35年來，認知科學、人工智能、語言學和哲學領(lǐng)域的研究人員一直在爭論神經(jīng)網(wǎng)絡(luò)是否能實現(xiàn)類似人類的系統(tǒng)泛化。

具體來說，人們一直認為，AI無法像人類一樣具有「系統(tǒng)泛化（systematic generalization）」能力，不能對沒有經(jīng)過訓練的知識做到「舉一反三」，幾十年來這一直被認為是AI的最大局限之一。

最近，NYU和西班牙龐培法布拉大學的研究者首次證明——它可以！

他們在這個方向取得了里程碑式的突破，論文已經(jīng)刊發(fā)在了Nature上。

論文鏈接：https://www.nature.com/articles/s41586-023-06668-3#auth-Brenden_M_-Lake-Aff1

研究人員提出了一種新的神經(jīng)網(wǎng)絡(luò)訓練方法——MLC（Meta-Learning for Compositionality），能夠大幅提高神經(jīng)網(wǎng)絡(luò)「舉一反三」的能力，甚至能夠超越人類！

人類之所以能夠做到舉一反三，快速掌握復雜語言的含義或者某種技巧，是因為人類天生具有「系統(tǒng)泛化」的能力。

舉個例子，如果我們從未聽過「秦始皇戴小紅帽——贏到姥姥家了」這個短語，但知道「秦始皇叫嬴政」，知道「小紅帽」的故事，就能理解這個歇后語，還能把它用在正確的地方。

但就算是「先進如GPT-4」的AI模型卻還是無法理解這個歇后語，即使他知道「秦始皇叫嬴政」，以及「小紅帽」的故事。

研究人員通過一種新的神經(jīng)網(wǎng)絡(luò)訓練方法——MLC在變化的任務(wù)環(huán)境中訓練模型，使模型逐步獲得組合詞匯含義的系統(tǒng)性推理能力。

結(jié)果表明，MLC模型不僅可以做出符合邏輯的響應(yīng),還能捕捉人類偏差性錯誤的規(guī)律,在人機對比中展現(xiàn)出驚人的人類化思維。

甚至，通過MLC訓練出來的模型，系統(tǒng)泛化能力已經(jīng)碾壓了GPT-4。

論文作者同時還強調(diào)，如果孩子們在自然成長的體驗中也有類似MLC這樣的組合和激勵機制，就可以解釋人類的系統(tǒng)性泛化能力的來源。

這項研究可能會對人工智能和認知科學都產(chǎn)生深遠影響。

它表明合適的方法可以讓標準神經(jīng)網(wǎng)絡(luò)獲得人類語言思維的核心特征——系統(tǒng)性復合推理能力。

盡管當今最強大的AI模型（例如 ChatGPT）可以在許多對話場景中發(fā)揮作用，但在對未訓練過的知識的理解能力上，仍然存在不足。

某種程度上導致了模型「幻覺」問題一直無法有效解決。

針對LLM的局限，作者強調(diào)，「研究通過MCL來解鎖了系統(tǒng)性泛化（SG）的更加強大的能力之后，也可能幫助大語言模型來克服自身固有的缺陷。」

理解系統(tǒng)性泛化（Understanding Systematic Generalization）

這一突破性的研究在于系統(tǒng)性概括的概念。當我們?nèi)祟愒诓煌沫h(huán)境時，擁有毫不費力地適應(yīng)和使用新學單詞的能力。

例如，「Photobomb」是一個英語俚語，指的是在拍照時突然出現(xiàn)在照片中，通常是有意而為之，以吸引注意力或制造幽默效果。

一旦我們理解了「Photobomb」這個詞，我們就會本能地知道如何在各種情況下使用它，無論是「兩次Photobomb」還是「在使用Zoom期間進行Photobomb」。

同樣地，當人類理解「狗追貓」這樣的句式結(jié)構(gòu)之后，可以輕松掌握「貓追狗」的含義。

然而，人類固有的舉一反三的理解和泛化能力，對于人工智能來說一直是具有挑戰(zhàn)性的前沿領(lǐng)域。

傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)是AI研究的支柱，但是它不具備理解和泛化能力，神經(jīng)網(wǎng)絡(luò)只會努力合并一個新單詞，否則需要靠大量的樣本進行廣泛的訓練。

幾十年來，這種受限的泛化性一直是AI研究人員爭論的話題，關(guān)于神經(jīng)網(wǎng)絡(luò)作為人類認知過程的真實反應(yīng)是否可行，引發(fā)了大量的討論。

在本文中，研究人員提供了證據(jù)，證明神經(jīng)網(wǎng)絡(luò)可以通過研究人員提出的MLC（Meta-Learning for Compositionality）系統(tǒng)實現(xiàn)類似人類的系統(tǒng)泛化。

MLC 是研究人員提出的一種優(yōu)化程序，旨在通過一系列少樣本合成任務(wù)來激勵系統(tǒng)性（如下圖1）。

研究人員展示了MLC如何通過實踐來提高神經(jīng)網(wǎng)絡(luò)的組合技能（Compositional Skills）。

MLC獲得一個新詞（或規(guī)則系統(tǒng)）并嘗試系統(tǒng)地使用它。在不斷地修正和更新「理解」之后，可以對下一個新詞重復該過程。

研究人員構(gòu)建的MLC只使用了常見的神經(jīng)網(wǎng)絡(luò)，沒有添加符號機制，也沒有手工設(shè)計的內(nèi)部表示或歸納偏差。

