因果邏輯關(guān)系是機器“吃透”人類語言的關(guān)鍵

研究發(fā)現(xiàn)很多實驗室數(shù)據(jù)其實是無效的，一旦環(huán)境改變了，人工智能就會“一臉懵圈”，背后的原因是關(guān)系紐帶的不對，比如圖像識別，實驗者認為引發(fā)人工智能做出判斷的因素是圖片的紋理和顏色，而實際上人類在識別圖像時還會考慮因果關(guān)系，這就是差別。

為了攻克這方面的缺陷，科學家們提出了深度生成模型，它的優(yōu)勢在于通過激勵人工智能在訓練中預(yù)測未來，從而通過培養(yǎng)模型的因果邏輯性提升輸出的準確性，以及深層對抗模型可以不斷提升輸出的準確性，更重要的是人工智能通過訓練最終具備預(yù)測未來以及制定計劃的能力。

在機器學習的訓練中，不僅需要注意因果邏輯，還需要注意用于訓練的樣本數(shù)據(jù)需要遵循獨立同分布原則（Independent and identically distributed）：關(guān)注用于訓練的數(shù)據(jù)集的代表性和遷移性，樣本數(shù)據(jù)的分布特征必須和測試用數(shù)據(jù)集、母體數(shù)據(jù)保持一致，研究發(fā)現(xiàn)確保數(shù)據(jù)分布一致性可強化訓練模型的因果邏輯推理能力。

人工智能娃娃游戲平臺（BabyAIgame）

人工智能娃娃游戲平臺模仿嬰兒的成長過程，設(shè)置了‘學習者’和‘人類’的游戲或場景。學習者就是‘babyAI’，我們?yōu)閷W習者設(shè)計任務(wù)，任務(wù)以自然語言的形式出現(xiàn)，比如去某個地方、打開、撿、放等，通過與人類用自然語言互動幫助學習者理解周圍的環(huán)境。

從科學實驗的角度出發(fā)，項目的實施過程將會是趣味性十足的！

首先，大量的人機交互數(shù)據(jù)（尤其是語言）將會被收集，隨著玩家（人類）越來越多，數(shù)據(jù)庫也會越來越大。

另外，游戲甚至允許人類玩家在游戲中自行設(shè)計任務(wù)，任務(wù)難度逐漸提升。

該項目最大的挑戰(zhàn)來自于樣本數(shù)據(jù)的復(fù)雜性，哪怕只是非常簡單的任務(wù)，比如讓計算機挪動小件物體，對于訓練用的數(shù)據(jù)量要求也是非常巨大的，因此我們首先需要海量的數(shù)據(jù)服務(wù)于這個雄心勃勃的計劃：記錄真實世界中成年人與嬰兒之間互動的數(shù)據(jù)。

“意識先驗”理論：過濾冗余數(shù)據(jù)，降低算力消耗

圖片來源： Bengio的演講 Challenges for Deep Learning towards Human－Level AI

傳統(tǒng)的深度學習理論需要大量的數(shù)據(jù)，注意力機制的出現(xiàn)為解決訓練數(shù)據(jù)容量的難題帶來了解決思路，但僅僅具備無意識的認知能力（第一類認知系統(tǒng)）還遠遠不夠。

為了將機器的推理能力提升到人類水平，我們在現(xiàn)有模型的基礎(chǔ)上，增加預(yù)測未來的能力，即意識先驗（The Consciousness Prior），直觀的說就是人工智能看到“下雨”，聯(lián)想到“人們會打傘”。

意識先驗借用了注意力機制的部分原理篩選出少量、“高緯”的數(shù)據(jù)，用作大量的預(yù)測訓練，將無意識層次的數(shù)據(jù)歸類為“低緯數(shù)據(jù)”，使用少量的、更直接的高層次數(shù)據(jù)提升了模型預(yù)測和推理能力，也減少了訓練用時，最終成為有“意識”的類人腦。