DavidCox：消除偏见，用「神经符号人工智能」书写未来

近些年，人工智能飞速发展，就算是沒有深入了解过人工智能技术性的人，想来也多多少少地听过2个专业术语——符号人工智能和神经网络。伴随着人工智能的发展趋势持续完善，MIT-IBM珀特人工智能试验室负责人DavidCox觉得，现如今大家必须再次思考人工智能，他明确提出将所述二者融合，开发设计一种「神经符号人工智能」（Neuro-SymbolicAI）。

文中将详解神经符号人工智能身后的基本原理，创作者为美国高新科技文学家LukeDormehl，不在更改本意的基本上对全文开展了编译程序。【图片出处：DIGITALTRENDS使用者：DIGITALTRENDS】想像一下，一个拖盘上面有八个物件：有正方体，有圆球，材料不一样，大小不一。

那麼问提是，拖盘上的大物件物件和金属材料球的总数是不是同样？你很有可能会觉得疑惑，感觉问提有点古怪。反过来，这并不会太难，乃至学龄儿童都能轻轻松松回应。但针对现如今最优秀的神经网络而言，这很难回应了。因而，即便 人工智能对大家而言早已再了解但是，它還是必须再次开发设计。

之上并不是我的见解，只是英国密苏里州剑桥大学的MIT-IBM珀特人工智能试验室（MIT–IBMWatsonAILab）负责人DavidCox的见解。早期，DavidCox是美国哈佛大学专家教授，他的精英团队凭借对神经科学研究的洞悉，创建了一个受人的大脑启迪的设备学习计算机系统。

现阶段，在IBM，他关键承担珀特人工智能（WatsonA.I.）的有关事务管理。【图片出处：DIGITALTRENDS使用者：DIGITALTRENDS】提及珀特，不了解的人只了解它是人工智能，曾在国外问答综艺节目《Jeopardy》中一战成名。但实际上，珀特最先是一个深度学习系统，根据很多数据信息并非人为因素标准接纳训炼。

说回主题风格，在人工智能提前准备在未来十年异彩纷呈的情况下，DavidCox说全球必须再次思考它，这听起来是有点怪异。终究，以往十年能够说成人工智能史上最牛取得成功的十年——这十年里，基本上每星期都是会有新突破，沒有一切“人工智能严冬”的征兆。但这也更是他觉得人工智能必须更改的缘故。

对于此事，他的提议是一个现阶段还不确定性的专业术语——“神经符号人工智能”——这也很可能会变成20年代完毕时大家熟识的一个词。符号人工智能的起与落严苛地说，神经符号人工智能并不是一种全新升级的人工智能，只是把创建“会思索的设备”的二种目前的、互相抵抗的方式紧密结合。

这一姓名中的“符号”指的是造就人工智能的第一种流行方式。从二十世纪50年代到八十年代，符号人工智能是高于一切的。

针对一个符号人工智能学者而言，说白了智能化，是创建在人们根据产生本质的符号定性分析来了解周边全球的工作能力以上的。随后，学者制订标准解决这种符号定性分析，而这种标准能够根据捕捉平时专业知识的方法被流于形式。假如说人的大脑类似电子计算机，那麼无论大家碰到一切状况，都必须运作本身的计算机语言，由于程序流程会一步步地表述怎样彻底根据逻辑性来实行实际操作。

因而，符号人工智能学者觉得，如果是那样，她们也可以发觉这些有关全球怎样构成的同样标准，随后以优化算法的方式编号，便于电子计算机实行。事实上，符号人工智能过去主要表现非常好，让人印象深刻。1964年，电子计算机生物学家BertramRaphael开发设计了一个SIR系统，即“词义信息搜索”（SemanticInformationRetrieval）。SIR是一个测算逻辑推理系统，它好像可以以一种类似真实智能化的方法来学习培训目标中间的关联。

例如，你告知它一些基础信息——John是个男孩儿，男孩儿是人，一个人有双手，一只手有五个手指。随后你问起John有两根手指头，它的回答是10。

二十世纪八十年代，印证了根据符号人工智能的电子计算机系统做到巅峰、坠落低谷。那时说白了的权威专家系统的十年，“权威专家系统”尝试应用根据标准的系统来处理现实世界的难题，比如协助有机化学家鉴别不明的有机分子，协助医师为传染性疾病病人强烈推荐恰当使用量的抗菌素这些。掌握到，“权威专家系统”的基本牢靠，但也存在的问题：这种系统价格比较贵，必须不断创新；而最槽糕的是，标准越多，系统的精确性就越低。

神经网络的全球那麼，大家再讨论一下神经符号人工智能里的“神经”是啥?事实上，“神经”指的是深度学习神经网络，它是受人的大脑启迪的测算种类，驱动器了以往十年很多人工智能行业出現的提升——例如人工智能驾驶汽车、把文本翻译成几十种不一样的語言、智能音响可以听得懂命令这些。【图片出处：DIGITALTRENDS使用者：DIGITALTRENDS】神经网络与符号人工智能的工作方式不一样。由于神经网络由数据驱动，并非根据标准。

具体来讲，向一个符号人工智能表述，即确立地为其出示确保恰当鉴别的全部信息内容。举个例子，想像一下让盆友帮你去客运站接你妈妈，你需要出示一套标准叙述她，便于让你的朋友从群体中认出来她。可是假如要训炼一个神经网络去做这件事情，你只应向它展现好几张你妈妈的相片。

如果它充足聪慧，不但可以鉴别出你妈妈，还可构成现实世界中不会有的与她类似的目标。如同DavidCox对《数字趋势》杂志期刊常说：毫无疑问，深度学习神经网络产生了令人震惊的发展，但另外也出現了一些难题，令人堪忧。事实上，DavidCox提及的难题刚好取决于让今日的神经网络越来越这般强劲的物品——数据信息。

