远远超越播放指定音乐、告知天气等简单语音识别助手水平的谷歌Duplex,能打电话轻松预订餐厅或美发店。AlphaZero早已在无需棋谱或人类帮助、仅告知游戏规则的情况下自主学习,征服了国际象棋、围棋等棋盘游戏。在被认为比围棋难得多的实时战略游戏《星际争霸2》中,AlphaStar击败了欧洲冠军。也常听到医疗人工智能(AI)比拥有多年经验的专科医生更擅长分析医学影像的说法。因此看起来AI已在所有领域超越人类,但事实并非如此。
目前大多数AI是按照开发者的学习意图、被开发为只能出色完成有限任务,因此若输入学习范围之外的数据,可能会得出荒谬结果。例如,利用学会很好识别狗和猫的AI去识别鲸鱼或鸽子是不可能的。
弥补以往随机初始化神经网络的方式
展现出与人类相似的人工智能出现的可能性
为何会出现这种情况?答案在于AI与人类的学习方法根本不同。训练AI时,先将神经网络随机初始化,再利用学习数据确定神经网络的变量值。学习对象改变时会重新初始化,因此之前学习的内容消失,即遗忘并从头开始。相反,人类为获得新知识会自然地再利用以往的经验或知识,通过类推、创造力、想象力等认知技能将不同领域的知识相互关联。
就像学会网球后打羽毛球会更容易,AI在学习相似任务时也会使用迁移学习(transfer learning)。迁移学习一般是在数据丰富的特定领域先训练,然后不做随机初始化,而是以已学得的知识(网络)为基础,用目标领域的数据进行微调训练。但在领域差异很大时难以适用,通过一系列过程习得知识或多领域学习则无法实现。
DeepMind研究团队发表的“渐进式神经网络”与仅在初始化时利用先前知识的迁移学习不同,它在整个学习过程中维持预训练模型池,并通过横向连接从中提取学习新领域时有用的特征。如同人类一样,不遗忘先前知识而是整合再利用。渐进式神经网络的创新之处不在于设计了新的学习方法,而在于将一系列熟知的方法结合成创新的学习模型。
事实上,DeepMind团队在打砖块或雅达利游戏等中利用渐进式神经网络,证明了看似互不相关的游戏知识在玩其他游戏时也有帮助。虽然要开发出能实现科幻电影中通用AI的学习方法还需更多时间,但这已为与人类相似的AI出现打开了可能性。






