本文共 1306 字，大约阅读时间需要 4 分钟。
AI领域正在经历一场深刻的变革，各大专家齐聚一堂，围绕人工智能的未来发展展开激烈讨论。2010年代深度学习的迅猛崛起为AI带来了前所未有的发展机遇，但也暴露出诸多亟待解决的挑战。大家纷纷探讨，究竟是需要更多数据、更强大的模型，还是要突破深度学习的局限，寻求全新的AI解决方案。
认知科学家Gary Marcus在这场辩论中发挥了重要作用。他强调了深度学习在以下几个方面的不足：数据需求过高、知识迁移能力较弱、系统缺乏透明性，以及在推理和知识表征方面存在明显短板。Marcus长期以来一直对纯深度学习持批评态度，他在2020年初发表的一篇论文中提出，将学习算法与基于规则的软件相结合的混合方法，作为解决这些问题的潜在方案。
其他与会专家也对混合AI的潜力给予了高度评价。计算机科学家Luis Lamb提出了一种结合逻辑形式化和机器学习的神经符号AI基础方法。他指出，这种方法能够同时利用逻辑和知识表征，将推理过程与深度学习系统有效整合，从而提高AI的可信赖性和可解释性。
斯坦福大学计算机科学教授李飞飞的发言引发了广泛关注。她从生物进化的角度出发，指出人类和动物的智能源于对现实世界的主动感知和互动，而目前的AI系统严重缺乏这项特性。李飞飞强调，AI代理需要具备多模态、多任务、可泛化和社交化的能力，从而能够在感知和驱动之间建立有效的环路。
OpenAI研究员Ken Stanley也从进化的视角探讨了AI发展的启示。他指出，自然界的进化具有许多强大的特性，这些特性往往难以通过现有的算法来解释。Stanley认为，我们需要深入研究这些特性，并尝试将其应用到AI系统的设计中。
强化学习作为一种计算理论，近年来在AI领域取得了显著进展。计算机科学家Richard Sutton认为，强化学习明确了目标，并为代理提供了实现奖励最大化的方法。他指出，强化学习与人类和动物大脑中的学习机制有着惊人的相似之处，但也面临着数据需求和计算资源过于庞大的挑战。
DeepMind在围棋、国际象棋和《星际争霸2》等游戏中取得的成功，证明了强化学习的强大潜力。但与此同时，强化学习模型需要大量的训练数据，且发展成本极高，这使得这一技术难以在更广泛的领域中应用。
知识工程专家Judea Pearl认为，AI系统需要实际知识和常识才能最大限度地利用输入数据。他强调，知识并非来源于数据，而是通过与外界世界的互动逐步积累的。 Pearl建议我们构建一种将实际知识与数据结合的系统，这种系统能够像人类一样，在没有明确指示的情况下从数据中学习。
华盛顿大学的Yejin Choi教授也在研究如何将常识整合到AI系统中。她指出，推理是一个无限的领域，而现有的深度学习算法和评估基准测试主要适用于分类任务，难以应对推理的复杂性。她提出了一系列研究方向，包括结合符号和神经表示、将知识整合到推理中以及设计多样化的评估基准。
尽管各位专家提出了诸多可行的思路，但如何真正将这些创新应用到现实中的AI系统中，仍然是一个巨大的挑战。我们需要更多的跨学科合作，共同探索人工智能未来的发展方向。
转载地址：http://vvgfk.baihongyu.com/