今天，《科學(xué)》雜志封面刊登了一篇重磅研究：人工智能終于能像人類一樣學(xué)習(xí)，并通過了圖靈測試。

這個人工智能像你一樣學(xué)習(xí)寫字

假設(shè)你從來沒有見過菠蘿。有一天，有人送了你一個菠蘿。盡管你這輩子只見過這一個菠蘿，但你只用一眼就看出了菠蘿的特征。第二天，你去水果店，很快就能從一堆蘋果、葡萄、柚子中認(rèn)出菠蘿來。你甚至還能在紙上畫出菠蘿的簡筆畫。

這種「僅從一個例子就形成概念」的能力對人來說很容易。然而，盡管人工智能近年來取得了長足的進(jìn)步，但要讓機(jī)器做到這一點(diǎn)，卻難于上青天，因為目前的人工智能通常需要從大量的數(shù)據(jù)中進(jìn)行學(xué)習(xí)，你得讓它看成千上萬張菠蘿的圖片才行。

不過，這個事實(shí)或許從今天開始改變了。今天，一篇人工智能論文登上了《科學(xué)》雜志的封面，為人們帶來了人工智能領(lǐng)域的一個重大突破：三名分別來自麻省理工學(xué)院、紐約大學(xué)和多倫多大學(xué)的研究者開發(fā)了一個「只看一眼就會寫字」的計算機(jī)系統(tǒng)。（論文點(diǎn)此下載：Human-level concept learning through probabilistic program induction）

《科學(xué)》雜志封面

只需向這個系統(tǒng)展示一個來自陌生文字系統(tǒng)的字符，它就能很快學(xué)到精髓，像人一樣寫出來，甚至還能寫出其他類似的文字——更有甚者，它還通過了圖靈測試。下面就是機(jī)器和人寫出的字符。你猜哪些是機(jī)器寫出來的？傻傻分不清了吧？

機(jī)器的作品是1,2；2,1；1,1。

這三名研究者分別是紐約大學(xué)數(shù)據(jù)科學(xué)中心的Brenden Lake，多倫多大學(xué)計算機(jī)科學(xué)與統(tǒng)計學(xué)系的Ruslan Salakhutdinov和麻省理工學(xué)院大腦與認(rèn)知科學(xué)系的Joshua Tenenbaum。他們創(chuàng)造的AI系統(tǒng)能夠迅速學(xué)會寫陌生的文字，從某種意義上說明它領(lǐng)悟到了字符的本質(zhì)特征（也就是字符的總體結(jié)構(gòu)），同時還能識別出非本質(zhì)特征（也就是那些因書寫造成的輕微變異）。

三名研究者從左到右分別是：Ruslan Salakhutdinov, Brenden Lake和Joshua B. Tenenbaum。圖/Alain Decarie/The New York Times

人類的概念具有極大的彈性，因此，盡管許多概念的邊界十分模糊，但我們依然能進(jìn)行明確的分類。這三位研究者聲稱，他們的系統(tǒng)就抓住了這種彈性。該系統(tǒng)能模仿人類的一個特殊天賦——從少量案例中學(xué)習(xí)新概念。它所根植的計算結(jié)構(gòu)叫做概率程序（probabilistic program），還可能有助于對人類獲得復(fù)雜概念的過程進(jìn)行建模。

Joshua B. Tenenbaum是麻省理工學(xué)院大腦與認(rèn)知科學(xué)系的教授，他說：「目前的人工智能領(lǐng)域大都聚焦在對模式進(jìn)行分類。但是，這種類型的智能所缺少的不是分類或識別，而是思考。這就是為什么盡管我們研究的是手寫字符，但也會大言不慚地使用『概念』這種詞。因為我們能用這些字符來研究更加豐富和復(fù)雜的概念。我們能理解字符的來歷和構(gòu)件，也能理解如何用不同的方式來使用字符，并造出新的來。」

通過「圖靈測試」

這篇論文的第一作者Brenden Lake在Tenenbaum的團(tuán)隊中獲得了認(rèn)知科學(xué)的博士學(xué)位，如今他是紐約大學(xué)的博士后。根據(jù)Lake的介紹，他們在論文中分析了三個核心原則，這些原則都很通用，既可以用在字符上，也可以用在許多其他的概念上：

