<mark id="oztn4"></mark>
0
| 本文作者： 楊曉凡 | 2019-12-16 20:58 |
雷鋒網(wǎng) AI 科技評論按：我們都知道，深度學(xué)習(xí)的三駕馬車獲得了 2018 年的圖靈獎，這是對深度學(xué)習(xí)的技術(shù)成功以及三人貢獻(xiàn)的最佳肯定。最近幾年里，Geoffrey Hinton 帶來了知識蒸餾和膠囊網(wǎng)絡(luò)，Yann LeCun 在繼續(xù)研究 CV+機(jī)器人的同時，也堅持和 Gary Marcus 打網(wǎng)絡(luò)口水仗。
那么 Yoshua Bengio 在做什么呢？最近 IEEE Spectrum 電子雜志找到 Bengio 對他進(jìn)行了一次采訪（Yann LeCun 在推特上轉(zhuǎn)發(fā)了這篇演講，而且大段引述了采訪中的 Bengio 的原話，表達(dá)他對 Bengio 的贊同）。
Bengio 也隨后在 NeurIPS 2019 的全體演講中更深入、更細(xì)致地介紹了他的想法和現(xiàn)階段的研究成果，演講主題為《From System 1 Deep Learning to System 2 Deep Learning》，內(nèi)容簡介與 PPT 下載見文末。
雷鋒網(wǎng) AI 科技評論首先把 IEEE Spectrum 電子雜志采訪編譯如下。
記者：現(xiàn)在有很多人都在討論深度學(xué)習(xí)的限制，你有什么看法？
Bengio：很多面向大眾的信息渠道都不理解學(xué)術(shù)人員做科研的方式，不管是針對 AI 領(lǐng)域還是其他學(xué)科，其實，我們研究和理解當(dāng)前的理論和方法的不足之處，是為了能探索我們的智力工具之外的更大的空間。深度學(xué)習(xí)的研究人員們想要找到深度學(xué)習(xí)的效果并不如我們預(yù)想的那么好的場景，這樣我們就可以知道還缺了什么、還要探索哪些新方向。
不幸的是這個過程被 Gary Marcus 這樣的人找茬了，然后從他的嘴里說出來就變成了「你們看，我就說深度學(xué)習(xí)不行吧」。不管他怎么說，像我這樣的研究人員們其實都在想方設(shè)法拓展深度學(xué)習(xí)的能力范圍。當(dāng)我說到 AI 系統(tǒng)需要有能力理解因果關(guān)系的時候，我的意思也不是說要用因果關(guān)系把深度學(xué)習(xí)推翻，我想要做的是給我們當(dāng)前的工具箱里再添一些新東西。
作為一個科學(xué)家，對我來說真正重要的是還需要探索哪些新方向才能解決問題。誰對誰錯、誰站了誰的隊這種事情我并不關(guān)心。
（Gary Marcus 后來對此解釋道：「在 Yoshua 的話里我好像是一個完全反對深度學(xué)習(xí)的人，實際上我是混合派，我還是看好深度學(xué)習(xí)的，但我認(rèn)為它應(yīng)該和其它的方法結(jié)合使用。深度學(xué)習(xí)是一個挺不錯的工具，但它肯定不是唯一的工具。」）
記者：你如何評價深度學(xué)習(xí)的當(dāng)前狀態(tài)？
Bengio：過去二十多年里我們對深度學(xué)習(xí)的研究進(jìn)度可以這樣評價：直到今天，這些系統(tǒng)能達(dá)到的智慧程度都沒法和一個 2 歲的小孩相提并論。不過，我們的算法在感知任務(wù)里可能能達(dá)到一些更低級的動物的水平。我們現(xiàn)在也有越來越多的工具可以幫助一個系統(tǒng)探索它所在的環(huán)境，所以這些系統(tǒng)的智力水平也在慢慢地逐步提升。
如今有一個主要的爭論是，高層次的認(rèn)知是由哪些基礎(chǔ)組件構(gòu)成的？我們猜測因果關(guān)系是其中一個組件，另外還有推理、規(guī)劃、想象力、歸因。在傳統(tǒng) AI 中，嘗試解決這些問題的方法是邏輯和符號。有人提出我們現(xiàn)在也可以用傳統(tǒng) AI 的方式來做，不過可能要做一些改進(jìn)。
