人可以从有限的数据中习得丰富的概念知识，只需要举出一个全新概念（红色方框）的例子便能（一）对其它例子进行分类；（二）举出新例子；（三）将物体化整为零，分析关系（各部分以颜色区分）；（四）根据相关概念产生新的概念

在看过一个简单例子之后，新型的人工智能程序便能像人类一样准确识别手写的文字，而目前最为先进的机器学习算法（主要采用深度学习技术）需要向它展示数千个手写文字的例子，以使其分辨出A和Z的不同。

该软件的开发者是来自纽约大学的研究员布兰德·莱克（Brendan Lake，图中）、多伦多大学的计算机科学助理教授鲁斯兰·萨拉克霍特迪诺夫(Ruslan Salakhutdinov，图左)以及麻省理工学院麻省理工学院大脑与认知科学系的教授约书亚·特南鲍姆（Joshua Tenenbaum，图右）。

这项技术的细节详情以及有关思路已于本月刊登在《科学》杂志上

计算机在过去几年间便得更加智能，它们学会了识别人脸、理解对话，甚至能安全驾驶等等。取得的多数进步均依赖大型或深度的神经网络。

但这些系统有一个重大的缺陷：它们需要大量的数据才能学习完成最简单的任务内容。

这一限制的主要原因是，相关算法无法像我们一样对信息进行处理。

尽管深度学习模型是建立在一个虚拟的神经元网络上——该方法已经在知觉任务领域大有成效——但其仅是非常粗略地模仿了大脑的工作方式。

深度学习算法将一张图片中的像素与某一文字联系起来。大脑以类似的方式处理一些视觉刺激信息，但人类采用更高级的认知功能形式来解释图片中的内容。

研究人员采用了贝叶斯程序学习（BPL，BayesianProgram Learning）框架进行研究。从本质上将，软件可使用虚拟笔画针对每个字母建立唯一的程序，然后使用概率变成技术对程序和相应的字母进行匹配，或为陌生的字母建立新程序。

该软件并非模仿儿童习得阅读和写字能力的方式，而是已经有阅读和写字能力的成人采用的识别和再现新文字的方式。

特南鲍姆说：“概率编程的关键点（有别于大部分深度学习软件）在于它是从描述各种因果过程的程序入手。”“我们努力习得的不是特征书写或特征模式，而是产生那些字母的程序”。

红圈标出的是机器的画作，未标出得是人的画作

特南鲍姆及其同事让人和软件在看过一个手写例子后画出新字母，之后要求一组人员判断字母是由人还是机器所写，以此测试这种方法的可靠性。他们发现，只有25%的人员能看出不同之处。（见上动图）

该研究团队称这项技术能投入更多实际应用中。例如，使计算机快速学会识别并运用一种语言的新词。或使计算机识别某一物体的新范例。更笼统地说，该方法为人工智能领域指明了一个重要的新方向。

来自多伦多大学的心理学教授杰弗里·辛顿（Geoffrey Hinton）曾为深度学习的发展做出重大贡献，他表示，这是人工智能领域发展迈出的重要一步。“这是精彩的一页，也为从少量例子中获取新知识树立典范。”

辛顿是论文的作者之一萨拉克霍特迪诺夫的博士导师，他说，人工智能的研究人员可以从神经科学和认知科学领域学习到许多有用的知识。

他也建议那些为识别手写文字而研发的系统能真正与深度学习技术兼容。“我认为你能从这两个领域获得最有价值的东西。”

加里·马库斯（Gary Marcus）是来自纽约大学的认知科学家兼几何智能公司（GeometricIntelligence）共同创始人，同时也正研究受人类行为启发的机器学习方法。

他表示，他并不完全赞同人类大脑以《科学》论文所描述的方式运作。但他认为，该方法为人工智能领域指明了一项重要的目标，因为在许多情况下我们都无法为机器提供大量数据供其学习。

“主导范式的问题是过于依赖数据量。”马库斯说道。“这证明你能学得更快。同时我认为应该有很多人开始思考这个问题了。”

马库斯还补充道，语言是这类系统的杀手级应用。许多深度学习的研究人员已经着手攻克这一挑战，马库斯认为要想解决该挑战，机器应以更高效、更灵活的方式学习。

“当机器真正理解语言时，人工智能领域转折点便会到来。”他说。“不仅仅只是简单地翻译，而是真正理解你所表达的意思。”

MIT Technology Review 中国大陆地区独家授权，

未经授权严禁转载。

关注即将商业化的技术创新，

分享即将资本化的技术创业。

如需转载合作请直接回复“转载”

长按二维码关注：