走進(jìn)AI科學(xué)之美

人工智能和機(jī)器學(xué)習(xí)的未來研究方向是什么，人們?nèi)绾问褂眠@項(xiàng)技術(shù)去解決諸多科學(xué)領(lǐng)域的問題？去年，麻省理工學(xué)院與商湯科技共同成立了MIT-商湯科技人工智能聯(lián)盟，致力于全方位人工智能原創(chuàng)技術(shù)的研發(fā)，推動(dòng)人工智能技術(shù)突破，并支持MIT在人工智能領(lǐng)域進(jìn)行最前沿跨學(xué)科探索研究。

而在不久前結(jié)束的2019世界人工智能大會(huì)（WAIC 2019）上，麻省理工學(xué)院名譽(yù)校長Eric Grimson在商湯科技“智煥新動(dòng)能”人工智能主題論壇中，帶來了一堂《走進(jìn)AI科學(xué)之美》的主題演講，分享了麻省理工學(xué)院的最新研究和觀點(diǎn)，如下是一些精彩摘錄，分享給大家。

現(xiàn)代認(rèn)知科學(xué)能為AI發(fā)展提供哪些建議？

首先，觀察人工智能過去60年的演進(jìn)。在1956年，人工智能這個(gè)詞被首次提出以來，AI就不僅僅是一個(gè)能夠執(zhí)行智能任務(wù)的計(jì)算系統(tǒng)，而是將人類對人類智慧的理解作為其發(fā)展指南，這在當(dāng)時(shí)是一個(gè)巨大的創(chuàng)新。我們從過去60年的人工智能研究中看到了很多趨勢，目前一些趨勢是將現(xiàn)代神經(jīng)科學(xué)和認(rèn)知科學(xué)的研究與人工智能研究相結(jié)合。

由此，我們不禁要問，現(xiàn)代神經(jīng)科學(xué)和認(rèn)知科學(xué)對未來的AI算法提出了什么建議？

當(dāng)前的深度學(xué)習(xí)成果令人嘆為觀止，例如AlphaGo擊敗人類職業(yè)圍棋選手或計(jì)算機(jī)已能夠比人們更好地識別面部特征，但是這些系統(tǒng)往往需要數(shù)以億計(jì)的訓(xùn)練樣本和大量的計(jì)算能力。然而，對比一下，一個(gè)年幼的孩子可以通過極少的例子就能進(jìn)行學(xué)習(xí)或推理。

現(xiàn)代認(rèn)知發(fā)展的研究表明，人類幼兒在學(xué)習(xí)方式上比以前認(rèn)為的要復(fù)雜得多，幼兒不只是進(jìn)行模式匹配，而是探索并形成認(rèn)知結(jié)構(gòu)。例如，麻省理工學(xué)院腦與認(rèn)知科學(xué)系教授Laura Schulz已經(jīng)證明，兒童經(jīng)常創(chuàng)造與物體或情境相關(guān)的假設(shè)，然后通過觀察或?qū)嶒?yàn)對其進(jìn)行測試。她的研究表明，兒童可以通過實(shí)驗(yàn)形成并檢驗(yàn)假設(shè)，并可以通過最終結(jié)果和因果關(guān)系來進(jìn)行歸納和概括。這種學(xué)習(xí)理論，尤其是從少數(shù)例子中學(xué)習(xí)的能力，為我們提出不同的人工智能演進(jìn)算法的方法。

基于這個(gè)想法，讓我們從麻省理工學(xué)院腦與認(rèn)知科學(xué)系教授Josh Tenenbaum的一個(gè)不尋常的例子開始。假設(shè)有50個(gè)不同的字符，包含1600個(gè)簡單的視覺概念，但是每個(gè)概念只提供了20個(gè)示例，因此這個(gè)訓(xùn)練數(shù)據(jù)非常有限。實(shí)驗(yàn)結(jié)果表明，人們非常擅長識別字符并進(jìn)行配對，機(jī)器可以與人類一樣或者超越人類。以單個(gè)手繪字符為例，計(jì)算機(jī)已可以正確找到匹配的字符。

Josh Tenenbaum教授利用了字符生成的邏輯并將其擴(kuò)大。假設(shè)用戶構(gòu)建了一個(gè)物理模擬引擎，可以生成任何操作的圖像序列，而不僅僅是對字符的筆畫生成進(jìn)行建模，包括允許可以創(chuàng)建隨機(jī)變量。然后，用戶可以像孩子搭積木一樣預(yù)測操作的結(jié)果。在此邏輯下，他通過一系列引擎和概率程序創(chuàng)建了模擬幼兒行為的人類智能模型。通過使用感知觀察結(jié)果并不斷改進(jìn)對于系統(tǒng)的理解，整個(gè)系統(tǒng)可以隨著時(shí)間的推移學(xué)習(xí)，就像新生兒一樣開始學(xué)習(xí)，逐漸成長為一個(gè)兩三歲的孩子。這種方法可能引入一種非常不同的學(xué)習(xí)方式——一種需要很少的例子，但通過模擬訓(xùn)練達(dá)到目的的方式。

