人工智能和心思學范疇的兩位頂尖研討者，紐約年夜學 Yann LeCun 和 Gary Marcus 就 AI 能否須要相似人類和植物的內置的認知機制，以完成相似人類的智能這一成績，睜開了劇烈的爭辯。爭辯的癥結在于無監視進修算法終究能否須要內置的認知構造，假如在不須要這類構造的情形下獲得勝利，那末 LeCun 將被證實是準確的。

　　一輛由AI技巧驅動的主動駕駛汽車，能夠須要在虛擬仿真情況中撞到樹上5萬次，然后才會學到這不是個明智的選擇。然則，一只少小野山羊在峻峭的山坡上進修攀爬，其實不須要摔逝世幾百萬次。異樣，一個三歲小孩也不須要演習有數次，能力想出若何穿過椅子爬到前面去。

　　在壯大的盤算資本的支撐下，如今，最早進的AI技巧簡直可以從零開端進修有關世界的任何內容。比擬之下，人類和植物仿佛是天性地輿解某些概念——對象、所在和相干事物的聚集——這讓他們可以或許疾速懂得世界是若何運作的。這就引出了一個主要的“后天vs后天”的成績：AI 的進修能否須要像人類和植物具有的后天認知機制那樣的某種內置機制，能力到達相似的普通智能程度？

　　近日，紐約年夜學心思、年夜腦和認識中間舉行的一場運動中，人工智能和心思學范疇的兩位頂尖研討者在這一成績長進行了針鋒絕對的爭辯。

　　紐約年夜學盤算機迷信家、Facebook人工智能研討主管 Yann LeCun說：“我們今朝所具有的AI技巧，不管經由過程構造照樣經由過程進修，都沒法構建世界的表象，而這是我們不雅察到的植物和人類所具有的才能。”

　　LeCun 是人工智能范疇深度進修技巧的開辟者，深度進修技巧贊助科技巨子們完成了很多熱點辦事的主動化，好比 Facebook 的人臉辨認功效，谷歌的中英互譯，等等。雖然缺少相似人類和植物的后天認知機制，深度進修算法使得AI可以或許完成一切這些義務了。

　　深度進修算法在過濾年夜量數據的同時，逐步學會辨認有關世界的一些特定形式——當你具有Facebook、谷歌或微軟的年夜量盤算資本的話，它就可以在某些感知義務上任務，好比圖象辨認。

　　人們分歧以為，今朝的AI技巧，好比深度進修，依然不克不及讓AI具有與植物某人類相當的智能程度。雖然如斯，LeCun以為無監視深度進修可讓AI在通用智能方面獲得停頓。無監視進修清除了須要人類供給人工標志的數據的很多請求，這些數據用于讓機械進修。

　　LeCun 指出，古代人工智能的勝利很年夜水平上不是依附于構建有關世界若何運作的假定或構造化概念。從這個意義上說，他偏向于最小化AI算法的構造，以堅持這類簡略性。他以為如許做不須要應用人類說話學家，心思學家或認知迷信家的常識。他說：“我尋求的是盡可能削減后天機制的部門，應用我們現有的數據去進修。”

　　不外，紐約年夜學研討型心思學家、Geometric Intelligence公司（如今屬于Uber的AI團隊）的開創人 Gary Marcus 以為 LeCun 的尋求不會那末快完成。

　　他認同無監視深度進修有勝利的機遇，但他也以為，算法只要具有了“更豐碩的原語（primitives）和表達方法（epresentations），而不只唯一像素”，能力在懂得世界方面獲得勝利。

　　Marcus 說：“我們愿望AI具有為懂得對象、實體的行動和物理景象而構建的表達方法和原語，就像人類嬰兒后天具有的那樣。”

　　Marcus 愿望看到AI研討人員“更多地自創認知迷信的常識”，構建加倍構造化的算法來表現對象、聚集、地位和時空持續性等認知概念。他援用了本身的任務，和哈佛年夜學認貼心理學家 Elizabeth Spelke 等人的研討，展現了人類兒童若何可以或許在幼兒時代具有感知人、物體、聚集和地位等概念。他提出一個建議：為何不在AI中應用相似的辦法，把一些構造映照到相似的概念？

　　雖然 LeCun 本身在卷積神經收集上的首創性任務就是一個很好的例子，解釋應用更構造化的辦法來束縛AI必需處置的信息量，可以贊助它更好地輿解世界。

　　Marcus說：“我以為，我們真正須要的是體系的思慮和剖析，假設我們將分歧量的后天機制嵌入到機械進修中時，會產生甚么。”

　　LeCun 贊成AI須要一些構造來贊助它懂得世界，但他對在生物年夜腦中能否存在“單一進修算法、準繩或法式”存疑，照樣說它更像是一種沒有根本的組織準繩的有意義的“黑客”（hacks）聚集。在他看來，人工智能可以從單一的進修準繩或這類進修準繩的聚集中獲益，不論能否具有內涵的后天認知機制的構造模塊，這些準繩都邑發生。

　　“缺少的是一個準繩，這個準繩可讓我們的機械經由過程不雅察世界和與世界互動來懂得世界是若何運作的，”LeCun說。“我們如今所缺乏的是一種進修猜測世界的模子，在我看來，這是人工智能范疇獲得沖破性停頓的最年夜妨礙。”

　　LeCun說，智能的實質是猜測的才能，由于猜測將來是一個異常特別的“填空”的場景。知識令人類和植物可以或許依據他們對世界運作的認知來彌補缺掉的信息。這就是為何人類駕駛員不須要撞5萬次樹能力認識到撞樹是毛病的行動；人類具有的知識讓他們曉得，假如車撞到樹會產生甚么事。

　　LeCun 愿望無監視進修可以或許引誘AI終究成長出一種懂得世界運作方法的“感到”（sense），假如不是某種原始的“知識”的話，那末就從物理學的角度。“假如在我的職業生活停止之前，人工智能體系能像貓一樣聰慧，我會很高興，”LeCun說，“再否則，像老鼠一樣聰慧也行。”

　　關于AI進修“后天照樣后天”的爭辯還遠未停止。然則，LeCun 和 Marcus 都認同可以依據一些癥結機能目標來看哪一方更加公道。假如無監視進修算法終究須要更多相似對象、聚集、地位等等的認知表征（cognitive representations）的構造，那末Marcus就是這場爭辯的勝方。假如無監視進修在不須要這類構造的情形下獲得勝利，那末LeCun將被證實是準確的。