作者：汪汪
本日，《科学》杂志封面刊登了一篇重磅研究：人工智能终于能像人类一样学习，并通过了图灵测试。（论文见文末，回答「12」可下载论文PDF格式。）
这个人工智能像你一样学习写字
假设你从来没有见过菠萝。有一天，有人送了你一个菠萝。只管你这辈子只见过这一个菠萝，但你只用一眼就看出了菠萝的特色。第二天，你去水果店，很快就能从一堆苹果、葡萄、柚子中认出菠萝来。你乃至还能在纸上画出菠萝的简笔画。
这种「仅从一个例子就形成观点」的能力对人来说很随意马虎。然而，只管人工智能近年来取得了长足的进步，但要让机器做到这一点，却难于上上苍，由于目前的人工智能常日须要从大量的数据中进行学习，你得让它算作千上万张菠萝的图片才行。
不过，这个事实或许从本日开始改变了。本日，一篇人工智能论文登上了《科学》杂志的封面，为人们带来了人工智能领域的一个重大打破：三名分别来自麻省理工学院、纽约大学和多伦多大学的研究者开拓了一个「只看一眼就会写字」的打算机系统。（论文Human-level concept learning through probabilistic program induction见文末，或回答12可下载pdf格式。）
《科学》杂志封面
只需向这个别系展示一个来自陌生笔墨系统的字符，它就能很快学到精髓，像人一样写出来，乃至还能写出其他类似的笔墨——更有甚者，它还通过了图灵测试。下面便是机器和人写出的字符。你猜哪些是机器写出来的？傻傻分不清了吧？
机器的作品是1,2；2,1；1,1
这三名研究者分别是纽约大学数据科学中央的Brenden Lake，多伦多大学打算机科学与统计学系的Ruslan Salakhutdinov和麻省理工学院大脑与认知科学系的Joshua Tenenbaum。他们创造的AI系统能够迅速学会写陌生的笔墨，从某种意义上解释它领悟到了字符的实质特色（也便是字符的整体构造），同时还能识别出非实质特色（也便是那些因书写造成的轻微变异）。
三名研究者从左到右分别是：Ruslan Salakhutdinov, Brenden Lake和Joshua B. Tenenbaum。图/Alain Decarie/The New York Times
人类的观点具有极大的弹性，因此，只管许多观点的边界十分模糊，但我们依然能进行明确的分类。这三位研究者声称，他们的系统就捉住了这种弹性。该系统能模拟人类的一个分外天赋——从少量案例中学习新观点。它所根植的打算构造叫做概率程序（probabilistic program），还可能有助于对人类得到繁芜观点的过程进行建模。
Joshua B. Tenenbaum是麻省理工学院大脑与认知科学系的教授，他说：「目前的人工智能领域大都聚焦在对模式进行分类。但是，这种类型的智能所短缺的不是分类或识别的能力，而是思考。以是，只管我们研究的只是手写字符，但依然大言不惭地利用『观点』这种词。由于我们能用字符来研究更加丰富和繁芜的观点。我们能理解字符的来历和构件，也能理解如何用不同的办法来利用字符，并造出新的字符来。」
通过「图灵测试」
这篇论文的第一作者Brenden Lake曾在Tenenbaum的团队中得到认知科学博士学位，如今他是纽约大学的博士后。根据Lake的先容，他们在论文等分析了三个核心原则。这些原则都很通用，既可以用在字符上，也可以用在其他的观点上：
组合性（compositionality）：表征是由更大略的基元构建而成。
因果性（causality）：模型表征了字符天生的抽象因果构造。
学会学习（learning to learn）：过去的观点知识有助于学习新的观点。
研究者对这个AI系统进行了几项测试。
测试1：研究者向它展示了它从未见过的书写系统（例如藏文）中的一个字符例子，并让它写出同样的字符。这里并不是让它复制出完备相同的字符，而是让它写出9个不同的变体，就像人每次手写的字迹都不相同一样。例如，在看了一个藏笔墨符之后，算法挑选出该字符用不同的字迹写出来的例子，识别出组成字符的笔画，并重画出来。
测试2：研究者向系统展示了一个陌生书写系统中的几个不同的字符，并让它创造出一些相似的字符。
测试3：研究者让它在一个假定的书写系统中创造出全新的字符。
与此同时，人类被试也被哀求做同样的事情。末了，研究者哀求一组人类裁判（来自亚马逊土耳其机器人，Amazon Mechanical Turk）分辨出哪些字符是机器写的，哪些是人类写的。结果，裁判的精确率仅为52%，和随机的结果差不多。于是，机器通过了所谓的视觉图灵测试。
红圈标出的是机器的作品
传统的机器学习系统（比如手机上的语音识别算法）在某些分类任务上的表现很好，但它们首先须要大量的数据集来进行演习。比较之下，人类只须要少量的例子就能捉住某个观点的精髓。这种「一次性学习」正是研究者希望他们的系统能仿照的能力。
学会如何学习