數(shù)學(xué)可以改進(jìn)當(dāng)前的機(jī)器學(xué)習(xí)方法嗎？

除了使用神經(jīng)科學(xué)和認(rèn)知科學(xué)來更好地理解人工智能和機(jī)器學(xué)習(xí)系統(tǒng)以及構(gòu)建新方法之外，機(jī)器學(xué)習(xí)背后的數(shù)學(xué)基礎(chǔ)也很重要，如何知道是否信任人工智能系統(tǒng)提供的答案？系統(tǒng)有多強(qiáng)大？系統(tǒng)中存在隱性偏見嗎？這里向大家展示麻省理工學(xué)院當(dāng)前研究項(xiàng)目的例子，其中包括這些問題。

如果訓(xùn)練數(shù)據(jù)能夠很好地代表測試數(shù)據(jù)，那么深度學(xué)習(xí)系統(tǒng)會(huì)很可靠。但是，如果用選定的干擾程序攻擊系統(tǒng)，AI可能會(huì)被愚弄。是否有一種數(shù)學(xué)上合理的方法來創(chuàng)建更強(qiáng)大的系統(tǒng)？

最近，許多研究結(jié)果表明深度神經(jīng)網(wǎng)絡(luò)可能非常脆弱，對一個(gè)樣本加入微小的干擾就可能導(dǎo)致明顯的分類錯(cuò)誤。麻省理工學(xué)院電子工程和計(jì)算機(jī)科學(xué)系副教授Aleksander Madry為了解決這個(gè)問題，創(chuàng)建更魯棒的分類器，他提出把這個(gè)問題當(dāng)作一個(gè)博弈論問題來處理。

這種方法的關(guān)鍵在于不僅僅在真實(shí)數(shù)據(jù)，而且要在受擾動(dòng)的樣本上訓(xùn)練模型。理想的情況下，我們要針對所有可能的擾動(dòng)進(jìn)行訓(xùn)練，但是這是不可能的，因?yàn)閿?shù)量太多了。通過實(shí)驗(yàn)，Madry觀察到，只要在特征空間中選擇有限數(shù)量的鄰近點(diǎn)就足夠了，因?yàn)閾p失函數(shù)的值在一個(gè)小區(qū)域內(nèi)不會(huì)有很大的變動(dòng)。通過有選擇地針對擾動(dòng)進(jìn)行訓(xùn)練，可以構(gòu)建出更魯棒的神經(jīng)網(wǎng)絡(luò)。在標(biāo)準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)顯示，他的方法確實(shí)顯著改善了分類系統(tǒng)的魯棒性。

人工智能系統(tǒng)如何幫助傳統(tǒng)科學(xué)領(lǐng)域？

除了考慮機(jī)器學(xué)習(xí)背后的科學(xué)，我們也要思考人工智能系統(tǒng)如何幫助到傳統(tǒng)科學(xué)領(lǐng)域去解決一些問題。

材料科學(xué)家和計(jì)算機(jī)科學(xué)家共同創(chuàng)建了一個(gè)人工智能系統(tǒng)，可以閱讀科學(xué)論文并提取“配 方”以生產(chǎn)特定類型的材料。他們的系統(tǒng)從理論上為創(chuàng)建材料提供配 方，例如提供材料的物理特性以及設(shè)計(jì)制造這種材料的方法，同時(shí)，該系統(tǒng)可以識別更高級別的模式，例如，能夠識別材料配 方中使用的前體化學(xué)品與所得產(chǎn)品的晶體結(jié)構(gòu)之間的相關(guān)性。此外，該系統(tǒng)還提供了生成原始配 方的自然機(jī)制，研究人員可通過這種機(jī)制為已知材料建議替代配 方。這項(xiàng)研究工作的應(yīng)用在可再生能源中尤為重要。

第二個(gè)例子是將一組反應(yīng)物轉(zhuǎn)化為目標(biāo)化合物的研究。合成化學(xué)是一門藝術(shù)，通常由經(jīng)驗(yàn)豐富的化學(xué)家執(zhí)行。麻省理工學(xué)院材料科學(xué)與工程系教授Klavs Jensen及其同事正在創(chuàng)建一個(gè)預(yù)測結(jié)果的框架，該結(jié)果將傳統(tǒng)使用的反應(yīng)模板與神經(jīng)網(wǎng)絡(luò)模式識別的靈活性相結(jié)合，可應(yīng)用于包括藥物設(shè)計(jì)等領(lǐng)域。

麻省理工學(xué)院研究科學(xué)家Caleb Harper及其同事將環(huán)境與氣候控制、代謝表型測量和機(jī)器學(xué)習(xí)相結(jié)合，以更好地了解食物生長的生物學(xué)過程。利用機(jī)器學(xué)習(xí)研究光照條件與揮發(fā)性風(fēng)味物質(zhì)的分子濃度之間的相關(guān)性，可以更深入地了解食品生產(chǎn)的化學(xué)過程。這項(xiàng)工作旨在開發(fā)含有更高水平化合物的植物，可以用于幫助對抗糖尿病等疾病。

以上的一系列示例展示了麻省理工學(xué)院的研究人員如何研究構(gòu)成當(dāng)前和未來人工智能系統(tǒng)基礎(chǔ)的科學(xué)，以及這些系統(tǒng)如何幫助科學(xué)家回答有關(guān)物理世界的基本問題。

AI，正在展現(xiàn)出越來越多的魅力！

https://www.toutiao.com/a6737136664151327243/