也有一些人和我有一樣的想法，我們覺得應(yīng)該在過去這些年設(shè)計的深度學(xué)習(xí)工具的基礎(chǔ)上實現(xiàn)這些功能，這和人類做推理的方式更相似；而人類做推理的方式是和純粹的邏輯系統(tǒng)、基于搜索的執(zhí)行方式完全不同的。
記者：我們要如何創(chuàng)造和人類的推理方式類似的功能呢？
Bengio：注意力機(jī)制讓我們可以把計算能力集中在某幾個物體、某幾個計算上。人類的這種工作方式是「有意識的處理過程」中的尤其重要的一個部分。當(dāng)人有意識地關(guān)注某件事時，你的注意力在很少的幾個元素上，可能就只是某個念頭，然后會轉(zhuǎn)向下一個念頭。這種過程和標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)完全不同，神經(jīng)網(wǎng)絡(luò)的處理方式是大規(guī)模的并行化處理。在深入學(xué)習(xí)引入注意力機(jī)制之后，我們在計算機(jī)視覺、翻譯、存儲方面都有很大的進(jìn)步，而我覺得這只不過是仿大腦的這種新的計算形式的開始而已。
需要說明的是，我們距離解決這些問題還遠(yuǎn)，但我們手里已經(jīng)有不少工具，已經(jīng)可以動起來了。我也沒覺得這會很容易。2017 年的時候我寫過一篇論文《The Consciousness Prior》（意識先驗，https://arxiv.org/abs/1709.08568），里面就提出了這個問題。我有好幾個學(xué)生就在研究這個問題，我也知道這需要付出長期的努力。
記者：人類智慧中還有哪些方面是你希望能在 AI 中重現(xiàn)的？
Bengio：我們對神經(jīng)網(wǎng)絡(luò)的能力有過一些想象，在其中，推理能力、記憶能力、想象力其實是人腦思考這同一件事的三個不同的部分。你假想自己在過去或者未來做什么事、產(chǎn)生什么后果，隨著你假想的時間倒流或者前進(jìn)，你實際上在做推理。如果你預(yù)計到未來會發(fā)生什么不好的事情，你會現(xiàn)在就采取一些措施改變事情發(fā)生的軌跡，這就是規(guī)劃了。記憶力也用到了，因為你需要回憶你知道的信息來做出決策。你會選出當(dāng)前的重要的事情，以及選出過去的相關(guān)的事情。
注意力是其中的一個關(guān)鍵的基礎(chǔ)功能。比方說我正在把一本書翻譯成另外一個語言。每翻譯一個詞，我需要仔細(xì)閱讀的是書里的很小很小一部分內(nèi)容。注意力就可以幫我們拋棄很多不相關(guān)的細(xì)節(jié)，關(guān)注真正重要的東西。能夠挑出相關(guān)的、重要的元素，這就是注意力的作用。
記者：這種想法很棒，但它要怎么用在機(jī)器學(xué)習(xí)里呢？
Bengio：我們不需要告訴神經(jīng)網(wǎng)絡(luò)要把注意力放在什么東西上，這正是神經(jīng)網(wǎng)絡(luò)的魅力所在。它能夠?qū)W習(xí)，它能自己學(xué)會要給一組元素里的每一個分配多少注意、多少權(quán)重。
記者：最近你在因果關(guān)系方面的研究和這些之間有沒有什么關(guān)系？
Bengio：人類在推理時用到的高層次概念，在我看來很可能是一些帶有因果關(guān)系的變量。人類做推理并不是基于像素這種細(xì)枝末節(jié)的元素的，而是門、把手、門開著、門關(guān)了這樣的概念。因果關(guān)系在機(jī)器學(xué)習(xí)的下一步發(fā)展中非常重要。
