先天認知與深度學習
“天賦論學說認為,人類思維是與生俱來的思想或知識。在這種理念中,最著名的是柏拉圖的形式理論,以及後來的笛卡爾的《沉思錄》。目前,這一觀點正在獲取神經科學方面的證據,以證實我們確實生來就對我們的世界有先天的認識”。
Figure 1: An elder Plato walks alongside Aristotle, The School of Athens, Raphael
然而,“天賦論”學說與“純粹主義”機器學習方法是相沖突的。在這種“純粹的”機器學習演算法中,演算法僅從資料中學習,而無需進行顯式程式設計或配備預程式設計的計算和邏輯模組。
“思想的實際內容是非常深奧、無比複雜的;我們不應該試圖尋找一些簡單的方法來思考思想的實際內容,比如用簡單的方法來思考空間、物體、多主體或對稱性等內容。所有這些都是任意的、內在複雜的外部世界的一部分。它們不是應該被內建的,因為它們的複雜性是無止境的;相反,我們應該只構建那些能夠發現和捕獲這種任意複雜性的元方法。”
——The Bitter Lesson
Rich Sutton
March 13, 2019
但是,有一種持截然相反觀念的思想流派,建議將符號主義人工智慧技術與深度學習相結合。
深度學習的未來
紐約大學教授Gary Marcus等人提倡的一種觀點認為,深度學習需要與更古老的、象徵主義的人工智慧技術相結合,以達到人類的智慧水平。但是,Hinton並不這麼認為。Hinton將此比作使用電動馬達卻僅僅用來驅動汽油發動機的噴油器,儘管電力更節能。
與此同時,混合模型可能能夠會解決深度學習明顯的侷限性,特別是關於“深度學習目前缺乏一個明確的定義來學習抽象概念的機制,當有成千上萬、數百萬甚至數十億的訓練例項時,這種方法效果是最好”。
你是否認為我們最好把GOFAI融入深度學習呢?爭論仍在激烈進行。
新的神經學證據
在我看來,其實這些討論最終都歸結為一個問題——我們人類是透過經驗來學習一切,還是生來就具有某種形式的先天認知?
在《美國國家科學院院刊》(PNAS)上發表的一項研究表示:
“研究發現了一種突觸組織原理,它以一種動物間普遍存在的方式將神經元分組,從而獨立於個體經驗”
——A synaptic organizing principle for cortical neuronal groups
By Rodrigo Perin, Thomas K. Berger, and Henry Markram
這樣的叢集包含物理世界某些簡單工作的內容。
“在動物的新皮層中同時出現的神經元群,或稱細胞集合體,本質上是細胞的‘積木’。對許多動物來說,學習、感知和記憶可能是將這些碎片拼湊在一起的結果,而不是形成新的細胞組合。”
——Are We Born With Knowledge?
in Uncategorized
分界線
隨著越來越多的神經學證據支援先天認知的存在,用“先天”的計算模組或原語來裝備深度學習可能是有意義的。同時,其中的一些原語很有可能將基於那些從GOFAI借鑑或啟發的思想。
另一方面,我們很難預測未來的深度學習架構會是什麼樣子。Yoshua Bengio本人也承認,“在神經網路能夠達到人類大腦所擁有的一般智力之前,深度學習的新架構是很需要的。”
在我看來,與諸如神經後端和符號前端(如圖2)的清晰並置相反,符號操作很可能會與神經體系結構深度耦合和糾纏在一起。“ 與通用計算機程式相比,它們的模型要比我們當前可區分的層更豐富的基元之上構建,這是我們將如何進行推理和抽象的方法,也是當前模型的基本弱點 ”
Figure 2: Deep Symbolic Reinforcement Learning, the neural back end learns to map raw sensor data into a symbolic representation, which is used by the symbolic front end to learn an effective policy (source)
這表明,“純粹主義”和“混合主義”這兩種方法之間的界限非常模糊。因此我認為,在觀點上的分歧更多程度上是重點不同產生的分歧,而不是根本的分歧。
原文連結: https://towardsdatascience.com/ innate-knowledge-and-deep-learning-8e9405741ee2
歡迎點選“ 京東雲 ”瞭解更多精彩內容
以上資訊來源於網路,由“京東雲開發者社群”公眾號編輯整理,不代表京東雲立場。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/69912185/viewspace-2673088/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- Mybatis學習-初步認知與使用MyBatis
- 《深入淺出深度學習》之“從邏輯學到認知科學”深度學習
- 對深度學習的認識深度學習
- 心理學知覺、記憶、學習分析、認知
- Python學習 —— 初步認知Python
- 需掌握的深度學習知識深度學習
- 【深度學習】機率論知識複習深度學習
- 深度學習系列(2)——神經網路與深度學習深度學習神經網路
- 認識與學習bash
- 認識與學習 BASH
- 百分點認知智慧實驗室出品:深度遷移學習十八問遷移學習
- 機器學習vs深度學習及其知識點機器學習深度學習
- Flutter學習之認知基礎元件Flutter元件
- 深度學習與CV教程(8) | 常見深度學習框架介紹深度學習框架
- 【深度學習】深度學習:技術原理、迭代路徑與侷限深度學習
- Tensorflow2 深度學習十必知深度學習
- 當知識圖譜“遇見”深度學習深度學習
- 【筆記】動手學深度學習-預備知識筆記深度學習
- 深度學習(一)深度學習學習資料深度學習
- 【讀書1】【2017】MATLAB與深度學習——深度學習(2)Matlab深度學習
- Spring Cloud認知學習(一):Spring Cloud介紹與Eureka使用SpringCloud
- 讀這一篇,對於AI、機器學習、深度學習你都會有基本的認知AI機器學習深度學習
- 深度學習之遷移學習介紹與使用深度學習遷移學習
- 小波變換與深度學習深度學習
- 深度學習與 Spark 和 TensorFlow深度學習Spark
- 深度學習、資訊理論與統計學深度學習
- 深度學習+深度強化學習+遷移學習【研修】深度學習強化學習遷移學習
- Andrew NG 深度學習課程筆記:神經網路、有監督學習與深度學習深度學習筆記神經網路
- 深度學習與神經網路學習筆記一深度學習神經網路筆記
- 深度學習及深度強化學習研修深度學習強化學習
- 動手學深度學習需要這些數學基礎知識深度學習
- 深度學習學習框架深度學習框架
- 深度學習深度學習
- ####深度學習深度學習
- 深度 學習
- 深度學習的應用與實踐深度學習
- 再聊神經網路與深度學習神經網路深度學習
- 什麼是AI、機器學習與深度學習?AI機器學習深度學習