人工智能算法都是冷酷无情的，无论是亚马逊的员工工作监督，还是美团的路径规划算法，都在压榨着人类的极限，而且随着人工智能炒作的偃旗息鼓，美国国防部似乎找到了新的发展方向，通过给人工智能常识和推理能力，让其自主学习，那么究竟是怎样的项目能让社会获得这一“革命”性的进展呢？
近日有不少人工智能产业研究人员宣称，人工智能是纸上谈兵，目前还没有像样的项目落地，当我们重新回顾工程学准则时，必须要给现阶段人工智能研究和发展重新定义一个基本准则：要先学会爬，然后才能走路。
美国的科研人员目前正在试图突破现有的技术框架，将开发更加通用的算法模型，并且赋予这些模型推理的能力，让其能够像人类一样适应各种各样的环境。目前美国国防部高级研究计划局（DARPA）主导的机器学习项目正在向其机器学习模型“灌输”地球最快学习者-----婴儿。
美国国防部高级研究计划局（DARPA）信息创新办公室（Information Innovation Office）项目经理Matt称：人工智能现阶段的炒作已经结束，现在正是时候对于人工智能和机器学习技术前景和“陷阱”进行重新清晰的工程评估了，目前最先进的人工智能（或称机器学习），面临的挑战之一是应用场景十分狭隘，只是专注于某一领域的特定任务，根本没有全方位系统性的技术。美国DARPA此次设立的项目计划将人工智能研究员和儿童行为心理学家联合在一起，共同设计并绘制出“婴幼儿启发常识机制”，通过研究0-18个月的孩子自我学习方式，来对于新一代人工智能进行“革命”。
而由此产生的常识性人工智能算法将为机器学习模型注入更多推理所需的对象、位置、关系和其他各类的属性，系统也能更好更加广泛的理解人类世界。Matt还称：DARPA常识性人工智能模型试图让系统学习这些常识性的知识和事实，并且在新的情况下加以利用，对于学习过程将更加灵活和适应性更强，并且超越目前应用场景单一的人工智能系统，而这对于拥有更加稳定通用的系统来说至关重要。
全新的人工智能系统（图片来源: 美国国防部高级研究计划局）
不仅如此，此项计划还试图开发更加广泛的推理知识库技术，使得机器学习模型能够像人类一样适应和处理不同的问题，为期四年的项目计划汇编一个大型常识知识数据库，拥有大量的经过筛选和清洗的数据集和推理逻辑，目的是产生更多训练用数据。这个大型数据库其中一个输出是知识图谱，可看做是一个语义数据网络，表示特定对象的事实和其与其他对象之间的联系；对此语义数据的网络、对象和定义，以及对象之间的关系将在整个人工智能系统中进行拓展，再利用深度学习和卷积神经网络等技术来开发出新的“革命”性技术。
“当然了，现在的首要任务是，构建能够存储大量常识性共识知识”的数据库。” Matt还补充道，另一方面，人工智能研究人员正在应用现有的基准来探索新的目标，例如对于机器敏锐性的挖掘（在网页上人们可以通过自然语言和图像来和机器进行交互式访问），并且这些结果还经过了Allen 人工智能实验室的测试。
目前，基于常识性的人工智能还处在幼年时期，就像人类幼崽在爬行阶段向着迈出第一步的过渡，但是也离那种高度可信、具有人类学习的灵活性、拥有人类知识广度和深度的系统还有很大差距。尽管如此，研究机器常识和推理的研究员仍在灵活学习等领域有所突破。距离来说，一个机器人从未学习过如何走楼梯，那么这个机器人能够直接就去走吗？而这个问题恰恰就是这种具有学习能力的算法所要证明的东西。无独有偶，Matt还提到在俄勒冈州立大学的工程师最近开发了一个双足机器人完成了5公里的徒步比赛，让机器人自己去学习“走路”，本身就是一种“革命”性的进展。
总而言之，美国国防部高级研究计划局的官员还对业界称，这些早期机器人技术的进步仍然远远超出人类理解世界的能力，而这也恰恰是具有学习常识和推理能力算法模型能够真正应用最有力证明。整个业界乃至人类社会也希望具有“革命”性意义的人工智能新纪元的到来。
责编：我的果果超可爱
编译自：Bringing Common Sense to ‘Brittle’ AI Algorithms ----EE Times
您可能感兴趣
