人工智能的突破

霍林郭勒网 2020-01-23 17:09:45

人工智能的下一个突破可能需要结束长期的竞争。

多年来,人工智能研究人员在创建解决问题的算法时通常采用以下两种方法之一:符号主义或基于规则的AI,其重点是将概念,规则和逻辑手动编码到计算机软件中;以及连接主义,它基于人工神经网络和大脑的数字表示,通过比较随时间变化的许多示例来有机地发展其行为。

直到最近,象征性AI才更流行,许多研究人员和公司都回避使用神经网络。但是在2012年,多伦多大学的计算机科学家通过使用深度学习(基于神经网络的AI算法)取得了突破,赢得了著名的年度计算机视觉竞赛ImageNet。

从那时起,深度学习和神经网络引发了AI行业的一场革命,并帮助解决了以前认为超出计算机功能范围的问题。今年早些时候,神经网络的先驱者获得了图灵奖,这相当于诺贝尔计算机科学奖。

随着神经网络的普及,象征性AI从风度滑落,并被推到了研究的边缘。但是到了深度学习革命已经过去七年了,我们已经看到深度学习不是一个完美的解决方案,并且存在明显的弱点,限制了它的应用。

麻省理工学院和IBM的一组研究人员认为,人工智能的下一个突破可能是结束符号人工智能与神经网络之间的竞争。

在本月早些时候的国际学习表示会议(ICLR)上发表的一篇论文中,这些研究人员提出了一个名为“神经符号概念学习器”的概念,该概念将符号AI和神经网络结合在一起。这种混合方法可以创建比传统模型更灵活的AI,并且可以解决符号AI和神经网络都无法自行解决的问题。

依靠标签数据是有限的

麻省理工学院-IBM Watson AI实验室主任David Cox说:“深度学习功能非常强大,并且不会消失。但是今天它有局限性。”“其中之一是,它依赖于大量数据。您需要拥有惊人数量的数据来训练这些系统之一,这些数据必须仔细注释。”

神经网络的核心是由数千个变量组成的复杂数学函数。在“训练”阶段,网络会摄取大量带标签的示例,并根据在每个示例类别中发现的通用模式来调整其变量。之后,当您通过网络运行新数据时,它可以根据其与网络先前看到的示例的统计相似性对数据进行分类。神经网络在诸如图像分类,语音识别和自然语言处理之类的任务上特别有效,而基于规则的AI一直在这一领域挣扎。

但是,这种对数据的依赖带来了严重的困难。“对于我们所遇到的许多问题,我们只是没有足够的数据来训练当今的深度学习算法,” Cox说。

根据经验,您拥有的训练数据越多,神经网络就越精确。在许多情况下,您需要数百万个示例来进行适当的培训。

实际上,神经网络的概念几乎与AI本身一样古老。主要原因是由于大量注释数据的可用性增加以及可以快速处理此数据的计算机资源,该技术在过去几年中变得实用。

可解释性是深度学习的另一个问题。由于神经网络非常复杂并且具有自己的行为发展方式,因此很难调查和审核神经网络的决策。这在错误可能导致严重或致命后果或法律要求AI系统的采用者提供自动决策解释的领域中对其应用提出了挑战。

结合符号AI和神经网络

对于AI来说,一项艰巨的挑战是视觉问题解答(VQA)的任务,在该任务中,您向AI显示图像并向其询问有关存在的不同元素之间的关系的问题。这很困难,因为VQA涉及图像识别,自然语言处理和逻辑推理的元素,而这些任务最好由符号AI和串联的神经网络处理。

MIT和IBM研究人员使用神经符号概念学习器(NSCL)解决了VQA问题。NSCL使用神经网络来处理VQA问题中的图像,然后将其转换为包含对象的表格表示形式。接下来,它使用另一个神经网络解析问题并将其转换为可以在上一步生成的信息表上运行的符号AI程序。

“将符号AI与神经网络相结合(创建混合的神经符号系统),有趣的事情之一就是您可以让每个系统尽其所能。神经网络可以处理现实世界中的混乱情况和相关性,帮助将这些符号转换为基于规则的系统可以用来更有效地运行的符号。”

混合方法的好处

研究人员在CLEVR上测试了NSCL,CLEVR是VQA问题中使用的渲染对象图像的数据集。以前尝试使用神经网络解决CLEVR问题的尝试仅产生了令人印象深刻的结果,但是它们需要大量的训练示例,并且开发的模型在边缘情况(未训练网络的设置)上表现不佳。