你知道神经符号人工智能吗？( 四 ) 几年前

文章插图
【你知道神经符号人工智能吗？】莱克和他的学生制作了一个神经符号人工智能来玩一个名为《战舰》的游戏。这个游戏包含一个6乘6的棋盘格，下面隐藏着三艘船，每艘船一格宽，两到四格长，其方向可以是垂直的，也可以是水平的。每走一步，玩家可以选择翻动一个格子，看看下面有什么，是水还是船的一部分。在游戏过程中，玩家可以用英语问任何问题。例如，玩家可以问：“红色的船有多长？”或者“三艘船的尺寸都一样吗？”等等。游戏的目标是正确猜测船只的位置。
莱克团队的神经符号人工智能由两个部分组成：一个卷积神经网络，可以通过观察棋盘来识别游戏状态；一个神经网络生成问题的符号表示。
文章插图
他们使用了两种不同的技术来训练他们的人工智能。第一种方法称为监督学习。团队向深度神经网络展示了大量的船只分布例子和相应的“好”问题，这些数据都来自人类玩家。人工智能最终学会了自己提出好问题，但很少有创造性。
之后研究人员使用了另一种被称为强化学习的训练方式。在这种方式中，深度神经网络每问一个能帮助找到船只的问题就会得到奖励。同样，它最终学会了提出正确的问题，这些问题既能提供信息，又有创造性。
文章插图
此前，莱克和其他同事曾尝试用一种纯粹的符号人工智能解决这个问题。他们从人类玩家那里收集了一大堆问题，然后设计了一套语法来表示这些问题。莱克说：“这些语法可以生成人们提出的所有问题，也可以生成无数其他问题。你可以把它想象成人们可能会问的问题的数据库。 ”
对于给定的棋局状态，符号人工智能必须搜索这个巨大的数据库来找到一个“好”问题，这使得它非常慢。然而，神经符号人工智能速度惊人。一旦经过训练，深度神经网络在产生问题方面远远胜过纯粹的符号人工智能。
不同的声音但并非所有人都同意神经符号人工智能是实现更强大人工智能的最佳途径。布朗大学的赛尔认为这种混合方法很难接近人类抽象推理的复杂性。他认为人类大脑创造出了对物体的抽象符号表示，例如球体和立方体，并使用这些符号进行各种视觉和非视觉推理。
“我们用我们的生物神经网络实现了这个，但我们没有看到任何专门转化符号的组件。 ”赛尔说。 “我希望任何人都能找到大脑中的符号模块。 ”他认为，人们正在为提高人工智能的能力寻找更好的途径，比如在深度神经网络中添加模仿人类能力的功能（如注意力）。
文章插图
DeepMind的科利对神经符号人工智能有更实际的担忧。他担心，这种方法可能无法处理比研究项目中正在处理的问题更大的问题。 “目前，符号处理的部分仍然很少。 ”科利说。 “但当我们扩展和练习符号部分，并处理更具挑战性的推理任务时，事情可能会变得更具挑战性。 ”
“例如，符号人工智能的最大成功之一是用于医学的系统，比如那些根据病人的症状诊断病人的系统。它们拥有大量的知识库和复杂的推理引擎。目前的神经符号人工智能并不能解决任何如此大的问题。 ”
自动驾驶然而，麻省理工学院-IBM沃森人工智能实验室的负责人考克斯在IBM的团队正在尝试这种方法。他们的一个项目涉及可以用于自动驾驶汽车的技术。这类汽车的人工智能通常包括一个经过训练的深度神经网络，它能识别环境中的物体并采取适当的行动；当深度神经网络在训练中出错，比如撞上行人（当然是在模拟中）时，它就会受到惩罚。