一輛由先進的人工智能技術(shù)驅(qū)動的自動駕駛汽車可能需要在虛擬模擬中50000次撞到樹上，才能知道這是個壞主意。但是野山羊羊羔在陡峭的山坡上攀爬時，在學(xué)習(xí)到如何找到穩(wěn)定的立腳點使自己不會掉下去之前，無從奢求從幾百次致命的試驗中復(fù)活。一個心理學(xué)家3歲的女兒也不需要無數(shù)次的練習(xí)，才能突然想到如何從椅子后面的一個開口爬上去。

今天最強大的人工智能技術(shù)借助豐富的計算資源，從零開始學(xué)習(xí)世界上的一切內(nèi)容。相比之下，人類和動物似乎能從直覺上理解某些概念，例如物體、地點以及一系列相關(guān)的事物，使他們能夠快速了解世界是如何運作的。這就引出了一個重要的“天性與教養(yǎng)”的問題：人工智能的學(xué)習(xí)是不是需要內(nèi)置人類和動物所擁有的這種先天認知機制，才能達到類似的一般智力水平？

兩位AI和心理學(xué)的頂尖研究人員在昨晚紐約大學(xué)思想、大腦和意識中心主辦的活動中對該話題進行了針鋒相對的爭論。

“無論是通過結(jié)構(gòu)或通過學(xué)習(xí)，我們所擁有的AI技術(shù)中沒有一種可以構(gòu)造出類似動物和人類所構(gòu)造的對這個世界的表述，”YannLeCun說。他是紐約大學(xué)的計算機科學(xué)家，以及Facebook的人工智能研究所主任。

LeCun是人工智能領(lǐng)域深度學(xué)習(xí)的開辟者，幫助科技巨頭打造流行的自動化服務(wù)。例如在Facebook上過濾朋友的面孔，或者通過Google翻譯進行英語和漢語之間的翻譯。深度學(xué)習(xí)算法使人工智能在沒有人類和動物的認知機制的情況下，能夠執(zhí)行所有這些任務(wù)。并且，當(dāng)擁有Facebook，Google或微軟等公司的巨大的計算資源時，深度學(xué)習(xí)算法在過濾大量數(shù)據(jù)的過程中逐漸學(xué)會了識別世界的某些模式，這也是某些特定感知類型的任務(wù)所需的步驟，例如圖像識別。

每個人都認同，目前的人工智能技術(shù)，如深度學(xué)習(xí)，依然無法使通用人工智能擁有與動物或人相媲美的智力。不過，LeCun認為，基于無監(jiān)督的深度學(xué)習(xí)，AI可以在開發(fā)一般智力的道路上取得進步，無監(jiān)督學(xué)習(xí)是一項最近發(fā)展的技術(shù)，消除了機器對人類提供手動標(biāo)注數(shù)據(jù)的依賴。

LeCun指出，現(xiàn)代人工智能的成功在很大程度上并不是依賴于內(nèi)置假設(shè)，或結(jié)構(gòu)化的關(guān)于世界是如何運行的概念。從這個意義來說，他傾向于用極簡的AI算法結(jié)構(gòu)來維持這種簡單性。并且他認為這樣做時可以不用考慮人類語言學(xué)家、心理學(xué)家或認知科學(xué)家的真知灼見?！拔业娜蝿?wù)是在我們所擁有的數(shù)據(jù)量的前提下，盡量減少學(xué)習(xí)過程所需的固有認知機制，”LeCun說。

GaryMarcus卻認為沒有這么快。Marcus是初創(chuàng)公司“幾何智能”（GeometricIntelligence，已被Uber的AI團隊收購）的一名心理學(xué)研究員。他承認無監(jiān)督深度學(xué)習(xí)有成功的機會。但他認為，只有這些算法用“更豐富的原語和表示形式，而不僅僅是像素”來理解世界時，才能成功。

Marcus說：“我們想要的是孩子們也擁有的那種東西，那種用來理解物體的行為，以及世界的實體和物理學(xué)原理的表示和原語?！薄?/p>

Marcus希望看到AI研究者“從認知科學(xué)中大方采納經(jīng)驗”，通過構(gòu)建更多的可以代表認知概念的結(jié)構(gòu)化算法，例如目標(biāo)、集、位置，和時空連續(xù)性。他引用了他自己的工作，以及同事ElizabethSpelke——哈佛大學(xué)的認知心理學(xué)家的工作，來展示人類的孩子很早就具有能察覺到某些概念的能力，例如人、物體、集和位置。他建議：為什么不在AI中采用類似的方法，使用一些能映射到相似的概念的結(jié)構(gòu)？

即使LeCun自己的開創(chuàng)性工作——卷積神經(jīng)網(wǎng)絡(luò)，它可以在物體識別任務(wù)中進行更有效的計算和處理，也是證明使用更具結(jié)構(gòu)化的方法來約束AI必須過濾的信息量，可以幫助AI更好的理解世界的一個很好的例子，Marcus說。

Marcus說：“我認為，我們真正需要的是系統(tǒng)地思考和分析當(dāng)我們在機器學(xué)習(xí)中嵌入不同數(shù)量的固有機制時會發(fā)生什么?！?/p>

LeCun認為，AI需要一定的結(jié)構(gòu)來幫助它理解世界。但他想知道生物大腦中是否有“單一的學(xué)習(xí)算法、原理或程序”，或者是否更像是一個無組織原則的無意義的“黑客”集合。在他看來，人工智能可以大大受益于單一的學(xué)習(xí)原則，或這類的原則的集合，不管有沒有內(nèi)置的先天認知機制的結(jié)構(gòu)模型。

“現(xiàn)在缺少的是一個可以讓我們的機器通過觀察，以及與世界互動，來學(xué)習(xí)世界是如何運作的原則，”LeCun說?！拔覀兡壳叭鄙俚?，是一個學(xué)習(xí)預(yù)測世界的模型，在我看來，這是人工智能取得重大進展的道路上的最大障礙。”

LeCun認為，智能的本質(zhì)是預(yù)測的能力，因為預(yù)測未來是對世界的狀態(tài)進行“填空”的一種非常特殊的情況。常識使得人類和動物能夠根據(jù)他們所具有的世界如何運作的知識，來填補丟失的信息。這就是為什么人類司機不需要在50000次撞到樹之后才能意識到這是一個壞主意，人類可以直接意識到如果他們把車撞到樹上會發(fā)生什么。

LeCun希望無監(jiān)督學(xué)習(xí)可以使AI最終從物理角度對世界是如何運作的形成一種意識，而不是一些低級的常識?！叭绻谖业穆殬I(yè)生涯結(jié)束時候我們有一個像貓，或者老鼠一樣聰明的機器，我就很滿意了，”LeCun說。

關(guān)于AI學(xué)習(xí)最終將更多地證明“先天機制”還是“后天學(xué)習(xí)”的爭論還遠未解決。但LeCun和Marcus對于判斷哪一個是正確的關(guān)鍵表現(xiàn)指標(biāo)達成了一致。如果無監(jiān)督學(xué)習(xí)算法最終需要更多的類似于對象、集合、位置等的認知表示的結(jié)構(gòu)，Marcus便可以宣稱獲勝。如果無監(jiān)督學(xué)習(xí)不需要這樣的結(jié)構(gòu)就能成功，那么LeCun的理論將被證明是正確的。

Marcus說：“一點點固有認知結(jié)構(gòu)可能會幫助你朝著這個目標(biāo)前進一大步?！?/p>

LeCun澄清：“一點點，沒錯。”