但我们仍然能够赶上这速度

　　今年在和机器学习领域取得的进展令人印象深刻。这些领域中受到认可的进展一年比一年多，但我们仍然能够赶上这速度。如今这些工作的大部分都建立在年初其他团队的成果之上，大多数其他领域与此不同，它们之间的引用跨越了几十年。

　　要写一篇这个领域广泛发展的总结，几乎不可避免地会导致大量的拟人描述，这篇总结确实如此。使用这些比喻仅仅是为了方便为谈论这些功能。要记住的一点是，即使许多这些功能听起来可以思考样，但是它们通常与人类认知工作原理不尽相同。目前的系统只能完成功能性的、机械式的任务，系统不具有思考的能力，尽管这种情况在逐步减少，但由于不能独立思考，系统能做的事情仍旧很有限。敬告：在阅读这篇文章时，这些功能可能会从天方夜谭到平淡无奇。

　　2015年人工智能重大的突破分为5类：跨环境抽象（abstracting across environments），直觉概念理解（intuitive concept understanding），创造性抽象思维（creative abstract thought），虚构画面（dreaming up visions），和灵巧精细动作技能（dexterous fine motor skills）。我会突出讲述一些重要的事件，它们推动了今年人工智能的发展。

　　跨环境抽象（Abstracting Across Environments）

　　人工智能领域的一个长期目标是实现人工通用智能，一个单一的学习程序可以同时在完全不同的领域进行学习和行动，可以转换一些学习到的技巧和知识，比如学会做饼干，并将这种技巧用在做布朗尼蛋糕上，甚至比以前做的更出色。在这种通用领域取得显著进展的是Parisotto、Ba和Salakhutdinov。他们在DeepMind上建立了开创性的DQN，论文发表在今年的早些时候的《自然》杂志上，它可以学习玩很多不同的雅达利游戏，并且玩的还不错。

　　这个团队并没有在每个游戏上使用全新的络，而是将深度多任务强化学习与深度迁移学习结合，这样可以在不同类型的游戏上使用同样的深度神经络。这不仅仅会使得单个实例可以成功地在多个不同游戏中使用，而且还能更好更快地学习新游戏，因为它记得其他游戏的一些模式。比如，它可以更快地学习新的球游戏，因为它在玩乒乓球的时候已经形成了这样的概念 用球拍击球是有意义的抽象。这还不算是通用智能，但是它是达到通用智能的一块垫脚石。

　　不同模式推理是今年的又一大亮点。艾伦人工智能研究所和华盛顿大学一直致力于研究测试对话AI，经过多年的研究，已经从四年级水平测试提升到了八年级水平测试，今年他们宣布已经开发出一套系统可以解决美国高考中的几何学部分的问题。这些几何测试包括图表组合（combinations of diagrams），补充信息（supplemental information）和词语问题（word problems）。在更小范围的AI中，这些不同的形式将典型地分别分析，基本上根据不同的环境。这套系统结合了计算机视觉和自然语言处理，将它们内嵌在同样的结构化形式体系中，然后应用集合推理来回答选择题，它的表现可以与美国高二年级学生平均水平媲美。

　　直觉概念理解（Intuitive Concept Understanding）

　　在过去的几年里，深度学习产生了一种更为通用的多模式概念方法：亚符号知识（Subsymbolic knowledge ）和推理（reasoning）可以隐式地被系统理解，而不需要明确的编程甚至明确的表示。今年，对于我们人类可以涉及到的概念的亚符号理解的研究已经取得了相当好的进展。这一进展有助于研究古老符号的来源 这些符号或文字的意思如何形成。这种日益流行用来解决这一问题的方式使用了联合嵌入方法（joint embeddings ） 深度分布式表示，同一概念上的不同形式或看法，非常紧凑地放置在一个高维度的向量空间中。

　　去年，这项技术被运用到了例如自动撰写图片标题这些功能上，而今年，来自斯坦福大学和特拉维夫大学的团队将这一基本思想沿用到了联合嵌入图像和三维形状上，以桥接计算机视觉和图形。Rajendran等人则使用联合嵌入，以不同方式和不同语言，一次性支持多种有意义相关映射的聚集。随着这些嵌入变得更加复杂和详细，它们就可以成为更多复杂人工智能广为使用的技术。Ramanathan等人已经利用它们创建了一个系统，可以从一组相片和字典的不同行为类型中学习有意义的关系模式。

　　随着单一系统做的事情越来越多，以及将深度学习作为基础，数据特征和所学概念之间的界限将会消失。这种深度特征实现的另一个例子是，来自康奈尔和WUStL的团队，使用一种降维的深度络权重形成卷积特征表面，可以简单地在该表面滑动，从而自动地、真实地对照片的某一方面做有意义的改动，例如，改变人物的面部表情或者年龄或者为照片着色。

　　深度学习技术的一个障碍是，它们需要大量的训练数据来产生良好的结果。相反，人类往往能够从单个例子学习。Salakhutdinov、Tenenbaum和Lake已经克服了这个困难，他们使用了一项技术叫做从单实例中使用贝叶斯程序归纳法进行人类层次的概念学习（human-level concept learning through Bayesian program induction from a single example）。该系统然后能够绘制符号的变化形式，而且与人类绘制出来的难以区分。

　　本文由入驻维科号的作者撰写，观点仅代表作者本人，不代表OFweek立场。如有侵权或其他问题，请联系举报。