你知道神经符号人工智能吗？几年前

几年前，科学家们了解到关于野鸭的一些不同寻常的事情。如果小鸭子出生后看到的第一件东西是两个相似的物体，那么小鸭子随后会关注同样相似的成对物体。
文章插图
比如在出生时看到两个红色球体的幼雏，随后会对两个颜色相同的球体表现出偏好，即使它们是蓝色的。不知何故，这些小鸭子们记住了相似的概念，在这个例子中就是物体的颜色。类似的，它们也可以在其它不同的概念上留下印记。
然而小鸭子们毫不费力就能做到的事情，对人工智能来说却非常困难。人工智能研究的分支“深度学习”或“深度神经网络”尤其如此。 2016年，人工智能曾凭借这项技术击败了世界围棋冠军李世石。但除非他们研究了数以万计甚至是数以亿计的例子，否则这些深网很难弄清楚物体之间简单的抽象关系以及关于它们之间的逻辑推理。
文章插图
为了构建能够做到这一点的人工智能，一些研究人员正在将深度神经网络与研究界所说的“优秀的老式人工智能”（也被称为象征性人工智能）杂交。这种被称之为“神经符号人工智能”的后代，表现出了类似于小鸭子的能力。纽约大学计算机和认知科学家布伦登·莱克表示，这是当今机器学习中最令人兴奋的领域之一。
虽然神经符号人工智能仍处在研究实验室阶段，但这些杂交后的产物证明，它们善于识别对象的属性，比如可见图像对象的数量和他们的颜色和质地等等。它们还善于询问，比如它们会问这些球体和立方体是否都是金属的。
另一个至关重要的优势是，与标准深度神经网络相比，这些混合网络需要的训练数据要少得多。并且它们使用的逻辑更容易被理解，使人类有可能猜测人工智能是如何做出决策的。
文章插图
计算神经学家大卫·考克斯
计算神经学家大卫·考克斯是位于马萨诸塞州剑桥市的麻省理工学院-IBM沃森人工智能实验室的负责人，他说：“无论在哪里把这些混合在一起，创造出来的都比把各部分加起来的还多。 ”
老式的父级人工智能神经符号人工智能的父母在人工智能领域都有着悠久的历史，它们各有优缺点。正如它的名字所暗示的那样，老式的父级人工智能可以处理符号，也就是代表世界上某些东西的名字。例如，为模拟小鸭而构建的早期人工智能，可以用诸如“球体” ， “圆柱体”和“立方体”之类的符号来表示物理对象；用诸如“红色” ， “蓝色”和“绿色”之类的符号代表颜色；用“大”和“小”表示物体的尺度。
文章插图
它们会将这些符号存储在所谓的知识库中，而这个知识库还有一条通用规则，就是规定两个对象的大小，颜色或形状相同，则它们是相似的。此外，人工智能需要能够了解一个命题，能够知道它所面对的是一个什么样的物体，颜色大小如何。所有这些都被编译为计算机能够理解的程序语言。
在有了这个知识库和能够理解命题后，符号人工智能利用一个推理引擎，使用逻辑规则来回答查询。程序员可以问它球体和圆柱体是否相似。人工智能会回答“是”（因为它们都是红色的）。当被问及球体和立方体是否相似时，它会回答“不相似”（因为它们的大小或者颜色不同）。
文章插图
现在看来，这种可以处理符号的老式父级人工智能的一个缺陷是它无法处理数据中的问题。比如你向它提出一个没有出现在它的知识库或者是一个错误的问题时，它就会失败。在小鸭子的例子中，人工智能不知道金字塔和立方体是否相似，因为知识库中不存在金字塔。因此，为了有效地进行推理，符号人工智能需要一个很大的知识库。而这些知识库是利用人类的专业知识煞费苦心建立起来的，系统不能自己学习。
母级人工智能神经符号人工智能还有一个母亲，而从原始数据中学习是它的长处，这就是深度神经网络。深度神经网络可以模仿我们大脑中的神经元网络，它由人工神经元或节点组成，每一层接收来自前一层的输入，并向下一层发送输出。这些信息以节点之间的连接强度来编码，而不是人类可以理解的符号。