人工智能真的可以和人类一样学习吗

1956年的夏天，一场在美国达特茅斯（Dartmouth）大学召开的学术会议，“人工智能”（artificialintelligence）第一次被提出，多年以后该会议也被认定为全球人工智能研究的起点。2016年的春天，一场AlphaGo与世界优秀围棋高手李世石的人机世纪对战，人工智能新浪潮来临。

经历了两次起伏，人工智能开始了新一轮的爆发。如今，随着企业将人工智能集成到自己的系统中，科技人员将目光投向了人工智能创新的新领域。

即元学习领域。简单来说，元学习就是学会学习。人类具有一种独特的能力，可以在任何情况下或环境中学习。人们适应学习。人们会想办法学习。人工智能要想拥有这种学习的灵活性，需要通用人工智能。

换句话说，人工智能需要一种有效且高效的方式来了解其学习过程。

人工智能的学习方式与人类大相径庭

受限是人类与人工智能学习过程最主要的差异。

人类的能力受限。人类的脑力有限，时间也有限，因此，人脑的适应能力也是有限的。人脑充分利用接收到的每个信息，然后，发展了培养世界大量模型的能力。人类是通用学习者。如果人们的学习过程高效，那么就可以快速学习所有的学科。但并非所有人都学得很快。

相比之下，人工智能拥有更多的资源，例如计算能力。然而，人工智能学习的数据比人类大脑使用的数据要多得多。处理这些海量数据需要巨大的计算能力。

同时，随着人工智能任务变得越来越复杂，计算能力也呈指数级增长。人工智能所做的每个推断（跨越多个数据存储库）都依赖于算法在不同数据片段之间建立连接。如果算法对于给定的数据集不够有效，那么计算能力将呈指数级增长。如今，无论计算能力多么烂大街，指数级增长都不是我们想要的方案。

这就是为什么，目前人们将人工智能用作特定用途的学习者。通过从相似的相关数据中学习，人工智能可以高效地处理数据并从中进行推断，而无需花费太多成本。

人工智能学会学习的重要性

技术人员试图解决计算能力的指数级增长时，出现了“学习型”问题，因为人工智能开始从越来越复杂的数据中做出推断。

为了防止计算能力呈指数级增长，人工智能必须找出最有效的学习路径，并记住该路径。一旦算法能够为不同类型的问题确定学习路径，那么人工智能就可以通过选择学习路径，遵循学习路径，根据变化调整学习路径，从而进行自我调节，并动态地引导自己找到解决方案。

这引出了人工智能的下一个问题：“多任务”。

随着技术人员开始给人工智能提供相关但无序的任务，“多任务”应运而生。如果独立任务可以同时执行怎么办？如果在人工智能执行某些任务时，知识和数据可以帮助其执行其他任务呢？

“多任务”问题将“学会学习”的问题提升到了一个新高度。

为了可以“多任务”运行，人工智能需要能够并行评估独立的数据集，还需要关联数据片段并推断该数据上的连接。当人工智能执行一项任务的步骤时，需要不断更新知识，以便可以在其他情况下应用和使用这些知识。由于任务是相互关联的，因此对任务的评估将需要由整个网络来完成。

谷歌的 MultiModel 就是一个人工智能系统的示例，该系统学会了同时执行八项不同的任务。该系统模拟大脑感知信息的方式，可以检测图像中的物体、提供字幕、识别语音，在四对语言之间进行翻译并执行语法选区分析。该系统在多任务联合训练时表现优异。神经网络也从不同领域的数据中学习。

为了使其适应性更强，人工智能将需要学习多任务处理。人工智能作为自适应学习者的一种应用，是在机器人领域，即机器人代替人类在危险情况下学习执行任务。例如，当监视或捕获情况发生变化时，机械军犬将能够适应各种情况，而无需遵循人类的特定命令。

人工智能可以学会怎样成为通用学习者吗？

正如我们从谷歌的 MulTIModel 中看到的那样，人工智能当然可以通过学习，成为人类这样的通用学习者。但是，实现仍然需要一段时间。这包括两个部分：元推理和元学习。元推理着重于认知资源的有效利用。元学习侧重于人类有效利用有限的认知资源和有限的数据进行学习的独特能力。

在元推理中，其中一个关键要素是战略思维。如果人工智能可以从不同类型的数据中得出推论，那么它是否也能在不同情况下采用高效的认知策略呢？

当前人们正在进行研究，以找出人类认知能力与人工智能学习方式之间的差距，例如对内部状态的认知、记忆的准确度或自信心。但是，归根结底，元推理依赖于把握全局和战略决策。战略决策包括两个部分：从现有的可用战略中进行选择，根据情况发现不同战略。这些都是元推理的研究领域。

在元学习中，其中一个关键部分是弥合使用大量数据训练模型和有限数据训练模型之间的鸿沟。模型必须具有适应性，才能基于跨多个任务的少量信息来准确做出决策。

对此，有不同的解决办法。有些模型是通过学习人类学习者的参数以找到一组可以在不同任务中正常工作的参数来实现。有些模型定义合适的学习空间，例如度量空间，在该空间中学习可能最行之有效。还有一些模型，例如少样本元学习，其算法学习婴儿的学习方式，通过模仿最少的数据量来进行学习。这些都是元学习的研究领域。

元推理和元学习只是人工智能成为通用学习者的一部分。将它们与来自运动和感觉处理的信息放在一起，可以使人工智能学习者更像人类。

人工智能仍在学习变得更像人类

成为像人类的广泛学习者需要对人类的学习方式以及人工智能如何模仿人类的学习方式进行广泛研究。

要适应新情况，例如具有“多任务”能力以及使用有限的资源做出“战略决策”的能力，这是人工智能研究人员在研究过程中需要跨越的几个障碍。

在人类的努力下，人工智能的学习能力正在不断发展，虽然与人类相比仍有较大差距，但相信这种差距会随着人类技术的不断进步而逐渐缩小，最终达到一个令人震惊的高度，让我们一起拭目以待~