1956年的夏天，一場在美國達(dá)特茅斯（Dartmouth）大學(xué)召開的學(xué)術(shù)會議，“人工智能”（artificialintelligence）第一次被提出，多年以后該會議也被認(rèn)定為全球人工智能研究的起點(diǎn)。2016年的春天，一場AlphaGo與世界優(yōu)秀圍棋高手李世石的人機(jī)世紀(jì)對戰(zhàn)，人工智能新浪潮來臨。

經(jīng)歷了兩次起伏，人工智能開始了新一輪的爆發(fā)。如今，隨著企業(yè)將人工智能集成到自己的系統(tǒng)中，科技人員將目光投向了人工智能創(chuàng)新的新領(lǐng)域。

即元學(xué)習(xí)領(lǐng)域。簡單來說，元學(xué)習(xí)就是學(xué)會學(xué)習(xí)。人類具有一種獨(dú)特的能力，可以在任何情況下或環(huán)境中學(xué)習(xí)。人們適應(yīng)學(xué)習(xí)。人們會想辦法學(xué)習(xí)。人工智能要想擁有這種學(xué)習(xí)的靈活性，需要通用人工智能。

換句話說，人工智能需要一種有效且高效的方式來了解其學(xué)習(xí)過程。

人工智能的學(xué)習(xí)方式與人類大相徑庭

受限是人類與人工智能學(xué)習(xí)過程最主要的差異。

人類的能力受限。人類的腦力有限，時間也有限，因此，人腦的適應(yīng)能力也是有限的。人腦充分利用接收到的每個信息，然后，發(fā)展了培養(yǎng)世界大量模型的能力。人類是通用學(xué)習(xí)者。如果人們的學(xué)習(xí)過程高效，那么就可以快速學(xué)習(xí)所有的學(xué)科。但并非所有人都學(xué)得很快。

相比之下，人工智能擁有更多的資源，例如計(jì)算能力。然而，人工智能學(xué)習(xí)的數(shù)據(jù)比人類大腦使用的數(shù)據(jù)要多得多。處理這些海量數(shù)據(jù)需要巨大的計(jì)算能力。

同時，隨著人工智能任務(wù)變得越來越復(fù)雜，計(jì)算能力也呈指數(shù)級增長。人工智能所做的每個推斷（跨越多個數(shù)據(jù)存儲庫）都依賴于算法在不同數(shù)據(jù)片段之間建立連接。如果算法對于給定的數(shù)據(jù)集不夠有效，那么計(jì)算能力將呈指數(shù)級增長。如今，無論計(jì)算能力多么爛大街，指數(shù)級增長都不是我們想要的方案。

這就是為什么，目前人們將人工智能用作特定用途的學(xué)習(xí)者。通過從相似的相關(guān)數(shù)據(jù)中學(xué)習(xí)，人工智能可以高效地處理數(shù)據(jù)并從中進(jìn)行推斷，而無需花費(fèi)太多成本。

人工智能學(xué)會學(xué)習(xí)的重要性

技術(shù)人員試圖解決計(jì)算能力的指數(shù)級增長時，出現(xiàn)了“學(xué)習(xí)型”問題，因?yàn)槿斯ぶ悄荛_始從越來越復(fù)雜的數(shù)據(jù)中做出推斷。

為了防止計(jì)算能力呈指數(shù)級增長，人工智能必須找出最有效的學(xué)習(xí)路徑，并記住該路徑。一旦算法能夠?yàn)椴煌愋偷膯栴}確定學(xué)習(xí)路徑，那么人工智能就可以通過選擇學(xué)習(xí)路徑，遵循學(xué)習(xí)路徑，根據(jù)變化調(diào)整學(xué)習(xí)路徑，從而進(jìn)行自我調(diào)節(jié)，并動態(tài)地引導(dǎo)自己找到解決方案。

這引出了人工智能的下一個問題：“多任務(wù)”。

隨著技術(shù)人員開始給人工智能提供相關(guān)但無序的任務(wù)，“多任務(wù)”應(yīng)運(yùn)而生。如果獨(dú)立任務(wù)可以同時執(zhí)行怎么辦？如果在人工智能執(zhí)行某些任務(wù)時，知識和數(shù)據(jù)可以幫助其執(zhí)行其他任務(wù)呢？

“多任務(wù)”問題將“學(xué)會學(xué)習(xí)”的問題提升到了一個新高度。

為了可以“多任務(wù)”運(yùn)行，人工智能需要能夠并行評估獨(dú)立的數(shù)據(jù)集，還需要關(guān)聯(lián)數(shù)據(jù)片段并推斷該數(shù)據(jù)上的連接。當(dāng)人工智能執(zhí)行一項(xiàng)任務(wù)的步驟時，需要不斷更新知識，以便可以在其他情況下應(yīng)用和使用這些知識。由于任務(wù)是相互關(guān)聯(lián)的，因此對任務(wù)的評估將需要由整個網(wǎng)絡(luò)來完成。

