人工智能五大能力水平：基于深度学习的人工智能分类

【新智元导读】本文作者基于深度学习提出人工智能的五大分类：1.仅分类（C）；2.记忆分类（CM）；3.知识分类（CK）；4.不完全知识分类（CIK）；5.协同不完全知识分类（CCIK），希望能让我们知道我们目前处在人工智能的哪个阶段，以及我们最终能到达哪里。

（文／）Arend Hintze 曾把人工智能分为以下四个类型：

反应机器：是最基本的 AI 类型，它们无法形成记忆，也无法利用过去的经验来做决策。在设计好的任务之外，它们无法起作用。

有限的记忆：这种类型的 AI 能够根据过去的经验进行当前的决策。但是，这种记忆是转瞬即逝的，无法用于未来的经验。

心智理论：这些系统能够形成对世界的表示，以及与之交互的其他智能体。

自我理论：在这里，主要是推测性的描述。

相比“狭义AI”（Narrow AI）和“通用AI”（General AI）的二分法，我更喜欢这种分类。这个分类试图将“狭义AI”分成3类，让我们对不同的AI实现间的区别有更多概念。我对这个分类的保留意见是，它们似乎来自一种 GOFAI（有效的老式人工智能）的基调。此外，从“有限的记忆”到“心理理论”的跳跃也似乎太大了。

因此，我想更针对深度学习领域提出我对人工智能的分类，而且我的分类更实用，对业者来说更有帮助。这个分类能让我们知道我们目前处在人工智能的哪个阶段，以及我们最终能到达哪里。

深度学习能力的实用分类：

1.仅分类（C）

这个级别包括完全连接神经网络（FCN）和卷积神经网络（CNN）以及它们的各种组合。这些系统把高维向量作为输入，并且达到一个单一的结果作为输出，通常输入向量的分类。这些系统可以被视为无状态函数，也就是说它们的行为仅仅是当前输入的一个函数。生成模型是这一类里热门的研究领域之一。简言之，这些系统本身已经是相当有能力的。

2.记忆分类（CM）

这个级别包括与 C 级的网络相对应的存储器元件。LSTM 是这一类的典型例子，其中记忆单元嵌入在 LSTM 节点内。其他的还有 DeepMind 的神经图灵机（NMT）和可微分神经计算机（DNC）。这些系统能在计算时维持状态。

3.知识分类（CK）

这个级别有点类似 CM 级，但与原始记忆不同，C 级的网络能够访问的信息是符号知识库。我实际上发现了三种符号整合，一种是转移学习方法，一种是自上而下的方法，另外一种是自下而上的方法。第一种方法使用作为正则化项的符号系统。第二种方法是在层级的顶部具有由神经表示在底部构成的符号元素。最后一种方法则与第二种方法相反，其中 C 级的网络实际上是附在一个符号知识库上。

4.不完全知识分类（CIK）

在这个级别，我们有一个建立在 CK 之上的系统，能够以不完全的信息进行推理。这类系统的一个例子是 AlphaGo 和玩扑克牌的系统。但是，AlphaGo 没有使用 CK 级，而是使用 CM 级的能力。像 AlphaGo 一样，这些系统可以通过自身运行的模拟来训练自己。

5.协同不完全知识分类（CCIK）

这个级别非常类似于“心智理论”（theory of mind），将多个代理神经网络组合到一起以解决问题。这些系统旨在解决多个目标。我们实际上在对抗网络中做执行这一系统运行机制的原始版本，通过与判别器相竞争的生成网络将学习泛化，这个概念进一步扩展到游戏理论驱动的网络，能够开展战略和战术以解决多个目标。我们目前还没有达到这个级别，在前面一级还有很多研究要做。

不同的级别能够实现前一级别中不存在的功能。例如，C级系统仅能够预测反因果关系。CM级别的系统能够非常好地进行翻译。CIK级别系统能够进行战略游戏。

除了自我意识的过程外，这种分类与 Hinzte 分类是一致的。本文没有也不打算就自我意识进行论述，同时也没有解决零点或单向学习，以及无监督学习的问题。这些都是人工智能的根本问题，正如 Yann LeCun 所说：

“如果智能是一个奶油蛋糕，无监督学习将是蛋糕胚，监督学习是蛋糕上的糖霜，而强化学习将是奶油蛋糕上的樱桃。现在，我们知道如何做糖霜和樱桃，但我们不知道如何做蛋糕。”

LeCun 最近开始使用“预测学习”代替“无监督学习”，这是一个有趣的变化，反应了 LeCun 对制作“蛋糕”（也即实现“智能”）观点的微妙变化。在 LeCun 看来，需要建立基础，我们才能在人工智能方面取得实质性进展。换句话说，在我们都能够建立“预测基础层”之前，添加再多的能力，比如存储器、知识库和合作代理，都是没有用的。在NIPS 2016会议上，LeCun 公开了这张幻灯片：

编译来源：http://www.kdnuggets.com/2016/12/5-capability-levels-deep-learning-intelligence.html