机器学习与人工智能 —— 现有的机器学习范式是否可以实现真正的像人一样的“智能”

注意，本篇是一如既往的胡思乱想篇。


现在的AI发展速度很快，尤其是近几年大语言模型的表现尤为突出，由ChatGPT和DeepSeek等为代表的大语言模型已经在对话系统上通过图灵测试了，可以说使用统计学习方法的机器学习范式已经成为了人工智能领域最为强大的研究方向了，但是，虽然现在的AI发展如此强大，但是在很多问题上的表现却依旧差强人意，对此很多学者认为使用统计学习范式的机器学习算法其本质依旧不像人类那样有着“逻辑推理”的能力的，或者说现有的AI系统并不难像人类一样真正的会“思考”。

本文针对机器学习范式不能像人类一样“逻辑推断和思考”的这个问题提出一些个人的胡思乱想。

在一些生物神经学的研究中认为人类的大脑的活动是分为短期和长期两种类型的，短期类型的大脑活动可能是对于简单问题的处理，该类的问题往往有比较简单的模式，甚至是大脑可以做出比较直觉性大反应即可；而对于长期的大脑的获得来说是大脑中的另外的活动区域，该部分并不会直接对短期类型的任务做出直接反应，而是在段落活动中的大量简单或者直接任务上进行进一步的深入的学习，在这个期间大脑会进行逻辑推理等能力的学习，大脑也正是通过该种长期思考的方式才形成了人类的独特的“思考和推理能力”。

在我看来，人类的复杂的逻辑和推理的能力其实也是需要在简单模式识别物体上进行积累和进一步学习才可以具备的。

或许，人类的思考能力并不仅是针对当个实例的，同时有可能是实现于基于任务的，这一点可能比较像机器学习中的元学习。可能真正的智能是需要通过对任务的学习才可以得到的。
就像上面的那个图一样，短期的学习任务和长期的学习任务总是要有个通道，而连接这二者的可能是传统的机器学习方法，而我对遗传算法这类型的算法更偏爱些，我认为使用这类算法是有可能对短期任务和长期任务进行联合的一个途径。

其实，人类的思考或者大脑该是什么模式的，我想这或许是一种混合的形式，这就像资本主义社会和社会主义本身也是你中有我而我中有你的关系，因此人类的思考或许也是由多种学习方式所构建的。如何通过在简单模式识别问题上进行进一步学习以获得长期学习任务的学习的机会的。




在我看来，目前的人工智能问题可以分为两种，即，简单的模式识别物体，以及复杂的逻辑推理问题。
这两类问题看似不相关，其实却是相辅相成的关系。就比如人类的计算机编程语言的发展过程一样，人们先根据二进制执行把二进制机器码改写为了汇编语言，然后人们用汇编语言编写出了A语言的编译器，于是就有了A语言；然后，人们再使用A语言编写了B语言的编译器，于是便有了B语言；然后，人们再使用B语言编写了C语言的编译器，于是就有了C语言；然后，人们再使用C语言编写了C++语言的编译器，于是便有了C++语言；以此类推，我们可以得到下面的事实：
人们再使用C语言编写了JAVA语言的编译器，于是便有了JAVA语言；
人们再使用C语言编写了PYTHON语言的编译器，于是便有了Python语言。

因此，我认为简单模式识别问题上的学习能力的提升是可以促进复杂逻辑推理问题的学习能力的提升，而复杂逻辑推理问题的学习能力的提升反过来也是可以促进简单模式识别问题上的学习能力的提升，如此往复，于是就有了通向AGI的一条可行的路径。

就如计算机编程中的迭代和递归问题一样，如何把两个不同的部分连接起来才是关键的问题。如何通过简单模式识别物体上的性能提升来提高复杂逻辑推理问题的学习能力的提升呢？目前来说是有深度神经网络是可以做到的，这也是共识的事实，但是目前来说这依然不是很强的功能，或者说比较week，也比较初级。因果推理是目前被认为在这个连接问题上比较有前景的一个途径，但是该领域的发展也是不那么hot，发展的也是缓慢的，当然在这个方向我的了解也是很初级的。不过，在我看来，如果说像人类的学习方式来学习或模仿的话，我想强化学习和遗传算法都是有很好的潜力的，强化学习可以根据环境反馈来自我提升，这一点不必多说，毕竟现在的RL研究是AI领域比较hot的，而我一直认为遗传算法这样的算法是具有潜力的，虽然这个方向的研究一般被认为是在炒冷饭，更或是被认为在胡扯的一个方向，但是我认为遗传算法这样的启发式算法本身有着很好的模式重组的能力，而这个能力是有可能是另一条将简单问题的学习能力进行有效的有机的组合的，由此来获得对复杂逻辑推理问题的学习能力的提升的。因此，我一直认为，虽然像遗传算法这样的算法目前来说可能比较胡扯，不过也真说不好哪天真的能搞出一个大事情的。
而复杂逻辑推理问题的学习能力的提升反过来来促进简单模式识别物体能力的提升可能要简单些，但是目前来说这个领域的研究也是很少的，或者可以说该方向的研究依旧处于比较初级的形态，对于这一点我的观点是这个局面是因为目前的AI在复杂逻辑推理问题上的能力比较weak，或者说现在的AI模型在复杂逻辑推理问题上更像是一个toy。如果AI在复杂逻辑推理问题上的能力没有一个大的提升，那么是不太可能反过来促进简单模式识别物体上的性能提升的。

Key Point:
我认为目前的AI发展，一个关键时刻或者说关键点是如何提高从“简单模式识别问题”上的性能提升来促进“复杂逻辑推理问题”上的性能提升的，这才是最为关键的一点，因为只有这一点的实现才有后面的反向促进，也正是有了这个问题的解决才有后面的一切，可以说这就是老式柴油机启动时人为手动的去摇启动杆一样的。

如果AI的发展突破了简单问题的学习性能提升能够促进复杂逻辑推理问题性能提升的这个途径，那么AI的发展还会有着一个新的高潮，迎接新的高峰。
简单问题上的学习能力如何进行有效的组合来提高复杂逻辑问题上的性能提升呢，我想这是AI领域的一个新的金币/金杯问题。



来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！