谷歌的 MultiModel 就是一個人工智能系統(tǒng)的示例，該系統(tǒng)學(xué)會了同時執(zhí)行八項(xiàng)不同的任務(wù)。該系統(tǒng)模擬大腦感知信息的方式，可以檢測圖像中的物體、提供字幕、識別語音，在四對語言之間進(jìn)行翻譯并執(zhí)行語法選區(qū)分析。該系統(tǒng)在多任務(wù)聯(lián)合訓(xùn)練時表現(xiàn)優(yōu)異。神經(jīng)網(wǎng)絡(luò)也從不同領(lǐng)域的數(shù)據(jù)中學(xué)習(xí)。

為了使其適應(yīng)性更強(qiáng)，人工智能將需要學(xué)習(xí)多任務(wù)處理。人工智能作為自適應(yīng)學(xué)習(xí)者的一種應(yīng)用，是在機(jī)器人領(lǐng)域，即機(jī)器人代替人類在危險情況下學(xué)習(xí)執(zhí)行任務(wù)。例如，當(dāng)監(jiān)視或捕獲情況發(fā)生變化時，機(jī)械軍犬將能夠適應(yīng)各種情況，而無需遵循人類的特定命令。

人工智能可以學(xué)會怎樣成為通用學(xué)習(xí)者嗎？

正如我們從谷歌的 MultiModel 中看到的那樣，人工智能當(dāng)然可以通過學(xué)習(xí)，成為人類這樣的通用學(xué)習(xí)者。但是，實(shí)現(xiàn)仍然需要一段時間。這包括兩個部分：元推理和元學(xué)習(xí)。元推理著重于認(rèn)知資源的有效利用。元學(xué)習(xí)側(cè)重于人類有效利用有限的認(rèn)知資源和有限的數(shù)據(jù)進(jìn)行學(xué)習(xí)的獨(dú)特能力。

在元推理中，其中一個關(guān)鍵要素是戰(zhàn)略思維。如果人工智能可以從不同類型的數(shù)據(jù)中得出推論，那么它是否也能在不同情況下采用高效的認(rèn)知策略呢？

當(dāng)前人們正在進(jìn)行研究，以找出人類認(rèn)知能力與人工智能學(xué)習(xí)方式之間的差距，例如對內(nèi)部狀態(tài)的認(rèn)知、記憶的準(zhǔn)確度或自信心。但是，歸根結(jié)底，元推理依賴于把握全局和戰(zhàn)略決策。戰(zhàn)略決策包括兩個部分：從現(xiàn)有的可用戰(zhàn)略中進(jìn)行選擇，根據(jù)情況發(fā)現(xiàn)不同戰(zhàn)略。這些都是元推理的研究領(lǐng)域。

在元學(xué)習(xí)中，其中一個關(guān)鍵部分是彌合使用大量數(shù)據(jù)訓(xùn)練模型和有限數(shù)據(jù)訓(xùn)練模型之間的鴻溝。模型必須具有適應(yīng)性，才能基于跨多個任務(wù)的少量信息來準(zhǔn)確做出決策。

對此，有不同的解決辦法。有些模型是通過學(xué)習(xí)人類學(xué)習(xí)者的參數(shù)以找到一組可以在不同任務(wù)中正常工作的參數(shù)來實(shí)現(xiàn)。有些模型定義合適的學(xué)習(xí)空間，例如度量空間，在該空間中學(xué)習(xí)可能最行之有效。還有一些模型，例如少樣本元學(xué)習(xí)，其算法學(xué)習(xí)嬰兒的學(xué)習(xí)方式，通過模仿最少的數(shù)據(jù)量來進(jìn)行學(xué)習(xí)。這些都是元學(xué)習(xí)的研究領(lǐng)域。

元推理和元學(xué)習(xí)只是人工智能成為通用學(xué)習(xí)者的一部分。將它們與來自運(yùn)動和感覺處理的信息放在一起，可以使人工智能學(xué)習(xí)者更像人類。

人工智能仍在學(xué)習(xí)變得更像人類

成為像人類的廣泛學(xué)習(xí)者需要對人類的學(xué)習(xí)方式以及人工智能如何模仿人類的學(xué)習(xí)方式進(jìn)行廣泛研究。

要適應(yīng)新情況，例如具有“多任務(wù)”能力以及使用有限的資源做出“戰(zhàn)略決策”的能力，這是人工智能研究人員在研究過程中需要跨越的幾個障礙。

在人類的努力下，人工智能的學(xué)習(xí)能力正在不斷發(fā)展，雖然與人類相比仍有較大差距，但相信這種差距會隨著人類技術(shù)的不斷進(jìn)步而逐漸縮小，最終達(dá)到一個令人震驚的高度，讓我們一起拭目以待~

責(zé)任編輯：ct