米兰·(milan)中国官方网站-深度知识的6个维度：如何让人工智能真正理解世界？
作者 | Gadi Singer
编译 | 王玥
编纂 | 陈彩娴甚么常识让咱们变患上智慧？咱们用来理解世界、注释新体验及做出寻思熟虑的选择的认知布局是甚么？界说一个阐明给人类某人工智能更深切理解及更高认知的常识的框架，将有助在咱们对于此话题举行布局化的会商。
近日，英特尔试验室副总裁兼紧迫人工智能研究主任Gadi Singer先容了这类付与人工智能更高认知的常识构建（knowledge constructs）的数个维度，并指出一条通往更高智能呆板的门路。
图为英特尔试验室副总裁 Gadi Singer
更高条理的呆板智能的焦点，多是让常识构建帮忙人工智能体系构造本身的世界不雅，付与人工智能理解意义、事务及使命的能力。云云一来，呆板认知将从数据扩大到常识布局，包括描写性常识、世界动态模子及发源等维度。
于进修语言时，咱们要区别情势（form）及意义（meaning）：情势指的是用来表达意义的符号，也就是外貌的表达。每一种情势于特定的语境中都有特定的寄义，而情势于差别的语境中可以有差别的寄义。
正如Bengio及Schölkopf等人于“Towards Causal Representation Learning”一文中总结的那样：“今朝呆板进修的年夜大都乐成都是源在对于适量网络的自力及不异漫衍（i.i.d）数据的年夜范围模式辨认。”体系接收可不雅察到的元素，如文本字符、声音旌旗灯号及图象像素，并成立模式及随机相干性，同时于基在辨认的使命中孕育发生精彩的成果。
论文地址：https://arxiv.org/pdf/2102.11107.pdf
愈来愈多的人认为，算法必需逾越外貌相干性，到达真正理解的程度，从而实现更高程度的呆板智能。这类完全的改变将使所谓的System 二、3rdWave或者广义/矫捷的 AI 成为可能。正如Gadi Singer于焦点博客“认知人工智能的突起”中所说的那样，更高程度的呆板智能需要深条理的常识构建，这类常识构建可以将人工智能从外貌相干性转化为真正理解这个世界。
美国国防部高级研究规划局（DARPA）的 John Launchbury 指出，于第三次人工智能海潮中，抽象（好比创造新的意义）及推理（计划及决议计划）将掀起一场新革命。第三次海潮自己的特色是语境顺应，即体系为实际世界的各类征象构建语境注释模子。
常识维度中有两个维度反应了对于世界的见解，一个是描写性维度，描写性维度对于世界上存于的事物举行了观点性的抽象，另外一个是实际世界和其征象的动态模子。
此外，故事晋升了人类于配合信奉及神话基础上的理解及交流繁杂故事的能力。语境及来历归因以和价值及优先级是元常识维度，这些维度带来了基在前提的有用性及常识的不停叠加。末了，观点参考是布局基础，跨维度、模态及参考而存于。
这六个常识维度联合于一路，可让人工智能不单单逗留于事务相干性上，而是得到更深切的理解，由于这六个常识维度的潜于观点是连续的，可以注释及猜测已往及将来的事务，甚至答应规划及干涉干与，并思量反事实的实际——是以文中利用了“深度常识（deep knowledge）”一词。
阐明及描写呆板智能所需的常识构建类型，有助在确定实现这类常识构建的最好方式，从而实现更高程度的呆板智能。
1撑持更高程度智能的六年夜常识维度对于在人工智能体系来讲，实行人类理解及交流中不雅察到的常识构建可以为智能提供本色性的价值。当所有的常识类型都获得撑持及组应时，现实价值会年夜幅增加。
图注：撑持更高程度智能的常识维度。图源：Gadi Singer/英特尔试验室
1. 描写性常识：条理、分类及属性继续
描写性常识（即观点性的、命题性的或者陈述性的常识）描写事物、事务、事物/事务的属性以和其之间的瓜葛。假定利用（适量的）类或者观点的分层，深度描写性常识就能扩大其原有的界说。这种常识可以包括事实及记载体系。与特定用例及情况相干的事实及信息可以作为条理常识举行构造、使用及更新。
