点击上方“图灵人工智能”，选择“星标”公众号
您想知道的人工智能干货，第一时间送达
使得我们现在终于认清原来人工智能从20世纪60年代到2000年的物理符号的假设，也就是说以搜索为中心，以逻辑为中心的这种努力并没有白费，这种努力也是需要的。另外学习也是必不可少的，像我们熟知的深度学习。所以AlphaGo对我们的启示，就是我们把搜索和学习两者结合起来，才是一个完整的智能机器。这个我们可以叫做人工智能的通用性，也就是说我们对于这两个技术的某种结合，比方说多一点搜索，少一点机器学习，或者反之我们就可以得到用来解释不同的人类的智能行为。但是，我们从不同的人工智能、机器学习、强化学习等等之类的实验当中我们发现一个特点，就是我们不能完全依靠机器去全部自动化自我学习，至少到现在我们还没有摸索出这样一个路径。在机器学习领域的一个基本的定理是“没有免费的午餐”，也就是所没有算法能适用于所有的问题。算法的选择必须要根据实际的场景与面对的问题来抉择。
不难发现，机器学习与符号主义一样，面临着缺乏泛化能力的瓶颈。与符号主义又不同的，符号主义所缺乏的是跨类别的泛化能力，而对于机器学习而言，缺乏泛化能力这个问题是致命性的。目前几乎所有的机器学习系统都是被训练于执行单一任务，而如果要实现通用智能（AGI），那么机器学习系统必须能够被用于执行多种不同的任务。虽然借助于表示学习（representation learning）和迁移学习(transfer learning)，现在可以将模型的一部分应用于新的任务，但是针对新的任务进行重新训练（fine-tune）的模型在旧的任务上还是会有显著的性能下降——这意味着单一模型是不能够在完成当前训练任务的同时，仍然完好地保留对上一个任务的记忆的。是因为机器学习有一个很严重的现象，就是自我偏差，这种偏差可以体现在统计学的一个重要概念中，就是我们获得的数据也许是一个有偏数据，我们可能建了一个模型，对大部分的数据都有用，但其中有一些特例。面对这些特例，机器学习的处理方式往往是带有“自我欺骗”性质的，只会得到一种模糊的结果。例如分类模型，在遇到特例的时候，就会将其归类为决策面上的样本。尽管现存的各种机器学习的模型的优化已经完成得尽善尽美，但是涉及到场景迁移的内容，机器学习往往表现得力不从心。
另一个不得不提的瓶颈就是机器学习等算法模型缺乏“自主性学习”。我们知道，符号主义的人工智能虽然缺乏一定程度的泛化能力，但具有“自主性学习”的知识迁移能力。尽管迁移学习给机器学习、强化学习带来了将模型应用到大量数据的能力，但依然缺乏自主认知的能力。换个说法，也就是符号主义拥有主动认知的能力，而机器学习等算法模型只能被动地产生非真正意义上的“认识”。机器学习、强化学习所能做的，只是利用高质量的大数据实现某些特定的场景下的功能罢了。我们所处的世界中，机器学习的应用有上千种。机器学习正变得无处不在，这意味着，尽管我们仍持续强烈关注机器学习在准确性方面的表现，但我们的意图在于使得它们的准确率进一步提高。因为当我们在现实世界中使用机器学习时，它带来了一系列的新挑战。我把这看作是围绕着机器学习工作核心问题的隐蔽性问题。由于数据集的偏见，预测结果中就会有隐藏的偏见，比如公平问题，可解释性问题，因果关系的问题，如果我们真的想对结果的偏见进行干预的话，就必须采取更多的措施。如今机器学习成功的很重要的一个因素在于对数据集进行了适量的缩放，缩放数据集的大小，缩放学习算法的大小，缩放参数数量方面的模型，但在大规模的数据集上仍旧不存在突破，这也是它的主要弊端之一。
还有一点便是机器学习对数据的依赖性太强。我们知道，数据是机器学习的核心。当我们试图让机器学习扩展到越来越多的领域，收集数据、收集可用的数据，然后利用机器学习进行研究成果的推广，确实会给社会带来巨大的潜在好处。但是很多数据非常敏感，非常个人化，比如医疗数据，就是一个很好的例子。所以从隐私和安全的角度来看数据，这其中便是掣肘机器学习进一步发展的因素。我们知道机器学习不仅受益于更多的数据，而且受益于不同的数据。有时，你可以将多个数据集放在一起，你得到的不仅仅是数据之和。但问题在于，不同的组织，不同的人，如何把他们的数据放在一起，汇集这些数据来进行机器学习，而不是简单地让其他人或其他组织直接访问这些数据。机密的机器学习提供了这种可能性，数据可以整合，但只能在芯片上解密。它在芯片中被用来训练一个机器学习模型，然后这个机器学习模型或者它的预测结果被提供给数据提供者。由于它是在汇集的数据上训练的，所以它更有效，更有能力，但在任何阶段，任何实体都不能访问其他实体的数据。
六、如何让认知深入机器学习方法
人类通过不断的自主学习，当大脑的认知能力达到一定程度的时候，便可举一反三，可以对信息进行不同维度的转化，转化结果又能够应用到其他维度，从而产生新信息和新观点，也就是我们的大脑能够通过认知进行知识的再创造。那当机器具备一定程度的认知智能时，能对已有的信息进行再创造吗？目前我们可以确定地说“能”。认知系统在训练的过程中模拟人的思维，通过持续学习，获得不断增强的智能性，逐步接近人类所具备的认知能力。然而机器的信息再创造是创造出已存在的信息，是一个客观存在的知识，是确定性的。我们只能说，机器学习的成果可以作为人类认知的延伸，而不是人类认知的再创造。目前，研究认知计算与机器学习的领域也做出了颇多的成果，例如自然语言处理、计算机视觉、图像检测与预测等。尽管 AI 和机器学习的发展跌宕起伏，但深度学习和认知计算等新方法仍大大提高了这些学科的标准。有意识的机器可能仍无法实现，但帮助改善人类生活的系统目前已存在。
七、总结与展望
尽管符号主义和机器学习都不能完美的诠释人类认知的架构方式，但是符号主义与机器学习的结合AI未来可能的发展方向为实现机器进行自主思考提供了新的思路，只不过这其中，还有很长的路要走。未来的发展方向应该是人机结合，为机器赋予“认知”的“灵魂”，不可否认的是，人类的认识能力在机器的帮助下得到了很大的提升，因此，模拟人类智能的路还有很长，未来人机结合的发展依旧拥有无限可能。
参考文献 略
往期精彩必读文章（单击就可查看）：
1.图灵奖得主Hamming的22年前经典演讲：如何做研究，才能不被历史遗忘
2.当这位70岁的Hinton老人还在努力推翻自己积累了30年的学术成果时，我才知道什么叫做生命力（附Capsule最全解析）
3.你为什么获得不了图灵奖，原来本科学的是计算机专业，数据显示历届图灵奖得主当中竟然只有三位在本科时主修计算机专业......
4.图灵奖得主Jeff Ullman直言：机器学习不是数据科学的全部！统计学也不是
5.魔幻现实！英国百年名校认为基础数学没用，要裁掉数学系补贴AI研究，图灵听后笑了笑
6.图灵奖得主Yann LeCun的六十年
7.图灵奖得主长文报告：是什么开启了计算机架构的新黄金十年？
8.看了 72 位图灵奖得主成就，才发现我对计算机一无所知
9.重读图灵经典之作，九条反驳意见引人深思
10.从图灵奖看人工智能的历史沉浮
