人工智能研发的持续重新校准强调了机器学习的一个基本原则：我们必须先学会爬行，然后才能走路。

到目前为止，人工智能的炒作主要是在谈论而不是在走路。回到似乎是工程第一原理的东西，美国的研究工作正试图超越目前仅擅长特定任务的“脆弱”人工智能模型。目标是开发更通用的模型，可以像人类在新情况下一样适应。

在这些努力中，有一个由美国国防高级研究计划局 (DARPA) 监督的机器常识计划，该计划旨在为机器学习模型注入地球上最快的学习者(婴儿)所展示的各种常见推理。

(资料图片仅供参考)

“最先进的人工智能或机器学习的挑战之一是它往往非常狭窄，因此它专注于特定任务并且不能很好地概括，”一个程序马特图雷克说DARPA 信息创新办公室经理。

Turek 说，与人工智能研究人员一起，DARPA 已经招募了儿童行为心理学家来绘制和编码“受婴儿启发的常识”。“0 到 18 个月的孩子可能是世界上最好的学习者。他们探索更多，并且在某些方面比成年人承担更多风险。”

由此产生的常识性 AI 算法将为机器学习模型注入对 AI 推理所需的对象、位置、关系和其他属性的更一般理解。

DARPA 的常识性方法旨在通过“学习这些常识性事实，将它们应用于新情况，并在我们的学习过程中更加灵活和适应”，从而超越当前狭隘的 AI 系统，Turek 说。“这些对于拥有更强大、更通用的系统至关重要。”

该研究工作还寻求开发更广泛的知识和推理技术存储库，使机器学习模型能够以人类通过经验所做的方式适应不同的问题。

为此，为期四年的工作是基于大型、精选数据集和随附的推理能力来编译大型常识知识库。该计划还更多地利用模拟生成的合成训练数据。

一个输出是知识图，语义数据网络，表示关于特定对象的事实以及它与其他对象的关系。然后，该语义数据网络，或现实世界的情况、对象和概念以及它们之间的关系，将在人工智能系统中进行扩展。Turek 在接受采访时补充说，该研究机构希望应用深度学习和卷积神经网络等技术来开发“这种方法的新倾向”。

他补充说，目标是“大型常识知识库”。

在另一条轨道上，人工智能研究人员正在应用现有的基准并探索新的指标，以试图衡量在机械敏锐度方面取得的进展。例如，网络浏览已被用于组装能够回答基于自然语言和图像的查询的机器常识存储库。该结果已 针对面向机器常识的艾伦人工智能研究所基准进行了测试。

“这些都是我们在整个计划中持续评估自己的方式的一部分，”Turek 说。

在其起步阶段，常识性人工智能似乎正在从爬行过渡到迈出第一步，试探性的步骤。“我们距离高度信任的关键任务系统还有很长的路要走，该系统具有人类学习的灵活性和人类所拥有的知识广度，”Turek 承认。尽管如此，从事机器常识工作的大学研究人员正在灵活学习等领域取得进展，将他们的早期成果应用于机器人系统。

“如果你的机器人从未接受过楼梯训练，它还能处理楼梯吗?这就是这些算法开始展示的东西。”

在另一个例子中，Turek 指出，俄勒冈州立大学工程师开发的双足机器人最近完成了 5K 步跑。

这位 DARPA 官员承认，这些早期的机器人技术进步与人类理解世界的能力相去甚远。尽管如此，Turek 总结说，这些演示代表了“这些更灵活的学习算法可以展示一些具体的、现实世界的效用的有希望的早期迹象。”

关键词： 人工智能 机器学习 研究人员