人工智能时代下机器的希望

人工智能的飞速发展为我们带来了许多便利，使机器逐渐从“自动化”迈向“智能化”，然而当前的人工智能还只是弱人工智能，在很大程度上还只是高级的自动化而并非真正的智能，而迈向真正智能的路上也遇到了很多瓶颈[1]。机器智能想要更接近人类智能，就要在很多方面更加“拟人化”，因探索人类的认知学习途径显得尤为重要，认知成为当前需要迫切解决的问题。当我们对人的认知过程有了充分的了解，探究出认知与技术的关系，并将这些应用在机器当中，利用机器来认知分析应用知识，将是人工智能未来的发展方向。

本文首先列举了一些人类具有而机器当前急需解决的难题，并给出了退而求其次的方法-机器辅助决策，最后对于当前技术最可能实现的人机混合智能进行了总结和展望。

机器为什么不如人

我将从以下五个方面介绍当前机器智能远远不足的一些原因，也是人工智能想要有所突破急需解决的难题。ASP站长网

1.抽象和联想

人的记忆能量是有限的，即人对于学习过程并不是死记硬背的，按常理来说，没有庞大记忆存储空间的人类相比于机器的海量数据支撑起的强大数据库而言，学习过程应当更慢，然而事实并非如此。原因则在于人类的学习充满了抽象和联想，而机器不会。人类的记忆擅长关联，有关联的事物更容易被记住，当想起其中一种，自然而然会关联记忆到另外一种。比如看到香喷喷的饺子就会想到之前妈妈包饺子的场景，再比如路过某一家店会唤醒曾经在这里的记忆。除此之外，人类的学习是通过不断的失败后再学习，总结失败的规律，进行联想、知识迁移和关联学习，而不是像机器一样通过海量数据不断拟合至一个近似人类的状态。

在这里，人类的记忆错误的规律也十分有趣。在2021年认知技术大会上，中国科学院上海生命科学研究院研究员王立平提到，以人类记忆一串长数字为例，相比于记忆长数字，短一些的数字串记忆效果会更好，这也印证了人类记忆的存储空间较小。其次，在长串数字的记忆中，记忆效果并不是从开头到结尾线性递减，反而是开头和结尾的记忆效果更好，中间的记忆效果较差。再者，犯错的地方常常出现在相邻之处，比如把3、4记成了4、3，数字没问题，相邻的顺序更容易记错。倘若希望机器更加拟人，人类的记忆规律是否可以应用在机器对数据的存储和调用中。而且机器系统的抽象化该如何实现，如何刻画系统抽象化的结构，怎么判断事物的相似之处并方便机器通过找规律进行学习。目前机器只能通过提取数据的共同特征，找到共同特征进行“联想”，这种方法非常机械，还需要大量的特征标签。除了比较费时费力的海量数据标注，还有什么更简便的方法来实现事物的相似化联想，值得后续的思考。

2.机器的反馈

在人类什么都不做也不思考的时候，人类的大脑神经元也不都是静止的，大脑会在此时进行一个记忆的巩固。除此之外，人类的学习有一个反思的过程。正如前面提到，人类的学习是通过不断的失败后再学习，总结失败的规律，这里面就存在着人类的反思。反思可以促进知识的积累，价值的判断，从而促进人类的进步和不断发展。映射在机器当中，则是一个反馈的过程。

在大脑中以前馈输入为主，反馈回路并不多，人却可以很好的进行反思。当前的问题在于，清晰机器的反馈应该反馈些什么，反馈给谁，才能使机器的反馈达到人类反思的效果。反馈又该如何定量刻画，对于非线性的反馈又当如何处理。

（编辑：焦作站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!