三位研究者采取的方法是「贝叶斯程序学习」（BPL，Bayesian Program Learning），能让打算机系统对人类认知进行很好的仿照。传统的机器学习方法须要大量的数据来演习，而这种方法只须要一个粗略的模型，然后利用推理算法来剖析案例，补充模型的细节。
在这篇论文中，研究者的模型只规定了字符由笔画组成，笔画由抬高笔触来区分，而笔画又由更小的子笔画组成，子笔画用笔尖速率为零的点来区分。
有了这个初始模型之后，研究者向AI展现了人类手写笔墨的办法，包括笔画顺序等，让系统学习连续的笔画和子笔画之间的统计关系，以及单个笔画所能容忍的变异程度。这个别系从未在它所剖析的书写系统上进行过任何演习，它只是推理出了人类写字的一样平常规律。
Tenenbaum说：「每个星期，我们彷佛都能读到机器在人脸识别、语音识别方面与人类旗鼓相当的新闻。但是，对我这种研究心智的科学家来说，机器学习和人类学习之间的鸿沟是巨大的。我们希望弥合这个鸿沟，这是我们的长期目标。」
各方评价
剑桥大学的信息工程教授Zoubin Ghahramani说：「我认为这对人工智能、认知科学和机器学习是一个重大的贡献。深度学习目前已取得了主要的成功，这篇论文非常复苏地表明了深度学习的局限性，由于深度学习须要大量的数据，并且在这篇论文所描述的任务上表现很差。这篇论文也展现了实现类人机器学习的主要方法。」
也有一些人对「人工智能超越人脑」这种说法持谨慎态度。艾伦人工智能研究所的Oren Etzioni说：「我对『超人的表现』这种说法非常谨慎。当然，这个算法确实超过一样平常人的表现，除了达斯汀·霍夫曼。」（指霍夫曼主演的《雨人》电影。）
与深度学习上风互补
多伦多大学和谷歌的人工智能先驱Geoffrey Hinton说这个研究「令人印象非常深刻」。他说，这个模型能通过视觉图灵测试，这很主要，「是一个不错的造诣。」Hinton是深度学习的奠基者。深度学习近年来取得了全球瞩目的造诣，被广泛运用在许多领域，例如语音翻译、图像识别等，还用在谷歌的图像搜索和Facebook的人脸识别上，得到了巨量的数据以供学习。
Geoffrey Hinton
然而，这篇新论文说「贝叶斯程序学习」在某些方面比深度学习的表现更好。三位作者和Hinton都礼貌地表明，这两种方法在不同的任务上各领风骚，如果能彼此借鉴，一定能相互填补。如果能建出一个混血系统，说不定能有更大的提升。在数据量巨大但较混乱的情形下，深度学习能发挥上风；而在数据量少而清晰的情形下，贝叶斯学习盘踞上风。
Hinton说，这篇论文最令人愉快的成果或许是能让那些流传宣传智能打算机系统的学习办法与人类完备不同的批评者闭嘴，由于他们的紧张论据正是打算机不能从单个例子中形成观点。
未来
在未来，这种机器学习的技能能够完成很多任务，例如读懂手语、提升语音识别软件的性能等。利用这种方法，或许只用向打算机展示一张人脸照片，它就能从任何角度识别出这个人。它乃至有可能用来制订军事行动操持。
当然，只管这个成果很主要，但它对人工智能领域来说只是一个小小的出发点，不代表未来的机器学习都必须采取这种方法。正如它颠覆了「打算机如何理解观点」这个课题一样，在这个日月牙异的领域中，极有可能下个月就涌现一种新方法，将它甩在后面飞扬的尘土中。
参考：
Brenden M. Lake1, Ruslan Salakhutdinov, Joshua B. Tenenbaum. Human-level concept learning through probabilistic program induction. Science 11 December 2015: Vol. 350 no. 6266 pp. 1332-1338.
Larry Hardesty. Computer Drawings fool human judges, pass “Visual Turing Test”. MIT News
John Markoff. A Learning Advance in Artificial Intelligence Rivals Human Abilities. nytimes
Researchers create an artificial intelligence model that learns, and draws, just like you. Torstar News Service
Dave Gershgorn. Computers are closer to copying the way human learn. Popsci.
以下是论文
◆◆回答12下载pdf
©本文由机器之心原创编译，转载请联系本"大众年夜众号得到授权。
✄------------------------------------------------
加入机器之心（全职/演习生）：hr@almosthuman.cn
投稿或寻求宣布：editor@almosthuman.cn
广告&商务互助：bd@almosthuman.cn
↓↓↓点击「阅读原文」查看机器之心网站，获取更多精彩内容。