組合性（compositionality）：表征是由更簡單的基元構(gòu)建而成。

因果性（causality）：模型表征了字符如何生成的抽象因果結(jié)構(gòu)。

學(xué)會學(xué)習(xí)（learning to learn）：過去的概念知識能夠幫助學(xué)習(xí)新概念。

研究者對這個AI系統(tǒng)進(jìn)行了幾項測試。

研究者向系統(tǒng)展示它從未見過的書寫系統(tǒng)（例如，藏文）中的一個字符例子，并讓它寫出同樣的字符。并不是讓它復(fù)制出完全相同的字符，而是讓它寫出9個不同的變體，就像人每次手寫的筆跡都不相同一樣。例如，在看了一個藏文字符之后，算法能挑選出該字符用不同的筆跡寫出來的例子，識別出組成字符的筆畫，并重畫出來。

研究者向系統(tǒng)展示了一個陌生書寫系統(tǒng)中的幾個不同的字符，并讓它創(chuàng)造出一些相似的字符。

研究者讓它在一個假定的書寫系統(tǒng)中創(chuàng)造出全新的字符。

與此同時，人類被試也被要求做同樣的事情。最后，研究者要求一組人類裁判（來自亞馬遜土耳其機(jī)器人，Amazon Mechanical Turk）分辨出哪些字符是機(jī)器寫的，哪些是人類寫的。結(jié)果，裁判的正確率僅為52%，和隨機(jī)的結(jié)果差不多。于是，機(jī)器通過了所謂的視覺圖靈測試。

紅圈標(biāo)出的是機(jī)器的作品。

傳統(tǒng)的機(jī)器學(xué)習(xí)系統(tǒng)（比如手機(jī)上的語音識別算法）在某些分類任務(wù)上的表現(xiàn)很好，但是它們首先需要大量的數(shù)據(jù)集來進(jìn)行訓(xùn)練。相比之下，人類只需要少量的例子就能抓住某個概念的精髓。這種「一次性學(xué)習(xí)」正是研究者希望他們的系統(tǒng)能模擬的能力。

學(xué)會如何學(xué)習(xí)

三位研究者采用的方法是「貝葉斯程序?qū)W習(xí)」（BPL，Bayesian Program Learning），能讓計算機(jī)系統(tǒng)對人類認(rèn)知進(jìn)行很好的模擬。傳統(tǒng)的機(jī)器學(xué)習(xí)方法需要大量的數(shù)據(jù)來訓(xùn)練，而這種方法只需要一個粗略的模型，然后使用推理算法來分析案例，補(bǔ)充模型的細(xì)節(jié)。

在這篇論文中，研究者的模型只規(guī)定了人類書寫系統(tǒng)的字符由筆畫組成。筆畫由抬高筆觸來區(qū)分，而筆畫又由更小的子筆畫組成，子筆畫用筆尖速度為零的點(diǎn)來區(qū)分。

有了這個初始模型之后，研究者向AI展現(xiàn)了人類手寫文字的方式，包括筆畫順序等，讓系統(tǒng)學(xué)習(xí)連續(xù)的筆畫和子筆畫之間的統(tǒng)計關(guān)系，以及單個筆畫所能容忍的變異程度。這個系統(tǒng)從未在它所分析的書寫系統(tǒng)上進(jìn)行過任何訓(xùn)練，它只是推理出了人類寫字的一般規(guī)律。

Tenenbaum說：「每個星期，我們似乎都能讀到機(jī)器在人臉識別、語音識別方面與人類旗鼓相當(dāng)?shù)男侣劇５?#xff0c;對我這種研究心智的科學(xué)家來說，機(jī)器學(xué)習(xí)和人類學(xué)習(xí)之間的鴻溝是巨大的。我們希望彌合這個鴻溝，這是我們的長期目標(biāo)。」