单小我私家工智能体系中利用的基础本体（ontology）可使用来自筹谋体系的与使命相干的类及实体（例如，OpenCyc本体或者AMR定名的实体类型）举行播种。这类基础本体应该是可以经由过程神经收集/呆板进修技能举行扩大——也就是说，获取新常识就会获得新的实体，瓜葛及类。
2.世界模子
世界上的征象模子让人工智能体系可以或许理解环境、注释输入/事务以和猜测潜于的将来成果并采纳步履。征象模子是抽象/归纳综合，可以分为正式模子及类似（非正式）真实世界模子；征象模子答应于特定环境下对于实例利用变量及运用步伐，并答应对于特定实例或者更通用的类举行符号操作。
正式模子的例子包括逻辑、数学/代数及物理。与正式模子比拟，实际世界的模子凡是是经验的、试验性的、有时甚至显患上有些杂乱。实际世界的模子包括物理模子、生理模子及社会学模子。步伐模子（“专有常识”）包括于这个类中。
因果模子可以帮忙人工智能体系成长更上一层楼。于语境发生变化的环境下，假如与因果瓜葛等常识模子相联合，并理解了节制缘故原由的语境及思量反事实的能力，那末已往的统计数据就能够有用地运用在此刻从而猜测将来。这些模子有助在从前提及可能因素的角度理解环境或者事务。因果推理是人类思惟不成或者缺的构成部门，经由过程这类方式可以实现人类聪明级另外呆板智能。
3. 故事及剧本
正如汗青学家尤瓦尔·哈拉瑞所说，故事组成了小我私家及社会的文化及世界不雅的要害部门。故事的观点对于在充实理解及注释人类的举动及交流是须要的。故事是繁杂的，于一个联贯的叙述中可能包罗多个事务及各类信息。故事不单单是事实及事务的调集，故事还有包罗了主要的信息，这些信息有助在成长对于所出现数据以外的理解及归纳综合。与世界模子差别的是，故事可以被视为具备汗青意义、参考意义或者精力意义。故事可以代表价值不雅及履历，这些价值不雅及履历会影响人们的信奉及举动。例子包括宗教或者平易近族故事、神话，以和于任何条理的人群中分享的故事。
4. 语境及来历归因
语境的界说是缭绕着某个事务并为其自圆其说提供资源的框架。语境可以看做是一种笼罩的常识布局，调治着它所包罗的常识。语境可所以长期的，也能够是短暂的。
长期的语境可所以持久的（好比从西方哲学角度或者东方哲学角度获取的常识），也能够跟着时间的推移、按照新的进修质料而转变。长期语境不会对于每一个使命举行更改。
当特定的当地语境很主要时，瞬态语境是相干的。单词是按照其周围句子或者段落的局部语境来注释的。图象中感兴致的区域凡是于整个图象或者视频的语境中获得注释。
长期语境及瞬态语境的联合可以为注释及操作常识提供完备的设置。
常识的另外一个相干方面是数据来历（又名数据追溯），其包括数据来历、于数据流传的历程中发生了甚么以和跟着时间的推移数据将去往何方。人工智能体系不克不及假定所吸收的所有信息都是准确或者可托的，特别是于被称为“后本相时代”的环境下信息更不成容易信赖。将信息与其来历相干联多是成立可托性、可认证性及可追溯性所必须的。
5. 价值及优先级（包括善/威逼及伦理）
常识的所有方面（例如，对于象、观点或者步伐）于整个判定规模内都有相对于应的价值——从最年夜的善到最年夜的恶都有对于应。可以假定，人类智力的进化包括寻求回报及防止危害（好比，寻求吃午饭；防止被当做午饭）。这类危害/回报的联系关系与常识慎密相连。潜于的患上掉具备功利价值；对于在实体或者潜于的将来状况，还有有一种基在伦理的价值。这类基在伦理的价值反应了一种品德价值不雅，即“善”不是基在潜于的有形回报或者威逼，而是基在对于甚么是准确的潜于信念。
价值及优先级是元常识（meta-knowledge），其反应了人工智能体系对于常识、步履及成果相干方面的主不雅断定。这为问责制奠基了基础，应该由卖力特定人工智能体系的人当真处置惩罚。当人工智能体系与人类互动并做出影响人类福祉的选择时，潜于的价值及优先级体系很主要。
6. 观点参考：消弭歧义，同一及跨模态
常识因此观点为基础的。例如，“狗”是一个抽象观点——一个有多个名称（于各类语言中狗的说法都纷歧样）、一些视觉特性、声音遐想等等的观点。然而无论其体现情势及用法怎样，“狗”这个观点都是并世无双的。“狗”的观点被映照到英语单词“dog”，以和法语单词“chien”。“狗”的视觉特性可能以下图：
