新神经网络让人工智能像人一样思考

美国科学家开发了一个具有类似人类系统泛化能力的神经网络，挑战了一个已存在35年的观点，即神经网络缺乏系统泛化的能力，不是人脑的可行模型。相关研究近日发表于《自然》。研究者表示，使用新方法或能开发出行为更像人类的人工智能（AI）系统。

人类能学习新概念，如跳跃，并将之应用到其他情景中，如向后跳或跳过障碍物；这种将新老概念结合的能力也被称为系统泛化，即学习新概念并将之与已有概念相结合的能力。1988年，研究人员提出人工网络缺少这种能力，所以不能作为人类认知的可靠模型。虽然神经网络在后来几十年里取得了重大进展，但仍很难证明其具有系统泛化的能力。

纽约大学的Brenden Lake和Marco Baroni用证据表明神经网络能掌握与人类相似的系统泛化能力。他们使用一种元学习方法优化组织能力（按逻辑顺序组织概念的能力），该系统能在动态变化的不同任务中学习，而不是只在静态数据集上优化（即之前的标准方法）。

通过并行比较人类与神经网络，他们评估了系统泛化能力测试的结果，测试要求学习伪造词的意思，并推测这些词之间的语法关系。该神经网络能掌握、有时甚至能超过类似人类的系统泛化能力。

虽然元学习方法无法让该神经网络对训练之外的任务进行泛化，但研究者认为，新结果有助于今后开发出行为更像人类大脑的AI。

人类比机器更擅长综合泛化。如果一个人知道呼啦圈、杂耍和滑板的含义，他们就能理解将三者结合在一起的含义。这篇文章展示了机器如何提高这种能力并模拟人类行为。