而且因果關(guān)系也和做深度學(xué)習(xí)的人都關(guān)心的另一個話題有關(guān)。人類有一種系統(tǒng)性泛化的能力，可以把已經(jīng)知道的概念推廣到更多的事情上，不同的概念用新的方式融合之后可以得到全新的東西。今天的機(jī)器學(xué)習(xí)還做不到這一點。當(dāng)前的機(jī)器學(xué)習(xí)都是在某個特定的數(shù)據(jù)集上做訓(xùn)練，在一種情境下訓(xùn)練模型，然后在另一種情境（比如另一個國家里）使用模型，這樣經(jīng)常會帶來問題。我們需要泛化能力，需要遷移學(xué)習(xí)。我們面前的一個重大挑戰(zhàn)就是把模型遷移到一個新環(huán)境以后，如何保證它能繼續(xù)正常工作、或者能快速適應(yīng)。
記者：這種適應(yīng)能力的關(guān)鍵是什么？
Bengio：元學(xué)習(xí)是近期的一個熱門話題，就是「學(xué)習(xí)如何學(xué)習(xí)」。我在 1991 年的時候也寫論文討論過這個概念，不過一直到最近幾年我們才終于有了足夠的計算能力可以實現(xiàn)這種東西；它們需要消耗很多的計算能力。
它的核心思想是，為了能夠泛化到一個新的環(huán)境，就需要練習(xí)如何泛化到新環(huán)境。這種思想很簡單，其實小孩就一直是這樣的，從家里的一個房間走到另一個房間，環(huán)境不是固定的，一直在改變，小孩就逐漸學(xué)會了適應(yīng)。為了能高效地適應(yīng)，小孩還需要用到他們以前學(xué)到的知識。我們對這種能力的理解正在逐漸加深，也在嘗試構(gòu)建工具來復(fù)制這種能力。
有一些聲音批評深度學(xué)習(xí)需要大量的數(shù)據(jù)，如果想要在一個任務(wù)上訓(xùn)練深度學(xué)習(xí)模型的話確實是這樣的。而小孩只需要很少的數(shù)據(jù)就可以學(xué)習(xí)，他們能重復(fù)利用以前學(xué)習(xí)過的東西。但更重要的是，他們利用了適應(yīng)、泛化的能力。
記者：我們能很快在真實世界看到這些想法嗎？
Bengio：還不行。我剛才談到的這些都是非常基礎(chǔ)的科學(xué)研究，都是在非常簡單的問題上做驗證。不用覺得遺憾，現(xiàn)在我們的進(jìn)度就是只到這里。我們現(xiàn)在先檢驗這些想法，然后不斷提出新的假說。它們都沒辦法很快就用在工業(yè)界。
不過有兩個來自工業(yè)界的、對他們造成實際困擾的限制是這些研究可以起到作用的。第一個是，構(gòu)建一些對環(huán)境中的變化更魯棒的系統(tǒng)；第二，如何構(gòu)建自然語言處理系統(tǒng)、對話系統(tǒng)、虛擬助手？目前的這些基于深度學(xué)習(xí)技術(shù)、達(dá)成了非常高的表現(xiàn)的系統(tǒng)的問題在于，雖然它們都是用海量數(shù)據(jù)訓(xùn)練出來的，但是它們并不完全理解它們說的話是什么意思。Gary Marcus 這樣的人會跳出來說：「這不就說明了深度學(xué)習(xí)不行嗎」，而我這樣的人就會說：「這很有意思，我們來解決這個挑戰(zhàn)吧。」
記者：有沒有辦法把聊天機(jī)器人做得更好？
Bengio：最近有個點子叫做「有依據(jù)的語言學(xué)習(xí)」（grounded language learning），吸引了很多研究人員的注意力。它的核心是提出 AI 系統(tǒng)不應(yīng)該僅僅通過文本學(xué)習(xí)，它應(yīng)該同時學(xué)習(xí)（認(rèn)識）這個世界的運行方式以及學(xué)習(xí)如何用語言描述世界。我們可以問問自己，如果一個小孩只愿意從書本上了解世界，我們會覺得他能對世界建立起完整的了解嗎？我覺得是很難的。
這和「有意識知識」和「無意識知識」之間也有一些關(guān)系，「無意識知識」就是那些我們知道但是講不出來的東西。一個典型的例子是物理直覺，一個兩歲的小孩就能建立起物理規(guī)律的直覺，不需要學(xué)習(xí)牛頓的萬有引力定律就有重力的概念。現(xiàn)在已經(jīng)有一些研究人員在嘗試構(gòu)建能和環(huán)境互動、探索基本物理規(guī)律的系統(tǒng)。
