人類在漫長的進化中，獲得了一種能通過感知、邏輯推理來與**互動、認識**的能力。當一個梨擺在我們面前時，我們能夠通過嗅覺、視覺等，判斷出它是梨而非蘋果。當在路上行駛時，即使行人被部分遮擋住，我們也能從露出的部分體貌特征判斷出這是一個人，從而進行避讓。

在人工智能領域，科學家們也一直試圖讓機器擁有像人一樣的邏輯思維能力，幫助人完成更多工作。

近日，在2020 ICLR大會上，圖靈獎得主舒亞·本吉歐（Yoshua Bengio）和揚·勒昆（Yann LeCun）發表觀點稱，自監督學習有望使AI產生類人的推理能力。本吉歐相信機器.終可以習得關于這個**的各種知識，這種知識的獲得并不需要機器去親身體驗各種真實發生的事件，而是通過習得語言化的知識來實現。

那么機器如何具備類人的推理能力？想具備類人的推理能力還要逾越哪些障礙？

“死記硬背”讓機器難有邏輯能力

購物時，無需出示支付碼，將面部特征綁定銀行卡就能輕松消費；回家路上，查詢手機地圖，可以看出哪些地段擁堵；到飯點了，跟機器人對話叫外賣……這些基于機器學習的應用，正在讓人工智能變得可觀可感。但機器學習面臨的挑戰便是，需要大量數據的積累以及很強的算力。

機器學習分為監督學習、無監督學習和強化學習。“監督學習需要對數據進行標簽分類，數據需要涵蓋所有可能的場景，此外，完成學習，機器還需要大量的算力。例如，如果希望創建圖像分類模型，則必須為系統提供經過適當分類標記的大量圖像，讓模型在其中進行充分訓練。有時數據量達到百萬、千萬級規模，需要幾百萬、上千萬次的迭代。”中國科學院自動化研究所研究員、視語科技創始人王金橋告訴科技日報記者。

因此，減少對數據的依賴，一直是研究人員.重要的探索方向之一。在南京航空航天大學計算機學院教授陳松燦看來，監督學習往往需要大量的帶有注釋、標記的數據，而標記這些數據，需要人工完成，既耗時又昂貴。

然而，即使是在有大量數據“打底”的監督學習環境中，一旦機器遇到不同于訓練示例的全新狀況，也面臨著失控的風險。

“例如無人駕駛汽車行駛在一條陌生的道路上，前方雖然出現了路桿，但如果此前系統沒有遇到過這種道路模式，就會撞上去。進入攝像頭視野的行人，如果未露出全貌，那系統就無法判斷出這是一個人，也會撞上去。還有我們進入停車場時，有些停車桿不能及時抬起，是因為靠近停車桿的行駛角度超出了此前設定的范圍。”王金橋表示，雖然數據標簽的質量，對于監督學習的效果非常重要，但監督學習不應局限于這種模式，應該提高對未知環境的探索和理解能力。

 本文轉自人民網，如有侵權請告知本站刪除。