同时“狗”也及汪汪吠啼声对于应了起来。
观点援用（Concept Reference，简称ConceptRef）是与给定观点相干的所有事物的标识符及援用集。观点援用自己现实上不包罗任何常识——常识驻留于前面先容的维度中。观点援用是多维常识库（KB）的要害，由于观点援用交融了观点的所有表象。
Wikidata就是集中存储布局化数据的多维常识库的一个很好的例子。于Wikidata中，项（items）代表人类常识中的所有事物，包括主题、观点及对于象。Wikidata的条款与这个框架中ConceptRef的界说相似——只有一个要害的区分：于Wikidata中，术语“项”既指给定的标识符，也指有关标识符的信息；而ConceptRefs 只是带有指向KB指针的标识符。关在观点的信息则被填充于前面章节中描写的各类视图中（例如与观点相干的描写性或者步伐性常识）。
知识
知识常识由隐性信息构成，隐性信息是指广泛（且为公共同享）的不可文的假定，人类主动应用这些假定来理解世界。人工智能想要更深切地舆解这个世界，将知识运用到情境中是必不成少的。于这个框架中，知识常识被认为是上述六种常识类型的子集。
2理解与常识类型之间的瓜葛理解是智能的基础。向更高级呆板智能的成长激发了一场关在“理解”的会商。约书亚·本吉奥将拥有人类理解能力的人工智能描写为：
大白因果瓜葛，理解世界怎样运转；
理解抽象的举动；
知道怎样利用以上常识去节制、推理及规划，纵然是于新奇的场景中也依然拥有这类能力；
注释发生了甚么;
out-of-distribution（即OOD，漫衍外）天生。
而以常识为中央的对于理解的界说是：用富厚的常识暗示创立世界不雅的能力；获取及注释新信息以加强这类世界不雅的能力；以和对于现有常识及新信息举行有用推理、决议及注释的能力。
这类理解不雅点的先决前提因此下四种功效：
具有富厚的常识；
获取新的常识；
可以或许跨实体及瓜葛毗连常识实例；
对于常识举行推理。
理解不是二元属性，而是因类型及水平而异。这一不雅点的焦点是常识的素质和其表征——常识布局及模子的表达能力可以促成理解及推理能力快速成长。
想象所有的人[及呆板]
正如阿尔伯特·爱因斯坦所不雅察到的：“智能的真正标记不是常识，而是想象力。”要真正理解，呆板智能必能逾越数据、事实及故事。要重修，发明及创造一个可不雅察属性及事务暗地里的宇宙模子，想象力是须要的。从人工智能体系的角度来看，想象力是经由过程创造性推理实现的，也就是举行归纳、演绎或者溯因推理，并孕育发生不受以往经验及输入输出相干性严酷划定的新奇成果。
常识暗示及推理是人工智能的一个成熟范畴，这个范畴处置惩罚关在世界的信息暗示，使计较机体系可以或许解决繁杂的使命。常识及推理纷歧定是大相径庭的，而是代表了一个从已经知到揣度的光谱。呆板理解将经由过程构建常识的能力辅以进步前辈的相干推理（例如，几率推理及貌同实异推理、溯和推理、类比推理、默许推理等）来获得实现。
成立于深度常识基础上的神经符号AI
于令人工智能更有用、更卖力任及更高效地为人们提供撑持的历程中，咱们的方针是令人工智能体系更强盛，同时鞭策人工智能到达更高的认知及理解程度。科学家已经经于处置惩罚数据、辨认模式及寻觅转眼即逝的相干性方面取患了巨年夜的进展，但仍有须要思索哪些常识类型能付与人工智能体系对于世界建模及理解世界的能力。
当咱们对于人工智能得到更高条理的认知所需要的常识布局的类型有了更深的理解时，咱们就能够继承于这个深度常识的基础长进行构建，使呆板可以或许真正地舆解世界。
原文链接：
https://co妹妹unity.intel.com/t5/Blogs/Tech-Innovation/Artificial-Intelligence-AI/Understanding-of-and-by-Deep-Knowledge/post/1385497
雷峰网(公家号：雷峰网)
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
-米兰·(milan)中国官方网站
