人工智能能够像人类相同学习吗？

1956年的夏天，一场在美国达特茅斯(Dartmouth)大学举行的学术会议，“人工智能”(artificialintelligence)第一次被提出，多年今后该会议也被认定为全球人工智能研讨的起点。2016年的春天，一场AlphaGo与国际优异围棋高手李世石的人机世纪对战，人工智能新浪潮降临。

阅历了两次崎岖，人工智能开端了新一轮的迸发。现在，跟着企业将人工智能集成到自己的体系中，科技人员将目光投向了人工智能立异的新范畴。

即元学习范畴。简略来说，元学习便是学会学习。人类具有一种共同的才干，能够在任何状况下或环境中学习。人们习惯学习。人们会想方法学习。人工智能要想具有这种学习的灵活性，需求通用人工智能。

换句话说，人工智能需求一种有用且高效的方法来了解其学习进程。

人工智能的学习方法与人类截然不同

受限是人类与人工智能学习进程最主要的差异。

人类的才干受限。人类的脑力有限，时刻也有限，因而，人脑的习惯才干也是有限的。人脑充分运用接收到的每个信息，然后，开展了培育国际很多模型的才干。人类是通用学习者。假如人们的学习进程高效，那么就能够快速学习一切的学科。但并非一切人都学得很快。

比较之下，人工智能具有更多的资源，例如核算才干。可是，人工智能学习的数据比人类大脑运用的数据要多得多。处理这些海量数据需求巨大的核算才干。

一同，跟着人工智能使命变得越来越杂乱，核算才干也呈指数级增加。人工智能所做的每个揣度(跨过多个数据存储库)都依赖于算法在不同数据片段之间树立衔接。假如算法关于给定的数据集不行有用，那么核算才干将呈指数级增加。现在，不管核算才干多么烂大街，指数级增加都不是咱们想要的计划。

这便是为什么，现在人们将人工智能用作特定用处的学习者。经过从类似的相关数据中学习，人工智能能够高效地处理数据并从中进行揣度，而无需花费太多本钱。

人工智能学会学习的重要性

技能人员企图处理核算才干的指数级增加时，呈现了“学习型”问题，因为人工智能开端从越来越杂乱的数据中做出揣度。

为了避免核算才干呈指数级增加，人工智能有必要找出最有用的学习途径，并记住该途径。一旦算法能够为不同类型的问题确认学习途径，那么人工智能就能够经过挑选学习途径，遵从学习途径，依据改变调整学习途径，然后进行自我调节，并动态地引导自己找到处理计划。

这引出了人工智能的下一个问题：“多使命”。

跟着技能人员开端给人工智能供给相关但无序的使命，“多使命”应运而生。假如独立使命能够一同履行怎么办?假如在人工智能履行某些使命时，常识和数据能够协助其履行其他使命呢?

“多使命”问题将“学会学习”的问题提高到了一个新高度。

为了能够“多使命”运转，人工智能需求能够并行评价独立的数据集，还需求相关数据片段并揣度该数据上的衔接。当人工智能履行一项使命的过程时，需求不断更新常识，以便能够在其他状况下运用和运用这些常识。因为使命是彼此相关的，因而对使命的评价将需求由整个网络来完结。

谷歌的 MultiModel 便是一个人工智能体系的示例，该体系学会了一同履行八项不同的使命。该体系仿照大脑感知信息的方法，能够检测图画中的物体、供给字幕、辨认语音，在四对言语之间进行翻译并履行语法选区剖析。该体系在多使命联合练习时体现优异。神经网络也从不同范畴的数据中学习。

为了使其习惯性更强，人工智能将需求学习多使命处理。人工智能作为自习惯学习者的一种运用，是在机器人范畴，即机器人替代人类在风险状况下学习履行使命。例如，当监督或捕获状况发生改变时，机械军犬将能够习惯各种状况，而无需遵从人类的特定指令。

人工智能能够学会怎样成为通用学习者吗?

正如咱们从谷歌的 MultiModel 中看到的那样，人工智能当然能够经过学习，成为人类这样的通用学习者。可是，完成依然需求一段时刻。这包含两个部分：元推理和元学习。元推理着重于认知资源的有用运用。元学习侧重于人类有用运用有限的认知资源和有限的数据进行学习的共同才干。

在元推理中，其间一个要害要素是战略思维。假如人工智能能够从不同类型的数据中得出推论，那么它是否也能在不同状况下选用高效的认知战略呢?

当时人们正在进行研讨，以找出人类认知才干与人工智能学习方法之间的距离，例如对内部状况的认知、回忆的精确度或自信心。可是，归根到底，元推理依赖于掌握大局和战略决议计划。战略决议计划包含两个部分：从现有的可用战略中进行挑选，依据状况发现不同战略。这些都是元推理的研讨范畴。

在元学习中，其间一个要害部分是弥合运用很多数据练习模型和有限数据练习模型之间的距离。模型有必要具有习惯性，才干根据跨多个使命的少数信息来精确做出决议计划。

对此，有不同的处理方法。有些模型是经过学习人类学习者的参数以找到一组能够在不同使命中正常作业的参数来完成。有些模型界说适宜的学习空间，例如衡量空间，在该空间中学习或许最行之有用。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法，经过仿照最少的数据量来进行学习。这些都是元学习的研讨范畴。

元推理和元学习仅仅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同，能够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求对人类的学习方法以及人工智能怎么仿照人类的学习方法进行广泛研讨。

要习惯新状况，例如具有“多使命”才干以及运用有限的资源做出“战略决议计划”的才干，这是人工智能研讨人员在研讨进程中需求跨过的几个妨碍。

在人类的尽力下，人工智能的学习才干正在不断开展，尽管与人类比较仍有较大距离，但信任这种距离会跟着人类技能的不断进步而逐步缩小，终究到达一个令人震惊的高度，让咱们一同拭目而待~