557,解决最后一公里短板,提升语义网络内涵,使之具有实现可解释人工智能(或实现认知智能)的能力,尚待努力!
在跟贴263、521中,谈到提升语义网络内涵的解决之道,要坚持数据(第二代人工智能)、知识(第一代人工智能)融合统一的双驱动。
在谈到语义网络建设中未及攻克的难关时,跟贴530指出,不少知识是目前语义网络还不能概括的,如常识,常识是难以定义、表达、表征的,目前的大规模语义网络尚不包括常识,如常识外,还有背景知识、专业知识、专家经验、隐性知识等,也不能被大规模语义网络所概括。
跟贴457也指出,常识是无法穷尽不成文的规则,是一种广泛可重复使用的背景知识。建立常识库,以此实现自动化常识推理第一步,但做起来难度之大到难以想像!
在跟贴457中也谈到:人工智能要变得像人一样聪明,常识推理能力是必备的,背景知识在学习和训练时是不可或缺的,对于常识、专业知识、专家经验,机器是很难识别的。机器缺去常识推理,何时到了破局的时候?!
在1-551条跟贴中,不少专家致力于研发大规模语义网络(知识图谱)中可理解、可解释的内函。以跟贴457为例:
OpenAI于2019年公布GPT一2:具有15亿参数的通用语言模型,这在语言模仿上有较大进展,但它还是缺乏基本常识。
跟贴457推荐华盛顿大学叶锦才(YejinchoYejinchoj)研发团队关于常识推理攻关研究进展。他们提出了自动知识图谱构建模型COMET,融合了GOFAI式的符号推理和深度学习(知识和数据双驱动)两种人工智能方法。
近年来,大规模语义网络(将人类语言转化为机器可理解的内容)有很大进展,同时建设大型常识库也有不少探索,如果有人要查阅这方面的资料,推荐查阅跟贴1-556。
558,ISO的可解释AI标准项目
2020年是国际标准组织ISO/IEC JTC1成立人工智能标准分委员会SC42的第三年。在不久结束的第六次年会上,SC42批准将新标准项目提案《机器学习模型和人工智能系统的可解释性之目标和方法》提交SC42的全体成员国投票表决。这一项目旨在本文档描述可用于实现ML模型和AI系统的行为、输出和结果方面的不同利益相关者的可解释性目标的方式方法。所谓利益相关涉及学术界、产业界、政策制定者和最终用户等。不出意外,此项目将最快明年春天开始,预计2020年中完成。
559,机制主义通用智能理论
(钟义信教授来信)
陆总:您好!您寄来的《国内外AI跟贴留言》第六集收到了,非常感谢!
向您报告:我们原先发现的“普适性智能生成机理”不但适用于人工智能,而且适用于人类智能。因此,“机制主义通用人工智能理论”可以推广成为“机制主义通用智能理论”。这里的关键就在于“研究范式的革命”。
这太有意思了!
如果您有兴趣和时间,我可以给您做一个具体的汇报。
钟义信
560,MIT评论:机器学习模型构建中的缺陷
我们训练的人工智能的方式根本上是有缺陷的
我们今天使用的大多数机器学习模型的构建过程无法判断它们在现实世界中是否有效,这是一个问题。
https://www.technologyreview.com/2020/11/18/1012234/
561,全球最大的人工智能研发组织LFAI董事会执行董事IbrahimHaddad应邀在《第15屆开源中国开源世界高峰论坛(线上会议)》上作报告,介绍LFAI组织由上千家公司、10所大学组成(迄今为止)。Ibrahim答复陆主席询问哪10所大学?如下:①治亚理工学院,②哥伦比亚大学,③斯坦福大学,④宾夕法尼亚大学,⑤纽约大学,⑥麻省理工学院(大学),⑦哈佛大学,⑧牛津大学,⑨佛罗里达州立大学,⑩哥本哈根大学。