科学家们一直致力于创造一种像人类一样思考的机器,但经过一段时间的探索,这一进程遇到了阻碍,他们基本上已经暂停了模仿“人脑”,转而研究已有发现的应用。剩下的仍在孜孜不倦地追求“超智能机器”的人中,图灵奖获得者Judea Pearl提出了通往智能机器的新路线图。
“人脑”模仿受挫
卡内基梅隆大学计算机科学系主任Andrew Moore在接受Axios采访时表示,尽管现在的AI在可视化、语音和困难游戏方面有令人惊叹的能力,但它仍然“没有魔力”。“我们不再试图复制人脑,我们专注于设计制造(已经发明的东西)”,他说。
Moore的观点与人工智能界日趋强烈的疑问一致——现有的方法真的可以实现所谓”人工智能”吗?去年九月,AI领域最受尊敬的先驱之一Geoffrey Hinton称,研究者们需要重新开始。
1986年,Geoffrey Hinton与他人合著了一篇论文,这篇论文在30年后成为了引爆人工智能的核心。该论文提出了反向传播理论方法,这是如今人工智能所依赖的主要方法,图像分类、Siri交谈能力的进步都仰仗该方法。然而去年九月,Geoffrey Hinton在一场多伦多举行的AI会议上直言自己提出的突破性方法应该被舍弃。
反向传播算法的核心工作机制是用“标签”或“权重”代表类脑神经层中的图像或声音,权重可以逐层调整,直到该神经网络能够在最少错的情况下执行智能功能。如今Geoffrey Hinton对这个算法深表怀疑,他不认为这是大脑的工作方式,因为“我们显然不需要所有标记的数据。”他说,“我的看法是抛弃一切,重新开始”。
通往“智能机器”的新路线
尽管许多AI科学家停下了对“超智能机器”的追求,但还是有研究者在坚持寻求突破。其中Judea Pearl提出了通往智能机器的新路线——“因果推理”。
Judea Pearl是计算机科学领域最高奖项图灵奖的获得者,也是人工智能领域畅销书 “The Book of Why”的作者。他把他提出的新路线称为“因果推理”,即推断情况的原因和方式的能力。
Judea Pearl指出新路线虽然并不涉及人工智能本身,但“因果推理”是终极路径,因此将标志一场“小型革命”,他告诉Axios。Pearl认为当下机器学习囿于相关性和关联性,缺乏真正的思维。比如,如果一个人工智能程序每天都看到公鸡在太阳升起前打鸣,它就会认为是公鸡打鸣导致了太阳升起,这就是人工智能所依赖的相关性。而“因果推理”就是希望能超越相关性,让因果解释成为机器智能的基石。
“我所预测的迷你革命将把机器学习从目前的不透明,健忘和缺乏可解释性的困境中解放出来,” Judea Pearl说。“此外,它还可以让机器学习我们真正关心的问题的答案,而不仅仅是相关性。”例如,一辆装备了“因果推理”的自驾车即使遇到一个没有数据的情况,也能立即进行调整。这样的自驾车可以思考是什么导致了它遇到的事故,而不仅仅是与事故相关的事物,前者才是人类真正关心的。
值得一提的是,Geoffrey Hinton也与他的谷歌同事一起提出了全新的AI理论体系——“Capsule”。这是他们对未来人工智能形态的探索。Capsule的提出受到了神经解剖学、认知神经科学、计算机图形学的启示,旨在实现反向传播无法实现的“无监督学习”,这能让神经网络摆脱“标签”,依靠自身变得智能。
-
AI
+关注
关注
87文章
30106浏览量
268399 -
智能机器
+关注
关注
0文章
96浏览量
20268
原文标题:AI新方向: 科学家们暂停模仿“人脑”,公布了新路线图
文章出处:【微信号:AItists,微信公众号:人工智能学家】欢迎添加关注!文章转载请注明出处。
发布评论请先 登录
相关推荐
评论