LeCunvsMarcus巔峰論戰(zhàn)，AI學習是否需要類似人類的認知結構？
人工智能和心理學領域的兩位頂尖研究者，紐約大學YannLeCun和GaryMarcus就AI是否需要類似人類和動物的內(nèi)置的認知機制，以實現(xiàn)類似人類的智能這一問題，展開了激烈的辯論。辯論的關鍵在于無監(jiān)督學習算法最終是否需要內(nèi)置的認知結構，如果在不需要這類結構的情況下取得成功，那么LeCun將被證明是正確的。
一輛由AI技術驅(qū)動的自動駕駛汽車，可能需要在虛擬仿真環(huán)境中撞到樹上5萬次，然后才會學到這不是個明智的選擇。但是，一只幼年野山羊在陡峭的山坡上學習攀爬，并不需要摔死幾百萬次。同樣，一個三歲小孩也不需要練習無數(shù)次，才能想出如何穿過椅子爬到后面去。
在強大的計算資源的支持下，現(xiàn)在，最先進的AI技術幾乎可以從零開始學習有關世界的任何內(nèi)容。相比之下，人類和動物似乎是本能地理解某些概念對象、地點和相關事物的集合這讓他們能夠快速了解世界是如何運作的。這就引出了一個重要的先天vs后天的問題：AI的學習是否需要像人類和動物擁有的先天認知機制那樣的某種內(nèi)置機制，才能達到類似的一般智能水平？
近日，紐約大學心理、大腦和意識中心舉辦的一場活動中，人工智能和心理學領域的兩位頂尖研究者在這一問題上進行了針鋒相對的辯論。
紐約大學計算機科學家、Facebook人工智能研究主管YannLeCun說：我們目前所擁有的AI技術，無論通過結構還是通過學習，都無法構建世界的表象，而這是我們觀察到的動物和人類所擁有的能力。
LeCun是人工智能領域深度學習技術的開拓者，深度學習技術幫助科技巨頭們實現(xiàn)了許多熱門服務的自動化，比如Facebook的人臉識別功能，谷歌的中英互譯，等等。盡管缺乏類似人類和動物的先天認知機制，深度學習算法使得AI能夠?qū)崿F(xiàn)所有這些任務了。
深度學習算法在過濾大量數(shù)據(jù)的同時，逐漸學會識別有關世界的一些特定模式當你擁有Facebook、谷歌或微軟的大量計算資源的話，它就能在某些感知任務上工作，比如圖像識別。
人們一致認為，www.twshmhelmet.com，目前的AI技術，KUKA機器人示教器維修，比如深度學習，仍然不能讓AI具有與動物或人類相當?shù)闹悄芩健１M管如此，LeCun認為無監(jiān)督深度學習可以讓AI在通用智能方面取得進展。無監(jiān)督學習消除了需要人類提供人工標記的數(shù)據(jù)的許多要求，這些數(shù)據(jù)用于讓機器學習。
LeCun指出，現(xiàn)代人工智能的成功很大程度上不是依賴于構建有關世界如何運作的假設或結構化概念。從這個意義上說，他傾向于最小化AI算法的結構，以保持這種簡單性。他認為這樣做不需要利用人類語言學家，心理學家或認知科學家的知識。他說：我追求的是盡量減少先天機制的部分，利用我們現(xiàn)有的數(shù)據(jù)去學習。
不過，紐約大學研究型心理學家、GeometricIntelligence公司（現(xiàn)在屬于Uber的AI團隊）的創(chuàng)始人GaryMarcus認為LeCun的追求不會那么快實現(xiàn)。
他認同無監(jiān)督深度學習有成功的機會，但他也認為，算法只有具備了更豐富的原語（primitives）和表達方式（epresentations），而不僅僅有像素，才能在理解世界方面取得成功。
Marcus說：我們希望AI具備為理解對象、實體的行為和物理現(xiàn)象而構建的表達方式和原語，就像人類嬰兒先天擁有的那樣。
Marcus希望看到AI研究人員更多地借鑒認知科學的知識，構建更加結構化的算法來表示對象、集合、位置和時空連續(xù)性等認知概念。他引用了自己的工作，以及哈佛大學認知心理學家ElizabethSpelke等人的研究，展示了人類兒童如何能夠在幼兒時期具備感知人、物體、集合和位置等概念。他提出一個建議：為什么不在AI中利用類似的方法，把一些結構映射到類似的概念？
盡管LeCun自己在卷積神經(jīng)網(wǎng)絡上的開創(chuàng)性工作就是一個很好的例子，說明使用更結構化的方法來約束AI必須處理的信息量，可以幫助它更好地理解世界。
Marcus說：我認為，我們真正需要的是系統(tǒng)的思考和分析，假如我們將不同量的先天機制嵌入到機器學習中時，會發(fā)生什么。
LeCun贊同AI需要一些結構來幫助它理解世界，但他對在生物大腦中是否存在單一學習算法、原則或程序存疑，還是說它更像是一種沒有基本的組織原則的無意義的黑客（hacks）集合。在他看來，人工智能可以從單一的學習原則或這種學習原則的集合中獲益，www.twshmhelmet.com，不管是否具有內(nèi)在的先天認知機制的結構模塊，這些原則都會產(chǎn)生。
缺乏的是一個原則，這個原則可以讓我們的機器通過觀察世界和與世界互動來了解世界是如何運作的，LeCun說。我們現(xiàn)在所缺少的是一種學習預測世界的模型，在我看來，這是人工智能領域取得突破性進展的最大障礙。
LeCun說，智能的本質(zhì)是預測的能力，因為預測未來是一個非常特殊的填空的場景。常識使人類和動物能夠根據(jù)他們對世界運作的認知來填補缺失的信息。這就是為什么人類駕駛員不需要撞5萬次樹才能意識到撞樹是錯誤的行為；人類具備的常識讓他們知道，如果車撞到樹會發(fā)生什么事。
LeCun希望無監(jiān)督學習能夠引導AI最終發(fā)展出一種理解世界運作方式的感覺（sense），如果不是某種原始的常識的話，那么就從物理學的角度。如果在我的職業(yè)生涯結束之前，人工智能系統(tǒng)能像貓一樣聰明，我會很開心，LeCun說，再不然，像老鼠一樣聰明也行。
關于AI學習先天還是后天的爭論還遠未結束。但是，LeCun和Marcus都認同可以根據(jù)一些關鍵性能指標來看哪一方更為合理。如果無監(jiān)督學習算法最終需要更多類似對象、集合、位置等等的認知表征（cognitiverepresentations）的結構，那么Marcus就是這場辯論的勝方。如果無監(jiān)督學習在不需要這類結構的情況下取得成功，那么LeCun將被證明是正確的。