人工智能的突破將需要研究人員埋葬他們的斧頭

將基于規則的人工智能與“連接主義”相結合，麻省理工學院和IBM研究人員可能已經找到了下一階段AI發現的關鍵。

下一次AI突破可能需要結束長期的競爭。

多年來，人工智能研究人員在創建問題解決算法時通常采用兩種方法之一：符號或基于規則的AI，其中心是將概念，規則和邏輯手動編碼到計算機軟件中; 和連接主義，它基于人工神經網絡和大腦的數字表示，通過比較許多例子隨著時間的推移有機地發展他們的行為。

直到最近，符號AI更受歡迎，神經網絡被許多研究人員和公司所避開。但在2012年，多倫多大學的計算機科學家通過使用基于神經網絡的深度學習-AI算法取得了突破，贏得了著名的年度計算機視覺競賽ImageNet。

從那時起，深度學習和神經網絡引發了人工智能行業的一場革命，并幫助解決了之前被認為超出計算機能力的問題。今年早些時候，神經網絡的先驅們獲得了圖靈獎，相當于諾貝爾計算機科學獎。

隨著神經網絡越來越受歡迎，象征性人工智能從優雅中墮落并被推到了研究的邊緣。但是現在，在深度學習革命的七年之后，我們已經看到深度學習不是一個完美的解決方案，并且具有限制其應用的明顯弱點。

麻省理工學院和IBM的一組研究人員認為，AI的下一個突破可能來自于結束符號AI和神經網絡之間的競爭。

在本月早些時候在國際學習代表大會(ICLR)上發表的一篇論文中，這些研究人員提出了一個名為Neuro-Symbolic Concept Learner的概念，它將符號AI和神經網絡結合在一起。這種混合方法可以創建比傳統模型更靈活的AI，并且可以解決符號AI和神經網絡都無法自行解決的問題。

依賴標簽數據是有限的

麻省理工學院 - IBM沃森人工智能實驗室主任大衛·考克斯說：“深度學習是非常強大的，它不會消失。但它今天有局限性。” “其中之一就是它依賴于大量的數據。你需要有大量的數據才能訓練其中一個系統，這些數據必須經過仔細注釋。”

神經網絡的核心是由數千個變量組成的復雜數學函數。在“訓練”階段期間，網絡攝取許多標記的示例并基于其在每類示例中找到的共同模式來調整其變量。之后，當您通過網絡運行新數據時，它可以根據數據的統計相似性將數據分類為網絡以前見過的示例。神經網絡在諸如圖像分類，語音識別和自然語言處理等任務中尤其有效，這些領域基于規則的AI在歷史上一直在努力。

但這種對數據的依賴造成了嚴重的困難。“對于我們遇到的許多問題，我們現在沒有足夠的數據來培訓深度學習算法，”Cox說。

根據經驗，您擁有的質量訓練數據越多，您的神經網絡就越精確。在許多情況下，您需要數百萬個示例才能進行充分的培訓。

事實上，神經網絡的概念幾乎與AI本身一樣古老。這主要是因為大量注釋數據的可用性增加，以及可以快速處理這些數據的計算機資源，該技術在過去幾年已變得切實可行。

可解釋性是深度學習的另一個問題。很難對神經網絡做出的決策進行調查和審計，因為它們非常復雜，并且有自己的行為方式。這對他們在錯誤可能產生嚴重或致命后果的領域或法律要求 AI系統的采用者提供自動決策解釋的領域提出了挑戰。

結合符號AI和神經網絡

人工智能面臨的一項艱巨挑戰是視覺問答(VQA )的任務，在該任務中，您向AI顯示圖像并向其詢問有關存在的不同元素之間關系的問題。這很困難，因為VQA涉及圖像識別，自然語言處理和邏輯推理的任務，這些任務最好由符號AI和神經網絡協同工作。

麻省理工學院和IBM研究人員使用Neuro-Symbolic Concept Learner(NSCL)來解決VQA問題。NSCL使用神經網絡處理VQA問題中的圖像，然后將其轉換為其包含的對象的表格表示。接下來，它使用另一個神經網絡來解析問題并將其轉換為符號AI程序，該程序可以在上一步驟中生成的信息表上運行。

“將符號AI與神經網絡相結合 - 創建混合神經符號系統 - 的一個有趣的事情是你可以讓每個系統做它擅長的事情。神經網絡可以處理現實世界的混亂和相關性，以及幫助將這些符號轉換為基于規則的系統可以更有效地運行的符號，“Cox說。

混合方法的好處

研究人員在CLEVR上測試了NSCL ，這是VQA問題中使用的渲染對象圖像的數據集。以前使用神經網絡方法解決CLEVR問題的嘗試產生了令人印象深刻的結果，但是他們需要大量的訓練示例，并且開發的模型在邊緣情況(網絡尚未訓練的設置)上表現不佳。

事實證明，使用一小部分數據，NSCL能夠在CLEVR上達到99.8%的準確率，因為它不是通過數百萬個示例強制執行，而是開發了域的概念表示，這使得處理場景變得更加容易。以前沒有見過。這很重要，因為在許多領域，沒有足夠的質量注釋數據來訓練神經網絡來解決問題。

此外，在某種程度上，NSCL解決了神經網絡的可解釋性問題。在傳統的神經網絡模型中，AI提供了問題并輸出了結果，但是它沒有解決問題的解決方法，因此很難糾正錯誤。相反，混合系統產生基于規則的程序，該程序提供其功能的逐步描述。

“在這里，你可以看到程序，你可以逐步完成它，看看它做了什么。如果得到了錯誤的答案，你就會明白為什么它得到了錯誤的答案以及它在哪里誤入歧途。如果它是正確的回答，您可以根據正確的理由驗證是否這樣做。您可以理解并審核出現的內容，“考克斯說。