深度学习是近几年来引起人们对人工智能兴趣的主要创新

本文是我们AI研究论文综述的一部分，这是一系列探索人工智能最新发现的文章。

深度学习是近几年来引起人们对人工智能兴趣的重大创新。它有助于解决计算机视觉、自然语言处理和语音识别中的许多关键问题。但随着深度学习的成熟，从炒作高峰到幻灭低谷的过渡，越来越明显的是，它缺少一些基本的成分。

在过去的一年里，许多深度学习的先驱及其主要组成部分人工神经网络已经承认了这一现实。深度学习的教父杰弗里辛顿(GeoffreyHinton)、扬勒昆(YannLeCun)和约舒亚本吉奥(YoshuaBengio)都谈到了神经网络的局限性。

问题是，前进的道路是什么？

Bengio在NeurIPS2019中讨论了system2深度学习，NeurIPS2019是新一代神经网络，可以处理组合、无序分布和因果结构。在2020年AAAI会议上，辛顿讨论了卷积神经网络(CNN)的缺点和胶囊网络发展的需求。

但对于认知科学家加里马库斯(GaryMarcus)来说，解决方案在于开发一种混合模型，将神经网络与符号人工智能相结合，这是深度学习兴起之前主导该领域的AI分支。在一篇题为《人工智能的下一个十年：走向强大人工智能的四个步骤》的论文中，马库斯讨论了混合人工智能如何解决当今深度学习面临的一些基本问题。

纯粹基于神经网络的方法的支持者，连接主义者拒绝符号人工智能的任何回归。Hinton将混合人工智能与电动机和内燃机相结合。本吉奥一再回避混合人工智能的想法。

但马库斯认为，前进的道路在于抛弃古老的竞争，将两者的优点结合起来。

深层神经网络缺什么？

深入讨论了深度学习的局限性。但是在这里，我想总结一下这几个月来被广泛讨论的知识。虽然人类AI至少需要几十年的时间，但更接近的目标是强大的人工智能。

这是马库斯定义健壮AI的方式：“这种智能虽然不一定是超人或自我完善的，但可以依靠它以系统可靠的方式将其知识应用于广泛的问题，并综合各种来源的知识。它可以灵活、动态地推理世界，并以我们期望普通成年人的方式，将它从一个环境中学到的东西转移到另一个环境中。”

这些都是目前深度学习系统所缺乏的关键功能。深度神经网络可以吸收大量的数据，使用巨大的计算资源来解决非常狭窄的问题，例如检测特定种类的物体或在特定条件下玩复杂的视频游戏。

但是，他们不善于总结自己的技能。马库斯写道：“如果环境与训练环境不同，有时甚至略有不同，我们通常不能指望他们。

一个恰当的例子：由成千上万张椅子图片训练的人工智能如果不包含在训练数据集中，将无法识别翻转的椅子。经过数以万计小时的《星际争霸2》游戏训练，超级强大的AI可以打冠军级别，但条件有限。在地图或游戏中改变单位后，其性能会急剧下降。而且它不能玩任何类似《星际争霸2》的游戏，比如《魔兽争霸》或者《命令与征服》。

标签：

免责声明：免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！