一輛由先進的人工智能技術驅動的自動駕駛汽車可能需要在虛擬模擬中50000次撞到樹上，才能知道這是個壞主意。但是野山羊羊羔在陡峭的山坡上攀爬時，在學習到如何找到穩(wěn)定的立腳點使自己不會掉下去之前，無從奢求從幾百次致命的試驗中復活。一個心理學家3歲的女兒也不需要無數(shù)次的練習，才能突然想到如何從椅子后面的一個開口爬上去。

今天最強大的人工智能技術借助豐富的計算資源，從零開始學習世界上的一切內(nèi)容。相比之下，人類和動物似乎能從直覺上理解某些概念，例如物體、地點以及一系列相關的事物，使他們能夠快速了解世界是如何運作的。這就引出了一個重要的“天性與教養(yǎng)”的問題：人工智能的學習是不是需要內(nèi)置人類和動物所擁有的這種先天認知機制，才能達到類似的一般智力水平？

兩位AI和心理學的頂尖研究人員在昨晚紐約大學思想、大腦和意識中心主辦的活動中對該話題進行了針鋒相對的爭論。

“無論是通過結構或通過學習，我們所擁有的AI技術中沒有一種可以構造出類似動物和人類所構造的對這個世界的表述，”YannLeCun說。他是紐約大學的計算機科學家，以及Facebook的人工智能研究所主任。

LeCun是人工智能領域深度學習的開辟者，幫助科技巨頭打造流行的自動化服務。例如在Facebook上過濾朋友的面孔，或者通過Google翻譯進行英語和漢語之間的翻譯。深度學習算法使人工智能在沒有人類和動物的認知機制的情況下，能夠執(zhí)行所有這些任務。并且，當擁有Facebook，Google或微軟等公司的巨大的計算資源時，深度學習算法在過濾大量數(shù)據(jù)的過程中逐漸學會了識別世界的某些模式，這也是某些特定感知類型的任務所需的步驟，例如圖像識別。

每個人都認同，目前的人工智能技術，如深度學習，依然無法使通用人工智能擁有與動物或人相媲美的智力。不過，LeCun認為，基于無監(jiān)督的深度學習，AI可以在開發(fā)一般智力的道路上取得進步，無監(jiān)督學習是一項最近發(fā)展的技術，消除了機器對人類提供手動標注數(shù)據(jù)的依賴。

LeCun指出，現(xiàn)代人工智能的成功在很大程度上并不是依賴于內(nèi)置假設，或結構化的關于世界是如何運行的概念。從這個意義來說，他傾向于用極簡的AI算法結構來維持這種簡單性。并且他認為這樣做時可以不用考慮人類語言學家、心理學家或認知科學家的真知灼見。“我的任務是在我們所擁有的數(shù)據(jù)量的前提下，盡量減少學習過程所需的固有認知機制，”LeCun說。

GaryMarcus卻認為沒有這么快。Marcus是初創(chuàng)公司“幾何智能”（GeometricIntelligence，已被Uber的AI團隊收購）的一名心理學研究員。他承認無監(jiān)督深度學習有成功的機會。但他認為，只有這些算法用“更豐富的原語和表示形式，而不僅僅是像素”來理解世界時，才能成功。

Marcus說：“我們想要的是孩子們也擁有的那種東西，那種用來理解物體的行為，以及世界的實體和物理學原理的表示和原語?！薄?/p>

Marcus希望看到AI研究者“從認知科學中大方采納經(jīng)驗”，通過構建更多的可以代表認知概念的結構化算法，例如目標、集、位置，和時空連續(xù)性。他引用了他自己的工作，以及同事ElizabethSpelke——哈佛大學的認知心理學家的工作，來展示人類的孩子很早就具有能察覺到某些概念的能力，例如人、物體、集和位置。他建議：為什么不在AI中采用類似的方法，使用一些能映射到相似的概念的結構？

即使LeCun自己的開創(chuàng)性工作——卷積神經(jīng)網(wǎng)絡，它可以在物體識別任務中進行更有效的計算和處理，也是證明使用更具結構化的方法來約束AI必須過濾的信息量，可以幫助AI更好的理解世界的一個很好的例子，Marcus說。

Marcus說：“我認為，我們真正需要的是系統(tǒng)地思考和分析當我們在機器學習中嵌入不同數(shù)量的固有機制時會發(fā)生什么?！?/p>

LeCun認為，AI需要一定的結構來幫助它理解世界。但他想知道生物大腦中是否有“單一的學習算法、原理或程序”，或者是否更像是一個無組織原則的無意義的“黑客”集合。在他看來，人工智能可以大大受益于單一的學習原則，或這類的原則的集合，不管有沒有內(nèi)置的先天認知機制的結構模型。

“現(xiàn)在缺少的是一個可以讓我們的機器通過觀察，以及與世界互動，來學習世界是如何運作的原則，”LeCun說?！拔覀兡壳叭鄙俚模且粋€學習預測世界的模型，在我看來，這是人工智能取得重大進展的道路上的最大障礙?！?/p>

LeCun認為，智能的本質是預測的能力，因為預測未來是對世界的狀態(tài)進行“填空”的一種非常特殊的情況。常識使得人類和動物能夠根據(jù)他們所具有的世界如何運作的知識，來填補丟失的信息。這就是為什么人類司機不需要在50000次撞到樹之后才能意識到這是一個壞主意，人類可以直接意識到如果他們把車撞到樹上會發(fā)生什么。

LeCun希望無監(jiān)督學習可以使AI最終從物理角度對世界是如何運作的形成一種意識，而不是一些低級的常識。“如果在我的職業(yè)生涯結束時候我們有一個像貓，或者老鼠一樣聰明的機器，我就很滿意了，”LeCun說。

關于AI學習最終將更多地證明“先天機制”還是“后天學習”的爭論還遠未解決。但LeCun和Marcus對于判斷哪一個是正確的關鍵表現(xiàn)指標達成了一致。如果無監(jiān)督學習算法最終需要更多的類似于對象、集合、位置等的認知表示的結構，Marcus便可以宣稱獲勝。如果無監(jiān)督學習不需要這樣的結構就能成功，那么LeCun的理論將被證明是正確的。

Marcus說：“一點點固有認知結構可能會幫助你朝著這個目標前進一大步?！?/p>

LeCun澄清：“一點點，沒錯?！?/p>