除此之外 ， 迁移学习和小样本 / 零样本推理方面取得的结果也不尽人意 。 模型的低效扩展性使得人工智能无法扩展到数据集和数据科学家缺乏的许多领域 。 此外 ， 深度学习还非常容易受到数据变化的影响 ， 从而产生低信度分类 ， 但这一问题可以通过提高模型的稳健性和可扩展性得到解决 。
最后 ， 在大多数情况下 ， 神经网络无法正确提供认知 ， 推理和可解释性 。 深度学习缺乏认知机制 ， 无法进行抽象、上下文语境、因果关系、可解释性和可理解性的推理 。
下一阶段：认知人工智能
人工智能有望达到人类理解水平 。 依靠 Daniel Kahneman 在《快思慢想》（Thinking, Fast and Slow）一书中定义的范式 ， Yoshua Bengio 将当代深度学习的功能等同于他所描述的 “系统 1” 的特点 —— 直觉的、快速的、无意识的、习惯性并完全处于自主控制状态 。 与此相反 ， 他指出 ， 人工智能系统的下一个挑战在于实现 “系统 2” 的功能 —— 缓慢的、有逻辑的、有序列的、有意识和算法化 ， 例如实现计划和推理所需的功能 。

文章图片

（来源：Pixabay）
Francois Chollet 以类似的方式在广泛概括的基础上描述了人工智能发展中的新兴阶段（“Flexible AI”） ， 它能够适应广泛领域内的未知事件 。 这两个特征都与 DARPA（美国国防部高级研究计划局）的 “人工智能的第三次浪潮” 的内容一致 ， 其特征是语境顺应（contextual adaptation）、抽象、推理和可解释性 。 实现这些功能的一种可能途径是将深度学习与符号推理和深度知识结合起来 。 下面 ， 我将使用术语 “认知人工智能”（Cognitive AI）来指代人工智能的这一新阶段 。
尽管我们无望实现开放式通用人工智能（AGI） ， 但具有较高认知能力的人工智能也能在技术和商业领域中发挥更大的作用 。 一旦人工智能可以在不可预测的环境中做出可靠的决策 ， 它最终将获得更高的自主权 ， 并在机器人技术、自动运输以及物流、工业和金融体系的控制点等领域中发挥重要作用 。
结构化知识在认知人工智能中的作用
在人工智能领域 ， 有些人认为可以通过进一步发展深度学习来实现更高级别的机器智能 ， 而另一些人则认为这需要合并其他基本机制 。 对此 ， 我赞同后者的观点 ， 原因如下：
深度学习掌握了从嵌入空间中的多维结构的输入到预测输出的基于统计的映射 。 这让它在区分宽数据和浅数据（例如 ， 图像中的单词或像素 / 体元序列）方面表现出色 。 此外 ， 深度学习在索引资源（如维基百科）和从语料库中最匹配的地方检索答案方面同样有效 —— 正如在 NaturalQA 或 EffiicentQA 等基准测试中所表现的那样 。 根据 Bengio 的定义 ， 系统 1 的任务依赖于训练期间创建的统计映射功能 。 而深度学习可以为完成这些任务提供帮助 。
相比之下 ， 结构化、显性和可理解的知识可以为实现更高级机器智能或系统 2 的功能提供途径 。 一种基本的知识构建就是能够捕获有关元素和概念的声明性知识并编码抽象概念（例如 ， 类之间的分层属性遗传） 。 例如 ， 有关鸟类的知识 ， 加上有关雀形目鸟类的信息 ， 再加上有关麻雀的详细信息 ， 即使没有特别的说明 ， 也能提供大量有关栗麻雀的隐含信息 。 除此之外 ， 其他知识构建还包括因果模型和预测模型 。
这样的构建依赖于显性的概念和定义明确的关系 ， 而不是潜在空间中的嵌入式机器 ， 并且因此所得模型将具有更广泛的解释和预测潜力 ， 远远超过了统计映射的功能 。