“因果關(guān)系對(duì)于機(jī)器學(xué)習(xí)的下一步進(jìn)展非常重要，”尤斯華·本吉奧（Yoshua Bengio）在2019年接受IEEE Spectrum采訪時(shí)說，他是圖靈獎(jiǎng)獲得者，因其在深度學(xué)習(xí)方面的工作而聞名。到目前為止，深度學(xué)習(xí)包括靜態(tài)數(shù)據(jù)集學(xué)習(xí)，這使得人工智能真正擅長處理相關(guān)聯(lián)的任務(wù)。然而，神經(jīng)網(wǎng)絡(luò)不能解釋因果關(guān)系，也不能解釋為什么存在這些關(guān)聯(lián)。他們也不是特別擅長于涉及想象力、推理和計(jì)劃的任務(wù)。這反過來又限制了人工智能將他們的學(xué)習(xí)和技能轉(zhuǎn)移到另一個(gè)相關(guān)的環(huán)境中。

蘇黎世ETH的碩士生奧薩馬·艾哈邁德（Ossama Ahmed）說，缺乏普遍性是一個(gè)大問題，他曾與本吉奧的團(tuán)隊(duì)合作開發(fā)一種用于因果關(guān)系和轉(zhuǎn)移學(xué)習(xí)的機(jī)器人基準(zhǔn)測(cè)試工具?！皺C(jī)器人（通常）接受過模擬訓(xùn)練，然后當(dāng)你試圖在現(xiàn)實(shí)世界中部署它們時(shí)……它們通常無法很好的使用他們的技能。其中一個(gè)原因是模擬的物理特性與真實(shí)世界大不相同，”艾哈邁德說。該組織的工具CausalWorld表明，在目前可用的一些方法下，機(jī)器人的泛化能力還不夠好，至少不能達(dá)到“我們可以在現(xiàn)實(shí)世界的任意情況下安全部署它們”的程度，艾哈邁德說。

這篇關(guān)于CausalWorld的論文作為預(yù)印本提供，描述了使用開源TriFinger機(jī)器人平臺(tái)在模擬機(jī)器人操作環(huán)境中的基準(zhǔn)測(cè)試。CausalWorld的主要目的是利用這個(gè)模擬環(huán)境加速因果結(jié)構(gòu)的研究和遷移學(xué)習(xí)，在這個(gè)環(huán)境中所學(xué)的技能有可能被轉(zhuǎn)移到現(xiàn)實(shí)世界中。機(jī)器人代理人可以被賦予任務(wù)，包括推，堆疊，放置等，通過觀察孩子們?nèi)绾瓮娣e木和學(xué)習(xí)建造復(fù)雜的結(jié)構(gòu)。有一個(gè)大的參數(shù)集，如重量，形狀，外觀塊和機(jī)器人本身，用戶可以干預(yù)在任何一點(diǎn)上評(píng)估機(jī)器人的泛化能力。

在他們的研究中，研究人員根據(jù)三種不同的課程，給這些機(jī)器人一些從簡單到極具挑戰(zhàn)性的任務(wù)。第一種方法不涉及環(huán)境變化；第二種方法只改變單個(gè)變量；第三種方法允許環(huán)境中所有變量的完全隨機(jī)化。他們觀察到，隨著課程越來越復(fù)雜，特工們表現(xiàn)出將技能轉(zhuǎn)移到新環(huán)境的能力下降。

“如果我們繼續(xù)在我們報(bào)告的實(shí)驗(yàn)之外擴(kuò)大訓(xùn)練和網(wǎng)絡(luò)架構(gòu)，當(dāng)前的方法可能會(huì)解決我們?cè)贑ausalWorld中提出的更多塊堆疊環(huán)境，”該研究的貢獻(xiàn)者之一Frederik Tr?uble指出。Tr?uble補(bǔ)充道，“真正有趣的是，我們?nèi)祟惪梢愿杆俚剡M(jìn)行歸納（而且）我們不需要如此大量的經(jīng)驗(yàn)……我們可以從（某些）環(huán)境的潛在共享規(guī)則中學(xué)習(xí)…［并］利用這一點(diǎn)更好地將其推廣到我們還沒有見過的其他環(huán)境中?！?/p>

另一方面，一個(gè)標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)需要在無數(shù)環(huán)境下的大量經(jīng)驗(yàn)才能做到這一點(diǎn)。Tr?uble說：“擁有一個(gè)能夠?qū)W習(xí)這些基本規(guī)則或因果機(jī)制并加以利用的模型體系結(jié)構(gòu)或方法可以［幫助］克服這些挑戰(zhàn)?！薄?/p>

Ahmed和Tr?uble說，CausalWorld的評(píng)估協(xié)議比以前的研究更通用，因?yàn)橛锌赡堋胺蛛x”泛化能力。換言之，用戶可以自由地干預(yù)環(huán)境中的大量變量，從而得出系統(tǒng)性的結(jié)論，即代理可以概括出什么是不可以的。他們說，下一個(gè)挑戰(zhàn)是實(shí)際使用CausalWorld中可用的工具來構(gòu)建更具普遍性的系統(tǒng)。

盡管人工智能執(zhí)行某些任務(wù)的能力令我們眼花繚亂，但在2019年，Yoshua Bengio估計(jì)，現(xiàn)在的深度學(xué)習(xí)不如兩歲的孩子聰明。雖然神經(jīng)網(wǎng)絡(luò)大規(guī)模并行處理的能力使我們?cè)?a href="http://www.makelele.cn/v/tag/3744/" target="_blank">計(jì)算機(jī)視覺、翻譯和記憶方面取得了突破，但研究正在轉(zhuǎn)向開發(fā)新的深層結(jié)構(gòu)和訓(xùn)練框架，以解決諸如推理、規(guī)劃、捕捉因果關(guān)系和獲得系統(tǒng)泛化等任務(wù)。“我相信這只是大腦啟發(fā)式計(jì)算的另一種風(fēng)格的開始，我認(rèn)為我們有很多入門工具?！?br /> 責(zé)任編輯:tzh