相反，MLC提供了一種通過高級指導和/或直接人類示例來指定所需行為的方法；然后要求神經(jīng)網(wǎng)絡(luò)通過元學習（Meta Learning）來培養(yǎng)正確的學習技能。

為了證明MLC的能力，研究人員在相同的系統(tǒng)泛化測試中并排對比評估了人類和機器的能力。

具體來說，研究人員，在偽語言(pseudolanguage)指令學習任務(wù)中使用代數(shù)或數(shù)學概念，以測試人類和機器學習系統(tǒng)對這些概念的理解和應(yīng)用能力。

還研究了人們對高度模糊語言的探測反應(yīng)。這些語言探測的設(shè)計目的是了解人類在面對模糊信息時的傾向或偏差。

即人類如何進行歸納推理，以及這些傾向或偏差是如何可能促進或者阻礙系統(tǒng)性泛化。

在對結(jié)果進行了評估之后，研究人員發(fā)現(xiàn)，MLC實現(xiàn)（甚至超過）人類水平的系統(tǒng)泛化！

當人類行為偏離純粹代數(shù)推理時，MLC 還會產(chǎn)生類似人類的錯誤模式。

這表明神經(jīng)網(wǎng)絡(luò)是一種卓越的建模工具，可用于細致入微的人類組合行為。

在最后一組模擬中，研究人員展示了 MLC 如何提高流行基準的準確性，以實現(xiàn)少樣本系統(tǒng)泛化。

研究細節(jié)（The Study in Detail）

為了更深入地研究神經(jīng)網(wǎng)絡(luò)的功能及其語言泛化的潛力，作者進行了全面系統(tǒng)的實驗，其不僅研究了機器，25名人類也交叉地參與其中，以此作為AI的表現(xiàn)基準。

在實驗中使用了一種偽語言，即參與者不熟悉的單詞，這樣能夠確保參與者真正第一次學習這些術(shù)語，從而為測試泛化性能提供一個可信的baseline。

如上圖（左側(cè)），原始類別包括「dax、wif、lug」等單詞，它們象征著類似于「jump、skip」跳過與跳躍的基本動作（下圖左側(cè)）。

另一方面，使用更抽象的功能詞，比如「blicket、kiki、feg」，為之前的原始詞術(shù)語的應(yīng)用和組合制定了規(guī)則，從而推斷出「skip twice、walk backwards」等序列。

在培訓參與者的過程中還引入了視覺元素，每一個原始單詞都與特定顏色的圓圈相關(guān)聯(lián)。

例如，如下圖，紅色圓圈代表「dax」，而藍色圓圈代表「lux」。

制定好顏色單詞映射規(guī)則后，接下來，向參與者展示原始語和功能詞的組合，并附帶彩色的圓圈圖案。

例如，一個短語「fep」與三個紅色圓圈配對，說明「fep」可能代表一個動作的三次重復。

此外，為了衡量參與者的理解能力和系統(tǒng)性的概括能力，還向它們展示了原始詞和功能詞的負責組合。參與者的任務(wù)是準確地推斷出圓圈的顏色和數(shù)量，并進一步給出正確的排列順序。

影響力和專家意見（Implications and Expert Opinions）

這項研究不僅僅是人工智能研究史冊上的又一個增量，還代表了范式的轉(zhuǎn)變。

神經(jīng)網(wǎng)絡(luò)的性能密切反映了類人系統(tǒng)的泛化能力，這引起了廣泛學者和行業(yè)專家的關(guān)注。

著名約翰霍普金斯大學語言專業(yè)認知科學家Dr. Paul Smolensky表示：

「在訓練過程中能讓網(wǎng)絡(luò)擁有系統(tǒng)化能力的重大突破。」

如果可以訓練網(wǎng)絡(luò)進行系統(tǒng)泛化，那么這些模型就可能徹底改變聊天機器人、虛擬助手等諸多應(yīng)用程序。

然而，這種發(fā)展不僅僅是技術(shù)的進步，它還觸及了AI界長期存在的爭論：

「神經(jīng)網(wǎng)絡(luò)是否真的可以視作準確模擬人類認知的工具？」

在過去的近四十年里，這個問題一直是AI研究者們爭論不休的焦點。盡管有些人相信神經(jīng)網(wǎng)絡(luò)有潛力模擬類似人類思維過程，但另一些人依然對它們的天生局限表示懷疑，特別是在語言泛化領(lǐng)域。

這項研究的結(jié)果帶來了新的希望，使人們變得更加樂觀。

正如紐約大學認知計算科學家、該研究的共同作者Brenden Lake所指出的，神經(jīng)網(wǎng)絡(luò)過去可能一直在取得艱難的進展，但通過正確的方法，它們確實可以被調(diào)整和訓練，以更好地反映人類認知的各個方面。

邁向人機無縫協(xié)同的未來

AI從起初的萌芽階段到如今強大，經(jīng)歷了不斷地演化和突破。最近在訓練神經(jīng)網(wǎng)絡(luò)系統(tǒng)的概括語言方面取得的成就再次證明AI的無限潛力。

當我們處于這個關(guān)頭時，有必要認識到這些進步的廣泛應(yīng)用。

我們正一步步接近未來：機器不僅能理解人類的的語言，還能掌握細微的差別和語義，從而促進更加無縫和直觀的人機交互未來。