)取得了可喜的突破。但是若論綜合實力，現(xiàn)在的AI根本無法跟人相比。人是通用學(xué)習(xí)機器，但AI不是。腦科學(xué)家Jeff Hawkins 稱科學(xué)家需要不斷從人腦那里尋找靈感來開發(fā)一般人工智能。為此，他認為自己團隊的最近發(fā)現(xiàn)也許為AGI的實現(xiàn)描繪了一幅清晰的路線圖。

諸如“深度學(xué)習(xí)”和“卷積神經(jīng)網(wǎng)絡(luò)”等人工智能技術(shù)在圖像識別、自動駕駛汽車等其他困難任務(wù)方面已經(jīng)取得了驚人的進步。隨著融資和收購行為的加速，眾多的人工智能公司看上去已經(jīng)站在了風(fēng)口的位置。

然而，主要的人工智能研究人員卻意識到事情有點不對勁。盡管取得了令人印象深刻的進展，但目前的人工智能技術(shù)其實是很局限的。例如，深度學(xué)習(xí)網(wǎng)絡(luò)在開始能夠正確工作之前通常需要數(shù)百萬個訓(xùn)練樣例，而人類只需要看幾次就可以學(xué)習(xí)新的東西。這限制了深度學(xué)習(xí)網(wǎng)絡(luò)的應(yīng)用類型。雖然這些網(wǎng)絡(luò)的平均準(zhǔn)確度很高，但還是會錯得非常離譜。比方說，圖像中的一點微小的變化也會導(dǎo)致AI系統(tǒng)將牙刷誤認為是棒球棒。在一些應(yīng)用中，這類錯誤可能會導(dǎo)致災(zāi)難性的失敗，造成致死和受傷。由于這樣那樣的限制，人工智能的領(lǐng)導(dǎo)者認為應(yīng)該換種思路去做。最著名的人工智能科學(xué)家之一Geoff Hinton最近在解釋他對當(dāng)前的AI技術(shù)感到“非常懷疑”時表示，我們需要另起爐灶。 “我的看法是要把它全部扔掉，重新開始。”深度學(xué)習(xí)網(wǎng)絡(luò)領(lǐng)先的實踐者Francois Chollet下結(jié)論說：“你沒法靠擴展如今的深度學(xué)習(xí)技術(shù)實現(xiàn)一般人工智能。”

Chollet認為，從根本上來說深度學(xué)習(xí)是有限的，但人類智能不是。的確，人腦極其靈活。人類不僅會駕駛汽車，我們還可以建造摩天大樓，管理農(nóng)場和對計算機編程。甚至我們拿起簡單物體，比如拿起咖啡杯然后用手指熟練操縱的能力，也遠遠超出了任何AI系統(tǒng)之所及。我們每個人都已經(jīng)學(xué)會了數(shù)以百計的復(fù)雜技能，并且能夠連續(xù)不斷的混合運用。反過來，深度學(xué)習(xí)系統(tǒng)只能處理相對較少的任務(wù)，而且一次只能做一件事。每一項新任務(wù)它們都需要進行重新訓(xùn)練。人類是通用學(xué)習(xí)機器；但AI系統(tǒng)不是。人工智能要想繼續(xù)取得成功有賴于于突破當(dāng)前的局限性，使AI更通用。

最近人工智能科學(xué)家已經(jīng)開始在大腦上面尋找靈感。 Google DeepMind聯(lián)合創(chuàng)始人Demis Hassibis表示：“我們試圖開發(fā)的那種一般智能是否存在？對于這個問題人類大腦是我們現(xiàn)在唯一的證據(jù)，所以我們認為理解大腦是如何實現(xiàn)這些能力的努力是值得的。”

我同意。我一直在研究大腦，至今已有三十多年。 2004年，我寫了《關(guān)于智能》，這本書提出了AI對大腦理論有何種需要的建議。 2005年，我跟人一起創(chuàng)立了Numenta公司，該公司專注于對新大腦皮層，也就是人腦最重要的、與智能關(guān)系最密切部分進行逆向工程。我們試圖通過研究大腦細胞如何共同建立知覺和行為來理解什么是智能。大腦的工作機制和目前的AI技術(shù)有相似之處，這說明AI正走在正確的軌道上。但是兩者之間也有著顯著差異。大腦的能力不僅比現(xiàn)有的AI系統(tǒng)強得多，而且大腦的具體結(jié)構(gòu)也遠比AI所使用的人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜得多。大腦正在做的事情目前的AI系統(tǒng)做不了。

Numenta的研究揭示了大腦使用的幾個重要原則，那種我們相信AI最終必須將其納入的原則。比如說，大腦的每個神經(jīng)元都有成千上萬個個突觸（神經(jīng)元之間的連接）。這些突觸大部分是做什么用的至今還是個謎。我們還發(fā)現(xiàn)神經(jīng)元利用了大部分的突觸來做出預(yù)測。這些預(yù)測發(fā)生在細胞內(nèi)部，并在我們?nèi)绾晤A(yù)測未來中扮演著必不可少的角色。 AI里面使用的人工神經(jīng)元沒有這個特性，也不能像大腦那樣做出豐富多樣的預(yù)測。我們還發(fā)現(xiàn)為什么在大腦中的學(xué)習(xí)主要是通過形成新的突觸來實現(xiàn)的。這是一種比深度學(xué)習(xí)修改現(xiàn)有連接的做法更強大的學(xué)習(xí)形式。它解釋了我們是如何快速學(xué)習(xí)新事物同時又不會影響到以前的學(xué)習(xí)的。

