人类在漫长的进化中，获得了一种能通过感知、逻辑推理来与**互动、认识**的能力。当一个梨摆在我们面前时，我们能够通过嗅觉、视觉等，判断出它是梨而非苹果。当在路上行驶时，即使行人被部分遮挡住，我们也能从露出的部分体貌特征判断出这是一个人，从而进行避让。

在人工智能领域，科学家们也一直试图让机器拥有像人一样的逻辑思维能力，帮助人完成更多工作。

近日，在2020 ICLR大会上，图灵奖得主舒亚·本吉欧（Yoshua Bengio）和扬·勒昆（Yann LeCun）发表观点称，自监督学习有望使AI产生类人的推理能力。本吉欧相信机器.终可以习得关于这个**的各种知识，这种知识的获得并不需要机器去亲身体验各种真实发生的事件，而是通过习得语言化的知识来实现。

那么机器如何具备类人的推理能力？想具备类人的推理能力还要逾越哪些障碍？

“死记硬背”让机器难有逻辑能力

购物时，无需出示支付码，将面部特征绑定银行卡就能轻松消费；回家路上，查询手机地图，可以看出哪些地段拥堵；到饭点了，跟机器人对话叫外卖……这些基于机器学习的应用，正在让人工智能变得可观可感。但机器学习面临的挑战便是，需要大量数据的积累以及很强的算力。

机器学习分为监督学习、无监督学习和强化学习。“监督学习需要对数据进行标签分类，数据需要涵盖所有可能的场景，此外，完成学习，机器还需要大量的算力。例如，如果希望创建图像分类模型，则必须为系统提供经过适当分类标记的大量图像，让模型在其中进行充分训练。有时数据量达到百万、千万级规模，需要几百万、上千万次的迭代。”中国科学院自动化研究所研究员、视语科技创始人王金桥告诉科技日报记者。

因此，减少对数据的依赖，一直是研究人员.重要的探索方向之一。在南京航空航天大学计算机学院教授陈松灿看来，监督学习往往需要大量的带有注释、标记的数据，而标记这些数据，需要人工完成，既耗时又昂贵。

然而，即使是在有大量数据“打底”的监督学习环境中，一旦机器遇到不同于训练示例的全新状况，也面临着失控的风险。

“例如无人驾驶汽车行驶在一条陌生的道路上，前方虽然出现了路杆，但如果此前系统没有遇到过这种道路模式，就会撞上去。进入摄像头视野的行人，如果未露出全貌，那系统就无法判断出这是一个人，也会撞上去。还有我们进入停车场时，有些停车杆不能及时抬起，是因为靠近停车杆的行驶角度超出了此前设定的范围。”王金桥表示，虽然数据标签的质量，对于监督学习的效果非常重要，但监督学习不应局限于这种模式，应该提高对未知环境的探索和理解能力。

 本文转自人民网，如有侵权请告知本站删除。