YannLeCun vs GaryMarcus：AI學習的未來取決於先天還是後天

基於雄厚的計算資源，強大的人工智慧技術正在從零開始學習這個世界的所有。相比之下，人和動物似乎可以通過直覺自然而然地理解某些概念，例如某種物體、某個地點甚至是某些相關的事物，進而快速了解這個世界的運作模式。這就引出了一個關於「先天與後天」的重要問題——人工智慧是否需要人和動物與生俱來的認知能力？

編譯 | 高靜宜

來源 | IEEE Spectrum

作者 | Jeremy Hsu

在虛擬模擬世界裡，一輛人工智慧驅動的無人車在撞擊了五萬次大樹之後才知道這並不是個明智的選擇。而在現實世界中，一隻幼年野山羊則無需上萬次的搏命嘗試就可以憑藉本能學會如何在陡峭的山坡上爬行。同理，一個三歲女孩找到落腳點而爬上椅子的背後，通常也僅僅是一次突發奇想，而無需上萬次的練習。

現如今，基於雄厚的計算資源，強大的人工智慧技術正在從零開始學習這個世界的所有。相比之下，人和動物似乎可以通過直覺自然而然地理解某些概念，例如某種物體、某個地點甚至是某些相關的事物，進而快速了解這個世界的運作模式。這就引出了一個關於「先天與後天」的重要問題——人工智慧是否需要人和動物與生俱來的認知能力？

近日，在紐約大學舉辦的活動中，人工智慧及心理學領域的兩位頂尖研究學者 Yann LeCun 和 Gary Marcus 就這一話題展開了激烈的辯論。

「我們目前所掌握的人工智慧技術還不具備描述這個世界的能力，無論是通過網路結還是以學習的方式，都很難接近我們觀察到的人和動物所擁有的能力。」紐約大學計算機科學家、Facebook 人工智慧研究院院長 Yann LeCun 說道。

LeCun 是人工智慧領域深度學習技術的開拓者，這項技術幫助科技巨頭實現了許多大眾化智能服務，如 Facebook 的人臉識別功能以及 Google Translate 的中英互譯等。深度學習演算法使人工智慧技術可以在缺乏人和動物的先天認知能力的情況下執行這些任務。基於海量數據，深度學習演算法不斷學習識別這個世界的模式。在擁有 Facebook、Google 以及微軟等巨大計算資源的基礎上，深度學習演算法可以完成圖像識別等各種任務。

人們普遍認為，目前人工智慧技術的智能水平還不能與人和動物相媲美，即便是深度學習也是如此。不過，LeCun 認為，無監督學習可以讓人工智慧向這一目標邁進，能夠根據未被標記的訓練樣本解決模式識別中的各種問題。

LeCun 指出，現代人工智慧的成功在很大程度上並不依賴於對這個世界的運作原理建立假設和結構化概念。在這個意義上講，他傾向於最小化人工智慧演算法的結構以保留這種簡單性，而不必利用人類語言學家、心理學家或是認知科學家的知識。「我追求的是盡量減少先天機制的部分，利用我們可以獲得的數據去完成學習。」LeCun 說道。

「這不會那麼快實現。」紐約大學教授 Gary Marcus 說道。他成立的創業公司 Geometric Intelligence 被 Uber 收購，並被納入其人工智慧研發實驗室。他承認，無監督學習有成功的機會。不過他也表示，演算法只有具備了「更豐富的元素和表示方式，而不僅僅具有像素」，才能理解這個世界。

「我們希望所構建的這些表示方式和元素可以理解世界中實體以及物理現象，就像孩子們先天擁有的那種能力。」Marcus 說道。

Marcus 希望人工智慧領域的研究人員可以「借用認知科學領域的一些知識」，構建更加結構化的演算法來表示對象、集合、位置以及時空連續性等認知概念。他引用了自己以及哈佛大學認知心理學家 Elizabeth Spelke 的研究進展，表示兒童在早期就已具備感知人、物體、集合等概念的能力。他的建議是，為什麼不在人工智慧中使用類似的方法，把一些結構映射到類似的概念上？

Marcu 表示，LeCun 所開發的卷積神經網路能夠在物體識別任務中進行高效計算處理就是一個很好的例子，使用更加結構化的方法可以約束人工智慧用來理解世界所需的信息量。

「我們真正需要的是系統地思考和分析我們在機器學習中嵌入不同數量的先天機制會發生什麼。」Marcus 說道。

對此，LeCun 贊同人工智慧需要一定的結構來幫助系統理解世界，但是他想知道生物大腦中是否存在「單一的學習演算法、原理或是過程」，還是說否更像是一個無組織無原則無意義的「黑客」集合。在他看來，人工智慧受益於單一的學習原則或是這種原則的集合，不管是否內置了先天認知機制的結構，都會出現這種情況。

「現在缺少一個可以讓我們的機器通過觀察和互動來學習世界運作規律的原則。」LeCun 說道，「我們現在所缺少的是學習預測世界的模型，在我看來，這是人工智慧取得突破性進展的最大的阻礙。」

LeCun 表示，智能的本質是預測的能力，因為預測未來可以看成是一種特殊的「填空」場景——在世界狀態中填補缺失的空白。常識使人和動物能夠根據他們對世界運作原則的知識來填補缺失的信息。這就是為什麼人類司機不需要五萬次撞樹，就能意識到這麼做是錯誤的原因。因為在撞樹之前，人類就已經意識到車撞到樹後會發生什麼事情。

LeCun 希望無監督學習可以使人工智慧可以從物理的角度理解世界運作的原理，而不是基於某種粗略的常識。「如果在我職業生涯結束以前，人工智慧系統可以像一隻貓一樣聰明，我會非常開心。」LeCun 補充道，「一隻老鼠也行。」

關於人工智慧學習到底需要先天還是後天的這個爭論還沒有定論。但 LeCun 和 Marcus 都認為可以根據關鍵指標來看誰的想法更為合理。如果無監督學習演算法最終需要更多地結構來表達對象、集合、地點等認知概念，那麼 Marcus 就是這場辯論的勝者。如果無監督學習演算法不需要這樣的結構，那麼 LeCun 則是正確的。

「關於先天結構的研究，哪怕是前進一小步也可能有很長的路要走。」Marcus 說。

「即便是最小的進展，沒錯。」LeCun 補充。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！