雖然我們還有好幾個其他對智能至關(guān)重要的發(fā)現(xiàn)，但是這里我還是想說一下我們最近的一個也許是最重要的發(fā)現(xiàn)。我們正在研究如何通過觸摸來識別物體。由此我們推斷出新大腦皮層的一個新特性，它不僅適用于觸摸，而且也適用于視覺，以及新皮層所做的一切。我有時把它稱為“缺失的要素”，或者正如本文的標(biāo)題所說，是“強AI的秘密”。我們最近發(fā)表了一篇科學(xué)論文詳細介紹了這一發(fā)現(xiàn)；我會在這里概括介紹一下。

看看這張圖。這顯然是個杯子。但是，當(dāng)然，它其實并不是杯子，而是一個平面上的線條集合。令人驚訝的是，你很難把這個圖像看成是一個平面上的線條集合而不是一個三維的杯子。腦科學(xué)家普遍認為，新大腦皮層從人眼中提取圖像，然后通過一系列步驟老析取出越來越復(fù)雜的特征，直到它識別出圖像。深度學(xué)習(xí)的工作機制也是這樣的。這個過程被稱為模式識別，深度學(xué)習(xí)網(wǎng)絡(luò)很擅長這個。在用許多圖像進行訓(xùn)練之后，拿一張新的圖像出來它就能告訴你是什么。但是除了標(biāo)簽以外，它們并不理解這個對象還是什么。與之相反相反，當(dāng)你看到一幅圖像時，你馬上技能感覺到它的三維形狀。你可以想象從不同的角度來看它會是什么樣的，你會知道它可能可以裝液體，甚至知道它摸起來會是什么感覺。深度學(xué)習(xí)網(wǎng)絡(luò)擅長給圖像貼標(biāo)簽但不理解它是什么，而新皮層理解對象的結(jié)構(gòu)以及它的行為。

直到最近，還沒有人理解新大腦皮層是如何將平面圖像轉(zhuǎn)化為真實物體的心理表征的。我們弄明白了大腦是如何做到這一點的。我們推斷所有到新皮層的輸入都是跟表示“位置”的信號相配對的。當(dāng)你看著杯子的圖像時，圖像的每個部分，每條線段都會分配給三維杯子的相應(yīng)位置。這與計算機創(chuàng)建對象的CAD模型相似。我們的理論解釋了為什么你從三維角度來感知杯子，為什么你會想象旋轉(zhuǎn)杯子會是什么樣子，以及如果你觸摸它的話會是什么感覺。這也解釋了為什么你對杯子的感覺是穩(wěn)定的，即便你的眼睛移動并凝視圖像上的不同位置也是如此。只要輸入特征被分配到杯子相應(yīng)的正確位置，圖像出現(xiàn)在視網(wǎng)膜的任何地方都沒有關(guān)系。

我們一直在探索這個發(fā)現(xiàn)的意義，并相信它可以解決大腦如何工作的許多奧秘。盡管我們先是通過研究觸覺然后視覺來推斷出這個屬性的，但是確定位置信號的神經(jīng)結(jié)構(gòu)存在于新皮質(zhì)的每個部分。這令人振奮地表明，新皮層中的所有處理都與位置有關(guān)，即使這些位置與世界的物理位置并不一一對應(yīng)。這也表明我們利用了操縱物理實體的相同神經(jīng)機制來操縱抽象概念。當(dāng)然了，操縱概念是一般智能的核心特征。

數(shù)十年來人們一直在討論AI需要模仿大腦的多少東西的問題。最近僅跟大腦松散相關(guān)的深度學(xué)習(xí)的成功，給無需大腦理論AI也能取得進展的說法提供了支持。但是，這種成功了突出了深度學(xué)習(xí)的局限性，使得對新方法的需求更加明顯。大腦顯然是是尋找新想法的好地方。Amazon CEO 貝索斯最近表示：“人類所做的事情跟目前我們做機器學(xué)習(xí)和機器智能的方式有著根本的不同。”

說到構(gòu)建通用AI，我們不需要模仿大腦所做的一切。 但是大腦所運用的一些原則不容忽視， 它們對于任何展現(xiàn)出一般人工智能的系統(tǒng)都是必不可少的。我們通過研究發(fā)現(xiàn)了其中的幾個基本原理。我相信，我們最近的發(fā)現(xiàn)將被證明是最重要的。它完全改變了我們對大腦處理感官輸入的認知，以及大腦如何表示對世界的認識的思考。

我們希望，隨著越來越多的人工智能從業(yè)人員認識到現(xiàn)有人工智能技術(shù)的局限性，他們也能認識到一般人工智能的路線圖正在腦理論界迅速形成。大腦理論的發(fā)現(xiàn)可能還需要幾年的時間才能完全整合進人工智能，但對于我來說，如何實現(xiàn)目標(biāo)的路線圖已經(jīng)非常清晰。

原文地址：https://medium.com/@Numenta/the-secret-to-strong-ai-61d153e26273

譯者：boxi，由36氪編譯組出品。編輯：郝鵬程。

譯文地址：http://36kr.com/p/5103924.html

本文由 @boxi 授權(quán)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自 unsplash