我明白了 Kafka 高可用原理！

随后，DeepMind 杰出研究科学家 Rich Sutton 探讨了强化学习。他首先提到了神经科学家 David Marr 的计算视觉信息处理研究三层次：计算理论、表示与算法、硬件实现。Marr 对计算理论很感兴趣，但「目前 AI 领域这方面的研究很少」。Sutton 表示，类似梯度下降这类思想是关于「how」，而不是计算理论所需要的「what」。

Sutton 表示：「AI 需要大家认可的智能计算理论，而强化学习是最强劲的候选者。」

紧接着，图灵奖获得者、贝叶斯网络之父、畅销书《为什么》的作者 Judea Pearl 发表了主题为「The Domestication of Causal Reasoning」的演讲。他表示深度学习是个金矿，「我为推动因果革命而打造的新引擎可以表示心理状态的计算模型，即『深度理解』」。」

Pearl 表示，深度理解将成为回答「What is?」、「What if?」和「If Only?」这些问题的唯一系统。

接下来，机器学习研究科学家 Robert Ness 谈论了「因果推理与（深度）概率规划」。

Ness 表示：「概率规划将是解决因果推理的关键。」概率规划可以构建能够反事实推理的智能体，而这是因果推理的关键。他认为这可以解决 Pearl 关于「If only?」的问题。

中佛罗里达大学计算机科学教授 Ken Stanley 则探讨了进化与创造性。「过去数千年来，从火到空间站，新的事物是基于之前事物发展的，这就是开放系统。」Stanley 表示，产生智能的进化是一个并行的「现象系统」（phenomenal system）。「我们从存在开始，就获得了之前数千年的创造力，我们应当尽力理解这些现象。」

随后发言的是华盛顿大学计算机科学系副教授 Yejin Choi。她谈到了语言的重要性，并表示语言是「生成任务的推理」。她认为：「我们人类执行的是即时推理，这将成为未来 AI 发展的关键和根本性挑战之一。」

她认为未来新的语言模型，如 GPT-4/5/6 等，都远远不够。

在几位学者发表完各自观点后，Marcus 试图总结他们的共同关注点：反事实、处理不熟悉和开放问题、集成知识、Judea Pearl 关于仅依靠数据并不足够的观点、常识的重要性（就 Yejin Choi 关于「生成式」的观点而言）。

Marcus 提问道：「现在出现了六七种不同的观点，我们是否想要将它们融合起来？是否想要使强化学习兼容知识？」

Luis Lamb 表示，神经符号系统并不在于「如何去做」，重点是要明白，我们拥有相同的目标，即在学习方面建立非常稳固坚实的东西，但是表征要先于学习。

Marcus 请各位学者思考「模块化」（modularity）。Rich Sutton 表示他可以接受考虑整体问题的方法，而不仅仅是表征。他认为大家应该思考借助计算理论想要实现的整体目标是什么，「我们需要多种计算理论。」

Yejin Choi 指出：人类有能力信任新奇的事物，并进行奇怪的因果推理。她问道：「我们是否想要建立一个类人的系统？」她还提到了人类有趣的一点，即有能力通过自然语言交流大量知识，并通过自然语言展开学习。

Marcus 向李飞飞和 Ken Stanley 询问了「神经进化」领域的发展现状。

李飞飞表示，进化是智能中最伟大、最丰富的实验之一，智能背后隐藏着一系列统一的原则。但是，她表示自己不会受进化生物约束的掣肘，而是将原则提炼出来。

神经科学与心理学带来的洞见

辩论的第二个主题是「神经科学与心理学带来的洞见」，Danny Kahneman、Christof Koch、Adam Marblestone、Doris Tsao 和 Barbara Tversky 参与了讨论。

斯坦福大学心理学名誉教授 Barbara Tversky 认为，所有的生物都必须在空间中运动，运动停止，生命也就终结了。Tversky 还谈到了人们如何做手势，以及做出能够影响人类思维变化的空间 motor 运动。

她指出，「学习、思考、沟通、合作和竞争，所有这些都依赖行动和少量话语」。

接下来是诺贝尔经济学奖得主和 AI 推理问题权威书籍《快思慢想》（Thinking, Fast and Slow）的作者 Daniel Kahneman。他表示自己认同书中的两种思考范式：System 1 和 System 2 思考。一种是直观形式，另一种是更高级的推理形式。

（编辑：阜新站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!