記者：基本物理規(guī)律為什么能對對話系統(tǒng)起到幫助呢？
Bengio：對話系統(tǒng)的問題在于，它們通常都是不了解提到的那個詞的復(fù)雜性的。比如有這樣一句話，「Jim 想把臺燈裝進(jìn)他的皮箱里，但是它太大了。」我們?nèi)祟愑谐ＷR，明白「太大了會導(dǎo)致裝不進(jìn)去」的只能是臺燈，就能確認(rèn)「它」的指代，能正確理解這個句子。這些知識的確有辦法用語言描述，但對人類來說這些常識，比如一個箱子一般是什么尺寸，是不會總掛在嘴邊的。
我們希望語言理解系統(tǒng)也能對這個世界有更多的了解。目前來說，AI 研究人員們都在抄近道，但抄近道是沒法真正解決問題的，AI 系統(tǒng)最終還是需要建立起一個世界運行的模型。
（采訪完）
加拿大當(dāng)?shù)貢r間 12 月 11 日下午，Yoshua Bengio 在 NeurIPS 2019 現(xiàn)場進(jìn)行演講。清華大學(xué)唐杰老師對 Bengio 演講內(nèi)容做了轉(zhuǎn)述總結(jié)，雷鋒網(wǎng) AI 科技評論摘錄如下。
《From System 1 Deep Learning to System 2 Deep Learning》
Yoshua 認(rèn)為，AI 作為本世紀(jì)的驚人進(jìn)步，僅僅依靠增加數(shù)據(jù)集、模型大小、電腦速度是否就足夠了呢？實際上 AI 距真正的人工智能還差的很遠(yuǎn)！
Yoshua 的第一個觀點，是指人的認(rèn)知系統(tǒng)包含兩個子系統(tǒng)（這是認(rèn)知理論中大家共識的觀點）：System1 直覺系統(tǒng)，主要負(fù)責(zé)快速、無意識、非語言的認(rèn)知，這是目前深度學(xué)習(xí)主要做的事情；System2 是邏輯分析系統(tǒng)，是有意識的、帶邏輯、規(guī)劃、推理以及可以語言表達(dá)的系統(tǒng)，這是未來深度學(xué)習(xí)需要著重考慮的。當(dāng)然 Yoshua 也提到計算機(jī)作為 Agent 實現(xiàn) AI，需要從計算機(jī)角度考慮，比如更好的模型和知識搜索等。
對于如何用深度學(xué)習(xí)來實現(xiàn) System2？
Yoshua 認(rèn)為，對于計算機(jī)來說，最關(guān)鍵的是處理數(shù)據(jù)分布中的變化。對于 System 2 來說，基本的要素包括：注意力和意識。注意力（Attention）實際在目前的深度學(xué)習(xí)模型中已經(jīng)有大量的實現(xiàn)和探討，比如 GAT（圖注意力機(jī)制）等；意識這部分則比較難，其實意識最關(guān)鍵的是定義到怎樣的邊界。Yoshua 提到意識先驗可以使用稀疏因子圖模型來實現(xiàn)，這是一個思路，實現(xiàn)了因果關(guān)系。從整體的理論框架方面可以考慮元學(xué)習(xí)（Meta-learning）、局部修正假設(shè)（localized change hypothesis）、因果發(fā)現(xiàn)（causal discovery），最后架構(gòu)方面可以考慮如何學(xué)習(xí)不同對象的操作。
