你知道神经符号人工智能吗？( 四 ) 几年前

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。
文章插图
“为了学会不做坏事情，它必须做坏事情，体验那些坏东西，然后在做坏事之前找出30个步骤，如何防止自己陷入困境。 ” 沃森人工智能实验室小组成员内森·富尔顿说。因此，学习安全驾驶需要大量的训练数据，而显然人工智能无法在现实世界中训练出来。
富尔顿和他的同事正在研究一种神经符号人工智能来克服这些限制。人工智能的符号部分拥有一个小知识库，里面包含哪些行动将是危险的等信息。他们用它来限制深度神经网络的一些行动，比如防止它撞到物体上。
文章插图
通过从一开始就排除某些选择，这种简单的符号干预大大减少了训练人工智能所需的数据量。尽管该项目还没有准备好在实验室之外使用，考克斯设想未来，具有神经符号人工智能的汽车可以在现实世界中学习，通过符号组件来防止不良驾驶。
尽管反对者可能会谴责在深度学习中添加符号模块，认为这不能代表我们的大脑是如何工作的，但神经符号人工智能的支持者将这个模块性视为解决实际问题的一种优势。
文章插图
“当你有神经符号系统时，你就发现这些符号的瓶颈在哪里。 ”考克斯说。这些瓶颈正是人工智能求助于人类的地方。解决这些可以使人工智能具有表达和解释的能力，也提供了一个通过组合方式创造复杂性系统的方法。 “这是非常强大的， ”考克斯说。