meta公司副总裁兼人工智能主管Yann LeCun发表了一篇新论文，阐述了他对“自主”人工智能的愿景，这种人工智能能够以比当今机器学习模型更像人类的方式学习和体验世界。
在人工智能首次向公众介绍以来的近70年里，机器学习获得了爆炸式的普及，并发展到令人眼花缭乱的高度。然而，尽管我们很快就开始依赖计算能力，但有一个问题几乎从该领域诞生之初就一直困扰着它:这些超级智能系统是否有一天能获得足够的感知能力，与人类匹敌，甚至超越人类?
尽管最近有一些令人怀疑的说法——例如，前谷歌工程师声称聊天机器人在被解雇前获得了感知能力——但我们离那个现实还很远。相反，与动物和人类相比，目前的人工智能和机器学习系统缺乏理性，这是“自主”机器智能系统发展的关键概念，也就是说，人工智能可以在飞行中学习，直接从现实世界的观察中学习，而不是通过冗长的训练来执行特定任务。
本月早些时候，LeCun在Open Review.net上发表了一项新研究，提出了一种解决这个问题的方法，通过训练学习算法来提高学习效率，因为人工智能已经证明，它并不擅长预测和规划现实世界中的变化。另一方面，人类和我们的动物同伴能够通过观察和极少的身体互动获得大量关于世界如何运行的知识。
LeCun除了领导meta的AI工作外，还是纽约大学的一名教授，他的职业生涯都在开发学习系统，许多现代AI应用都依赖于这些学习系统。他试图让这些机器更好地了解世界是如何运行的，可以说，他可以被誉为下一代人工智能之父。2013年，他成立了Facebook人工智能研究(FAIR)小组，这是meta首次尝试人工智能研究。几年后，他辞职成为该公司的首席人工智能科学家。
从那时起，meta在试图主导不断增长的领域方面取得了不同程度的成功。2018年，他们的研究人员训练了一种人工智能来复制眼球，希望让用户更容易编辑他们的数字照片。今年早些时候，元聊天机器人BlenderBot3(它被证明对它的创造者怀有惊人的恶意)引发了关于人工智能伦理和有偏见的数据的辩论。最近，meta的“制作视频”(making -a- video)工具能够将文本以及单个或成对的图像动画制作成视频，这对曾经前途无量的人工智能生成艺术来说无疑是雪上加霜。
例如，青少年可以通过几十个小时的重复练习来学习开车，而不需要自己亲身体验车祸。另一方面，机器学习系统在完成同样的任务之前，必须用大量的数据进行训练。
周二，LeCun在加州大学伯克利分校展示他的研究成果时表示:“一辆汽车必须多次从悬崖上跑下来，才会意识到这是一个坏主意。”“然后再经历几千次，它才意识到如何不掉下悬崖。”LeCun继续指出，这种区别在于人类和动物都有常识。
虽然常识的概念基本上可以归结为具有实际的判断能力，但LeCun在论文中将其描述为一组模型，可以帮助生物推断出什么是可能的、什么是可能的和什么是不可能的区别。这种技能允许人们探索他们的环境，填补缺失的信息，以及想象未知问题的新解决方案。
尽管如此，我们似乎确实认为常识是理所当然的礼物，因为科学家还没有能够赋予人工智能和机器学习算法任何这些能力。在同一场演讲中，LeCun还指出，许多现代训练过程，如强化学习技术(一种基于奖励有利行为和惩罚不良行为的训练方法)，在现实世界任务中无法与人类的可靠性相匹配。
“这是一个实际问题，因为我们真的希望机器具有常识。我们想要自动驾驶汽车，我们想要家用机器人，我们想要智能虚拟助手。”
因此，为了在未来十年推进人工智能研究，LeCun的论文提出了一种架构，该架构将努力减少系统成功学习和执行指定任务所需的动作数量。
就像大脑的不同部分负责身体的不同功能一样，LeCun提出了一个生成自主智能的模型，该模型将由五个独立但可配置的模块组成。作为拟议架构中最复杂的部分之一，“世界模型模块”将用于估计世界的状态，以及预测想象的动作和其他世界序列，就像一个模拟器一样。但是通过使用这个单一世界模型引擎，关于世界如何运行的知识可以在不同的任务之间轻松地共享。在某些方面，它可能类似于记忆。
尽管如此，在自动系统学会处理不确定的情况之前，还有很多艰苦的工作要做，但在我们这样一个混乱和不可预测的世界里，这无疑是我们必须尽早解决的问题。但就目前而言，处理这种混乱是我们为人的一部分。
meta没有回应对这项工作的置评请求。
