中斷一年後，由Montreal.AI和紐約大學名譽教授Gary Marcus組織的年度人工智慧辯論於上週五晚上回歸，與2020年一樣再次以線上會議形式召開。
今年的辯論——AI辯論3：AGI 辯論——重點關注通用人工智慧的概念，即能夠整合無數接近人類水平的推理能力的機器。
影片連結：https://www.youtube.com/watch?v=JGiLz_Jx9uI&t=7s
#這次討論共三個半小時，圍繞著與人工智慧相關的五個主題： 認知與神經科學、常識、架構、倫理與道德以及政策和貢獻。
除了眾多電腦科學領域的大牛外，還有計算神經科學家Konrad Kording等16位專家參與其中。
本文簡單總結了其中5位大佬的觀點，有興趣的讀者可以透過上面的連結觀看完整影片。
作為著名的批評家，馬庫斯引用了自己在《紐約客》上的文章《「深度學習」是人工智慧發展的一場革命嗎？ 》，再次對AI的發展潑了盆冷水。
馬庫斯表示，與李飛飛團隊成功發布ImageNet後人們對人工智慧長達十年的熱情浪潮相反，製造無所不能的機器的「願望」並沒有實現。
DeepMind神經科學家Dileep George
來自GoogleDeepMind的神經科學家Dileep George曾經提出過一個名為「先天性」的概念。
簡單來說，就是某些「內建」在人類思想中的想法。
那麼對人工智慧來說，我們應該更關注先天性嗎？
對此，George表示，任何一種從初始狀態到某種穩定狀態的成長和發展都涉及三個因素。
一是初始狀態下的內部結構，二是輸入的數據，三是通用的自然法則。
「事實證明，先天結構在我們發現的每個領域都發揮著非凡的作用。」
對於那些被認為是學習的典型例子，例如習得語言，一旦你開始拆解，你會發現數據幾乎不會對其產生影響。
自從人類出現以來，語言就沒有改變過，任何文化中的任何孩子都能掌握語言就證明了這一點。
George認為，語言將成為人工智慧的核心，從而讓我們有機會搞清楚，到底是什麼讓人類成為一個如此獨特的物種。
華盛頓大學電腦科學教授Yejin Choi預測道，AI在未來幾年內的表現，將會越來越驚人。
但是，由於我們並不知道網路的深度，它們將繼續在對抗性和角落案例上犯錯。
「對機器來說語言和智力的暗物質，可能就是常識。」
##當然，這裡所說的暗物質，是對人類來說容易但對機器來說很難的東西。
馬庫斯表示，我們現在可以從大型語言模型中獲得大量的知識，但實際上這種範式需要被轉換。因為語言模型實際上被「剝奪」了多種類型的輸入。
瑞士人工智慧實驗室IDSIA主任、LSTM之父Jürgen Schmidhuber回應稱，「我們今天討論的大部分內容，至少在原則上，已經在很多年前通過『通用神經網路’得到解決。” 這樣的系統「還不如人類」。
Schmidhuber表示，隨著運算能力每隔幾年變得更便宜，「舊理論」又回來了。 「我們可以用這些舊演算法做很多當時我們做不到的事情。」
接著，IBM研究員Francesca Rossi向Schmidhuber提出了一個問題：「我們怎麼會看到仍然沒有我們想要的功能的系統？你怎麼看？那些定義的技術仍然沒有進入當前的系統？」
對此，Schmidhuber認為，目前主要是計算成本問題：
循環網路可以運行任意演算法，其中最美妙的方面之一是它還可以學習學習演算法。最大的問題是它可以學習哪些演算法？我們可能需要更好的演算法。改進學習演算法的選項。
第一個此類系統出現在1992年。我在1992年寫了第一篇論文。那時候我們對此幾乎無能為力。今天我們可以擁有數百萬和數十億個權重。
最近與我的學生進行的合作表明，這些舊概念在這裡和那裡進行了一些改進，突然間效果非常好，你可以學習比反向傳播更好的新學習演算法。
英屬哥倫比亞大學電腦科學副教授Jeff Clune討論的主題是「AI生成演算法：通往AGI的最快路徑」。
Clune表示，今天人工智慧走的是一條「人工道路」，這也就意味著各種學習規則和目標函數等等都需要靠人來手動完成。
對此他認為，在未來的實踐中，人工設計的方法終究是要讓位給自動產生的。
隨後，Clune又提出了推動AI發展的「三大支柱」：元學習架構、元學習演算法，以及自動產生有效的學習環境和數據。
在此，Clune建議增加一個「第四支柱」，即「利用人類資料」。例如，在Minecraft環境中運行的模型，就可以透過學習人類玩遊戲的影片來獲得「巨大的提升」。
最後，Clune預測，我們有30%的可能性在2030年實現AGI，而且還不需要新的範式。
值得注意的是，此處AGI被定義為「能夠完成50%以上的有經濟價值的人類工作」。
在討論的最後，馬庫斯讓所有參與者在30秒內回答一個問題：「如果你能給學生一條建議，例如，現在我們最需要研究哪個人工智慧的問題，或者如何為人工智慧日益成為主流和中心的世界做好準備，建議是什麼？」
##Choi表示：「我們必須處理AI與人類價值觀保持一致的問題，尤其是要強調多元化；我認為這是我們面臨的真正關鍵挑戰之一，更廣泛地應對諸如魯棒性、泛化和可解釋性等挑戰。」
George從研究方向角度給予建議：「先確定好想從事規模化研究還是基礎研究，因為它們有不同的軌跡。」
Clune：「AGI即將到來。所以，對於開發AI的研究人員，我鼓勵你們從事基於工程、演算法、元學習、端到端學習等技術，因為這些最有可能被吸收進入我們正在創建的AGI。對於非AI研究人員來說，最重要的可能是治理問題。例如，開發AGI時的規則是什麼？規則由誰來決定？我們又該如何讓全世界的研究人員都遵循這套規則？」
馬庫斯在晚會結束時回憶起他在上一場辯論中的發言：「培養人工智慧需要一村子的人。」
「我認為現在更是如此，」他說。 「AI以前是個孩子，現在有點像一個鬧騰的少年，還沒有完全具備成熟的判斷力。」
他總結說：「這一刻既令人興奮又危險。 ”
以上是16位頂尖學者激辯AGI！馬庫斯、LSTM之父、麥克阿瑟天才獎得主齊聚的詳細內容。更多資訊請關注PHP中文網其他相關文章！
