AI大觉醒：图灵奖得主Bengio称AI将产生意识，未来机器学习核心是注意力机制

来源：人工智能学家

本文 约 2120 字 ，建议阅读 5分钟。

本文绍2020年ICLR上，图灵奖得主、蒙特利尔学习算法研究所主任Yoshua Bengio认为未来机器学习完全有可能超越无意识，向全意识迈进。而注意力机制正是实现这一过程的关键要素。

人工智能会产生意识吗？

这是一直以来美剧《西部世界》中探讨的问题。AI主人公觉醒，意识到这个世界是人类杀伐主宰的乐园，于是开启了逆袭之路。

 

2020年ICLR上，图灵奖得主、蒙特利尔学习算法研究所主任Yoshua Bengio对AI和机器学习的未来提供了最新的见解。他讲到未来机器学习完全有可能超越无意识，向全意识迈进。而注意力机制正是实现这一过程的关键要素。

这位大咖2月份刚刚在纽约的2020年AAAI 会议上与图灵奖获得者 Geoffrey Hinton 和 Yann LeCun 一起发表了演讲。而在ICLR的演讲中，Bengio 阐述了他更早之前的一些想法。

注意力机制是啥？

 

注意力机制来源于人类的视觉注意力，是人类在进化过程中形成的一种处理视觉信息的机制。最简单的例子，比如看一个图片，会有特别显眼的场景率先吸引注意力，因为大脑中对这类东西很敏感。

注意力是神经科学理论的核心，该理论认为人们的注意力资源有限，所以大脑会自动提炼最有用的信息。

在机器学习的语境下，「注意力」指的是一个算法关注一个或同时关注到几个元素的机制。它是一些机器学习模型架构的核心。2017年，谷歌论文Attention is All You Need当中提出了Transformer，一个利用注意力机制来提高模型训练速度的方法。Transformer在一些特定任务中性能表现超过Google之前的神经机器翻译模型。

Google Transformer架构

目前，注意力模型（Attention Model）已经在自然语言处理、图像识别以及语音识别等领域取得了最先进的成果，是深度学习技术中最值得关注与深入了解的核心技术之一。注意力模型也是构成企业AI的基础，帮助员工完成一系列认知要求高的任务。

类比人类思维，靠直觉还是靠推理？

Bengio 在演讲中谈到了美籍以色列心理学家兼经济学家 Daniel Kahneman 在他2011出版的开创性著作《思考，快与慢》中提出的认知系统。

 

             

 

第一种认知类型是无意识的（快系统），凭直觉，非常快速，非语言性的，基于惯性，它只涉及隐含的知识类型，是人潜意识中的知识，深藏于脑海中。

 

简单说，这种过程不费脑子，第一反应，直觉地做出回应。比如说，思考1+1=2的过程。

当然这种直觉思考的过程会产生很多偏差，比如说曝光效应，光环效应等。曝光效应一个最明显的例子就是电视广告，天天重复播放的信息给你洗脑，会在人的大脑里构成曝光效应，让你觉得这个产品好。直觉很多时候是非理性的。

第二种认知类型是有意识的（慢系统），基于语言学和算法，要涉及更高级一些的推理和规划，以及显性的知识。换句话说，是需要费力思考的，比较慢，比如说脑内运算158乘以67。

 

正是快和慢的结合构成了我们人类的思维模式。

Bengio将这个人类的有意识思维和AI进行对比，他指出，有意识的认知系统的一个有趣特征是，它可以在新的情境下，将语义概念进行重组，这也是人工智能和机器学习算法所具备的特性。

某种程度上，AI和机器学习算法比人脑的直觉要更加理性。

这让人想起《西部世界》的科学顾问，神经学家大卫·伊格尔曼（David Eagleman）说的一句话，意识，是一种突破程序设定的连接。我们能够复制大脑的算法；如果这个算法等同于意识，那意识也理应可以被复制和转移。

         

意识从无到有，未来AI不再「跟着感觉走」？

目前的机器学习方法还没有完全超越无意识到全意识，但是 Bengio 相信这种转变未来是完全有可能的。

他指出，神经科学研究表明，有意识的思维中涉及的语义变量往往是含有因果关系的ーー它们涉及的对象可控，比如说意图。换句话说，不再跟着感觉走，是有逻辑和目的性在其中。

同时，语义变量和思维之间存在映射关系，例如词语和句子之间的关系，而且已有的概念可以进行重新组合，形成新的、不熟悉的概念。

注意力正是实现这一过程的核心要素之一，Bengio 解释道。

在此基础上，他和同事们在去年的一篇论文中提出了循环独立机制(recurrent independent mechanism，RIMs) ，这是一种新的模型架构，在这种架构中，多组单元独立运作，相互之间通过注意力机制交流。前者保证了专业，后者保证了泛化。

实验目标是，证明 RIM 能够改善模型在不同环境和模块化任务中的泛化效果。该研究不关注该方法是否超出高度优化的基线模型，而是想展示该方法面对大量不同任务时的通用性，且这些任务的环境是不断变化的。 

       图 10：RIM 与 LSTM 基线模型的对比。在这 4 个不同实验中，研究者对比了 RIM 和两个不同的 LSTM 基线模型。在所有案例中，研究者发现 rollout 过程中，RIM 比 LSTM 更准确地捕捉到球的运动轨迹。

 

实验结果表明，RIM具备专门化（specialization）特性，可大幅提升模型在大量不同任务上的泛化性能。

「这使得智能体能够更快地适应分布的变化，或者... ... 推断出变化发生的原因，」Bengio 说。

他又讲到想要打造「有意识」的AI系统面临几大挑战，包括训练模型进行元学习(或理解数据中的因果关系) ，以及加强机器学习和强化学习之间的集成。但他相信，生物学和AI研究之间的相互作用最终将解开这把神奇的钥匙，使这些机器可以像人类一样推理，甚至表达情感。

「神经科学早已开始研究意识相关的问题了... ... 在过去的几十年里取得了很大进展。我认为现在是时候将这些进展纳入到机器学习模型当中了。」Bengio在演讲中表示。

看来西部世界中的世界也不远了...

参考链接：

https://venturebeat.com/2020/04/28/yoshua-bengio-attention-is-a-core-ingredient-of-consciousness-ai/

https://www.zhihu.com/topic/20127515/hot

https://cloud.tencent.com/developer/article/1519944

 

——END——