如同人一样，神经网络是依据事例学习培训的。可是，一个人很有可能只需依据一两个事例就能恰当地记牢一件事，但人工智能必须大量事例。另外，精确性的高矮在于是不是具备很多的注解数据信息，由于学习培训每一个新每日任务都根据这种数据信息。点燃的交通信号灯更是由于神经网络的所述特性，他们并不善于“灰天鹅”难题，由NassimNicholasTaleb明确提出的灰犀牛事件在统计学上是少见的。

DavidCox表明：现阶段很多深度学习解决方法虽然十分令人震惊，但都根据二八定律（注：这一基本定律觉得在一切一组物品中，最重要的只占在其中一小部分，约20%，其他80%虽然是大部分，确是主次的）。深度学习在80%的状况下是对的，但关键的事实上占极少数。假如你见到一个物件本不应该处在现阶段所属的部位，或是方位有点儿怪异，这类状况下，就算是再令人震惊的系统，也起不上功效。在添加IBM以前，DavidCox与他人相互创立了PerceptiveAutomata企业，为无人驾驶轿车软件开发。

该精英团队在她们名叫Slack的频道栏目公布了数据采集全过程中偶然发现的有趣图片。在其中一张照片是在十字路口拍的，相片上的交通信号灯起火，对于此事DavidCox表明：这简直一辈子难得一见的事儿。

我也不知道Waymo和Tesla在训炼神经网络的数据信息集中化是不是有交通信号灯起火的图象，但我敢打赌，即使她们有，总数也会非常少。实际上，这就是一件无关痛痒的事，因为它非常少产生，就算发生了，也并并不是很重要。

假如系统强烈推荐一个人来到一家很槽糕的饭店，那样当然不大好，但很有可能还不能摧毁他的一天，要是系统之前明确提出的99条提议全是非常好的，就没必要尤其消沉。可是，假如一辆独立驾驶汽车在十字路口应对点燃的交通信号灯或一辆牛车不可以作出恰当的反映，不良影响则无法预料。这可能是偶然性，但大家也期待它可以非常好地解决这类状况。

DavidCox表述说：如果有工作能力逻辑推理、分辨，大家就能轻轻松松解决。假如见到交通信号灯起火，我起码会出现一些基础分辨，例如现阶段不可以依据交通信号灯分辨我是该停還是该走，但我明白要确保安全，由于周边的驾驶员也会觉得疑惑。

但我能依据另一个方位行车的车子分辨接下去的行動。在这类以安全性达到目标为重要的自然环境中，深度学习还不可以非常好地服务项目大家。

这就是我们必须别的解决方法的缘故。将逻辑学习培训紧密结合因而DavidCox便明确提出了神经符号人工智能的念头。说白了神经符号人工智能，实际上便是把之上方式融合起來，把学习培训和逻辑性融合起來。

神经网络能够协助符号人工智能系统越来越更聪慧——根据将全球转化成符号，而不是借助人们程序猿来为他们做这件事情。另外，符号人工智能优化算法能够融合常识推理和领域专业知识，并应用到深度学习中。这种都是会使人工智能能够更好地解决从无人驾驶轿车到自然语言理解解决的一切繁杂每日任务，另外训炼需要的数据信息还要少得多。DavidCox说：神经网络和符号化的定义中间，存有着近乎完美的相辅相成关联。

由于神经网络能够让你回答，将错乱的现实世界变为一个系统性的符号定性分析，在图象中寻找全部关系。要是拥有这类符号定性分析，就能在逻辑推理层面取得进步。

如同文章内容一开始提及的拖盘上的物件的事例，神经符号系统运用神经网络的鉴别工作能力来鉴别目标，随后再依靠符号人工智能应用逻辑和词义逻辑推理，进而发觉新的关联。那样的系统事实上早已被确认能够合理工作中。另外，这不但可用一小部分状况，愈来愈关键的是，人工智能系统在必需时是可表述的。

神经网络能够很好地实行一些每日任务，但它的很多內部逻辑推理是“黑箱子”式的，针对这些想要知道它是怎样作出决策的人而言是难以理解的。一样，假如一个机器人在歌曲流媒体平台Spotify上强烈推荐不正确，实际上并不太关键。

可是，假如你被拒绝贷款银行，被拒绝工作中申请办理，或是有些人在涉及到无人驾驶轿车的安全事故中负伤，大家则必须掌握为何人工智能会明确提出有关的提议。这个时候神经符号人工智能便能大展身手了。

人工智能科学研究的将来几十年前，符号人工智能和神经网络還是完全的两个世界，互相对立面。人工智能行业的大佬们经常各执一词，在适用一种方式的另外，终将否认另一种方式。事实上，她们的作法不一定不当之处，终究资产比较有限，要处理一样的难题，两大阵营一定会市场竞争。而现如今来看，状况好像恰好反过来。

此外，DavidCox还表明：见到年轻一代确实很有趣，我精英团队中的很多人都较为年青，有的不久博士毕业，对这一行业维持着新鮮劲头和激动感。她们沒有经历过符号人工智能和神经网络互相对立面的时期，也不在意二者以前对立面过——实际上这类不在意就很好，因为它能令人敞开心扉，清除成见。她们很愿意探寻不明，用人工智能做些很帅的事。假如一切按照计划开展，任何人都将从这当中获益。

viaDIGITALTRENDS，编译程序。原创文章内容，没经受权严禁转截。

详细信息见转截注意事项。

本文来源：环球体育官网网站入口-www.gongsw.com