對于處理數(shù)據(jù)分布，傳統(tǒng)機(jī)器學(xué)習(xí)都是基于 IID（independent and identically distributed），也就是獨立同分布的假設(shè)，但實際現(xiàn)狀是很多真實場景下我們感興趣的數(shù)據(jù)往往是出現(xiàn)次數(shù)非常少的數(shù)據(jù)，也就是我們在處理時需要關(guān)注更多的是 OOD（out of distribution），也就是在數(shù)據(jù)中出現(xiàn)較少的分布，當(dāng)然這需要我們在機(jī)器學(xué)習(xí)算法中有新的數(shù)據(jù)假設(shè)。尤其是從 Agent 的角度來考慮，需要考慮哪些是影響數(shù)據(jù)分布變化的因素，以及不同分布的可組合性等方法如何對現(xiàn)在的 IID 和 OOD 進(jìn)行泛化。相對傳統(tǒng)的符號 AI 系統(tǒng)，當(dāng)前的 AI 需要更多具有泛化能力的機(jī)器學(xué)習(xí)能力。
注意力機(jī)制是最近幾年深度學(xué)習(xí)發(fā)展的一個重要技術(shù)，最近幾年在很多系統(tǒng)中都有大量應(yīng)用，注意力機(jī)制可以看做實現(xiàn)意識的第一步，在人類大腦中有自上而下的注意力和自下而上的注意力。
從認(rèn)知角度來說，意識是一個很復(fù)雜的機(jī)制，Global Workspace Theory 是 1988 年 Baars 等人提出的一個認(rèn)知神經(jīng)理論，其核心思想就是意識內(nèi)容在各種不同認(rèn)知過程中全局存在，包括 Attention、 Evaluation、 Memory and verbal report。這些概念聽起來有點抽象，后來 Dehaene、Changeux and colleagues 等人提出了一個 Global Workspace Architecture 的實現(xiàn)模型。Global workspace theory 和前面介紹的 System2 很相似，其他和意識相關(guān)的認(rèn)知理論還包括 Multiple drafts theory，這是 Daniel Dennett 在 1991 年提出的一個理論。
機(jī)器學(xué)習(xí)和意識模型相結(jié)合的關(guān)鍵是如何在機(jī)器學(xué)習(xí)中實現(xiàn)意識，或者說意識相關(guān)的理論/模型如何幫助機(jī)器學(xué)習(xí)。比如可以基于意識理論構(gòu)造一些假設(shè)，然后用機(jī)器學(xué)習(xí)的方法來驗證這些假設(shè)。當(dāng)然從人的角度來看意識，高層次的表示可以說是語言，這需要把人的兩個認(rèn)知系統(tǒng) System1 和 System2 有機(jī)地結(jié)合起來，也就是說把低層次的表示和高層次的決策結(jié)合起來。
Yoshua 還提到了前意識/意識先驗。具體可以使用稀疏因子圖，稀疏因子圖不是一個新的事，基本思路是圖模型的統(tǒng)一模型，因子圖的好處是可以把有向圖和無向圖都統(tǒng)一起來。稀疏因子圖可以用來學(xué)習(xí)變量之間的因果關(guān)系，從而構(gòu)造變量之間的因果關(guān)系（找到真正的因果關(guān)系，而不是給不同變量給一個權(quán)重，這是為什么考慮稀疏的原因）。
元學(xué)習(xí)（學(xué)習(xí)學(xué)習(xí)的模型）是可能實現(xiàn)機(jī)器學(xué)習(xí)到 OOD 和模型快速遷移的一個辦法。說到 OOD，究其原因是有行為的變化，或者是用戶行為對于數(shù)據(jù)的干預(yù)。元學(xué)習(xí)的知識表示可以有效幫助克服 OOD，比如通過元遷移學(xué)習(xí)到變量之間的因果關(guān)系，這里的挑戰(zhàn)是如何學(xué)習(xí)到未知干預(yù)變量的因果特性。最后是如何學(xué)習(xí)樣本的可能操作，類似自動機(jī)器學(xué)習(xí)，但這里是在對象的不同操作層面。
PPT 下載見 https://www.yanxishe.com/resourceDetail/1140
via spectrum.ieee.org & 學(xué)術(shù)頭條公眾號，雷鋒網(wǎng) AI 科技評論編譯
