感知智能到认知智能中对知识的思考

知道创宇 IA实验室

尽管人工智能依靠深度学习和机器学习技术的进步取得了巨大的进展,例如,AlphaGo通过自我强化学习击败了人类顶尖的围棋选手,但人工智能在很多方面,如语言理解、视觉场景理解、决策分析等,仍然举步维艰。一个关键的问题就是,机器必须要掌握大量的知识,特别是常识知识才能实现真正类人的智能。这也说明当前随着大数据红利的消失殆尽,以深度学习为代表的感知智能水平日益接近其“天花板”,而以知识为中心的认知智能将是下一代人工智能技术的关键方向。自从谷歌收购 Freebase 在 2012 年推出知识图谱(Knowledge Graph)后,知识图谱在知识工程、专家系统、逻辑推理的人工智能技术上受到了推崇,行业巨头和创业公司都在建立与自己行业相关的行业知识图谱。

本文将结合认知心理学来谈谈知识与认知智能的一些思考,试着理清

  • 知识与数据、信息、智慧的关系;
  • 认知智能为什么依赖知识?

人工智能的生物启示

人工智能可以分为弱人工智能和强人工智能,弱人工智能是指在某一特定任务上,机器能够与人一样,甚至比人更好的完成某项特定的任务,比如今天的人脸识别;强人工智能是追求具有和人类智慧相等的机器,强人工智能是人类终极的追求。人工发展历程中有一个有趣的特点,人工智能的某些技术提出的启示来源于生物科学。比如感知机灵感来源于人体的神经网络——人体通过神经中枢的指令,对外部刺激做出反应;深度学习的灵感来源于诺贝尔医学奖得主David H. Hubel 和 Torsten Wiesel 1981 脑视觉系统的信息处理——脑的可视皮层是分级的,脑的工作过程是一个不断迭代和抽象的过程,抽象层越高存在的可能猜测就越少;注意力模型(Attention Model)灵感来源于人类的视觉注意力——获取重点关注的区域。强人工智能追求和人类具有同等智慧的机器,那人类的智慧又来自哪儿,人脑是如何认知这个世界?

  

感知、认知和理解

从认知心理学将人脑认知世界的过程可以总结为:感知到认知,从认知到理解。

  • 感知

人类耳、眼、鼻、口和皮肤与世界接触,并将这些信息反馈给大脑的过程是感知过程。今天人工智能正是通过视觉感知、听觉感知先进的传感器和模型算法技术在弱人工智能方面获得比人类更好的执行效率。

  • 认知

大脑把感知得到的信息与已有信息产生联系,得到的结果信息的结果是什么的这一过程可以理解为认知。为什么是联系,因为人脑对某一个状态的判断并不是独立的,比如看见一辆汽车,你是怎么判断它是汽车,定是你把这辆汽车与头脑中已有的汽车信息进行关联,你才知道。如果你从没有见过汽车,你也不知道这个东西是什么。

  • 理解

人每天接触很多的信息,但是并不是所有的信息你都能记住。回顾我们曾经读书的时候,老师经常强调,我们需要理解才能记得更加深刻。什么是理解:理解就是你对认知得到的信息有了一些相对固化认知,比如见到很多辆车的样子,就车的形状有了一个固化的认知,你理解了什么是真正的车。

数据、信息、知识和智慧

模拟人类认知世界的过程,从感知、认知、理解到创新,可以将计算机人工智能系统的分析过程总结为:数据到信息建立感知智能;信息到知识建立认知智能;从知识到智慧,让机器具有创新的能力,则是人类追求的强人工智能。

  • 数据

人类在社会活动中产生大量的数据,而这些数据是对人类活动抽象描述,比如文本、图片、视频和语音,其孤立是没有任何意义。比如,从未学过俄语的中国人对一段俄语的阅读,其得不到任何有用的信息。

  • 信息

信息是将数据与数据之间产生了联系,得到了有用的信息,类似于人脑认知世界,将视觉、听觉和触觉感知到信号反馈给大脑得到反馈。人工智能感知智能的构建就是将数据与数据之间产生联系,比如机器翻译中的中英文互译,就是讲中文与英文建立联系,语音转文字就是将语音序列与文字序列建立联系。

  • 知识

知识是人为理解和经验充实的信息,是被证明在一段时间范围内正确的信息。因当前的人工智能算法通常只能针对特定数据集执行特定任务,一旦任务条件超出了限制,人工智能就会瞬间沦为“人工智障”。所以对于人工智能来说,掌握人类知识和常识是下一阶段的重要目标。而如何获得人类所具有的知识和常识?大规模知识工程构建的知识图谱就成为了人工智能的一个重要要点。

  • 智慧

智慧是在大量知识积累基础上,并对知识有了深入的理解,能举一反三产生新的洞察。因其具有了洞察力、迁移性和创造性,就克服了当前弱人工智能仅能针对单项任务的缺陷,从而实现了强人工智能。

Start your future on Coursera today.

欢迎关注我们的公众号

NLPJob

发表评论

电子邮件地址不会被公开。 必填项已用*标注