反直觉！一种新方法或让AI模型拥有“联想”力，甚至能识别从未见过的事物-1

 

一种新的方法正在让人工智能模型获得人类的 “联想” 能力，甚至能让它识别此前从未见过的事物。

 

来自加拿大滑铁卢大学的博士生伊利亚（Ilia Sucholutsky）和他的博士导师马赛厄斯・尚劳（Matthias Schonlau）教授，首次提出了 “少于一次” 样本学习的概念和方法，并由此为人工智能技术的演进提供了新的思路。

 

相关研究论文于 2020 年 9 月发表在预印本网站 arXiv 上，名为 “'Less Than One'-Shot Learning: Learning N Classes From M < N Samples”。

 

伊利亚告诉 DeepTech，他们的研究显示，对于机器学习模型来说，理论上通过两个样本（example）即可训练模型学会识别任意数量类别（class）。

 

没人知道，这种方法一旦实现大规模应用，人工智能会迸发出怎样的火花。

 

高企的训练成本

 

机器学习，尤其是深度学习往往需要大量的训练数据。

 

著名的语言模型 GPT-3 使用了 45TB 的数据进行训练，这个过程耗资达到了惊人的 1200 万美元，即使有微软的鼎力相助，训练结束之后发现了一些小 Bug 也不舍得重新训练。

 

目前，GPT-3 是炼丹师们 “大力出奇迹” 的集大成者，但可以预见，不远的将来一定会有新的模型超越并取代它的位置。

 

“更多更大更强” 的思路是没有尽头的。假如我们稍稍停下疲于奔命的脚步，回归到现实中的人类学习过程，就会发现一个触及灵魂的拷问 ——人工智能真的必须依托如此巨量的数据才能够实现吗？

 

相信很多人的答案并不笃定。

 

举个例子，假如现在需要让人工智能模型 “认识” 马这种动物。常规的做法是挑选成百上千的马匹图像对其进行训练。

 

之所以需要如此之多的样本，是因为同样一匹马，仅仅是转换一个拍摄角度，或微调一些肉眼无法观察的像素点，人工智能就会识别失败，所以需要大量的大小、颜色、体态、朝向、品种不一的样本填满人工智能的 “盲区”。

 

即便如此，人工智能的识别成功概率也不能达到 100%，我们离创造真正可以复现大脑理解能力的人工智能还非常遥远。

 

但人类的儿童，却只需要一张看图识字的卡片，便能轻易分辨出唐僧所骑乘的是马，而不是其他外型类似的生物。并且，儿童一旦学会识别某种事物，这项技能终其一生都很难忘记，只会越来越熟练。

 

更有甚者，儿童可以在没有任何真实示例的情况下 “认出” 一个新的物体</