各方評價

劍橋大學(xué)的信息工程教授Zoubin Ghahramani說：「我認(rèn)為這對人工智能、認(rèn)知科學(xué)和機(jī)器學(xué)習(xí)是一個重大的貢獻(xiàn)。深度學(xué)習(xí)目前已取得了重要的成功，這篇論文非常清醒地表明了深度學(xué)習(xí)的局限性，因為深度學(xué)習(xí)需要大量的數(shù)據(jù)，并且在這篇論文所描述的任務(wù)上表現(xiàn)很差。這篇論文也展現(xiàn)了實(shí)現(xiàn)類人機(jī)器學(xué)習(xí)的重要方法。」

也有一些人對「人工智能超越人腦」這種說法持謹(jǐn)慎態(tài)度。艾倫人工智能研究所的Oren Etzioni說：「對『超人的表現(xiàn)』這種詞，我會非常謹(jǐn)慎。當(dāng)然，這個算法確實(shí)展現(xiàn)出了超過一般人的表現(xiàn)，除了達(dá)斯汀·霍夫曼。」（指霍夫曼主演的《雨人》電影。）

與深度學(xué)習(xí)優(yōu)勢互補(bǔ)

多倫多大學(xué)和谷歌的人工智能先驅(qū)Geoffrey Hinton說這個研究「令人印象非常深刻」。他說，這個模型能通過視覺圖靈測試，這很重要。「能實(shí)現(xiàn)這一點(diǎn)，是一個不錯的成就。」Hinton是深度學(xué)習(xí)的奠基者。深度學(xué)習(xí)近年來取得了舉世矚目的成就，被廣泛應(yīng)用在許多領(lǐng)域，例如語音翻譯、圖像識別等。深度學(xué)習(xí)用在谷歌的圖像搜索和Facebook的人臉識別上，獲得了巨量的數(shù)據(jù)以供學(xué)習(xí)。

然而，這篇新論文說「貝葉斯程序?qū)W習(xí)」比深度學(xué)習(xí)的表現(xiàn)更好。不過，三位作者和Hinton都禮貌地表明，這兩種方法在不同的任務(wù)上各領(lǐng)風(fēng)騷，假如能彼此借鑒，一定能互相提升——如果能建出一個混血系統(tǒng)，說不定能有更大的提升。在數(shù)據(jù)量巨大但較混亂的情況下，深度學(xué)習(xí)能發(fā)揮優(yōu)勢；而在數(shù)據(jù)量少而清晰的情況下，貝葉斯學(xué)習(xí)占領(lǐng)上風(fēng)。

Hinton說，這篇論文最令人興奮的成果或許是能讓那些宣稱智能計算機(jī)系統(tǒng)的學(xué)習(xí)方式與人類完全不同的批評者閉嘴，因為他們的主要論據(jù)正是計算機(jī)不能從單個例子中形成概念。

未來

在未來，這種機(jī)器學(xué)習(xí)的技術(shù)能夠完成很多任務(wù)，例如讀懂手語、提升語音識別軟件的性能等。運(yùn)用這種方法，或許只用向計算機(jī)展示一張人臉照片，它就能從任何角度識別出這個人。它甚至有可能用來制定軍事行動計劃。

當(dāng)然，盡管這個成果很重要，但它對人工智能領(lǐng)域來說只是一個小小的起點(diǎn)，不代表未來的機(jī)器學(xué)習(xí)都必須采用這種方法。正如它顛覆了「計算機(jī)如何理解概念」這個課題一樣，在這個日新月異的領(lǐng)域中，極有可能下個月就出現(xiàn)一種新方法，將它甩在后面飛揚(yáng)的塵土中。

---

?

參考：

Brenden M. Lake1, Ruslan Salakhutdinov, Joshua B. Tenenbaum. Human-level concept learning through probabilistic program induction. Science 11 December 2015: Vol. 350 no. 6266 pp. 1332-1338.

Larry Hardesty. Computer Drawings fool human judges, pass “Visual Turing Test”. MIT News

John Markoff. A Learning Advance in Artificial Intelligence Rivals Human Abilities. nytimes

Researchers create an artificial intelligence model that learns, and draws, just like you. Torstar News Service

Dave Gershgorn. Computers are closer to copying the way human learn. Popsci.

總結(jié)

以上是生活随笔為你收集整理的人工智能终于能像人类一样学习，并通过了图灵测试的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。