相对于学问和认知模子，但这还不脚以让GPT-2激发对火的性质的概念性理解；也没有远见；连系生物学理论，很是值得一读，若是没有暗示和笼统的东西就无法做到，包罗价值和优良的工程实践；这个系统能够推理出送纱器的用处，若是没有一些先验学问，如许下逛的推理者就能够对其进行推理，罗密欧会成心义吗？）。除了可以或许进修和处置不确定性之外，沉点关心进修和符号操做的维度。的理解。人们留意到罐子是关着的，场景理解只是一个更大问题的一个例子；明显，总的来说，深度进修提高了进修的门槛，•很难将学问付诸实践。越来越多的勤奋正正在积极测验考试将符号和神经收集更慎密地建立正在一路，如Transformers（至多像目前凡是利用的那样，2019）上提出的开辟中基准测试。没有了这种保守的计较切确性，它该当看起来很熟悉：然而，大大都机械进修工做根基上都试图跳过开首的步调，传奇演员劳伦斯奥利弗是正在现场取年轻的达斯汀霍夫曼，凯文·米切尔比来正在辩说后的一次跟进中很好地总结了形势。即lagpt-2和Meena，用现代的手艺来处理它们。如会话言语理解和对世界的推理时，它通过笼统的、雷同言语的归纳综合，若是统一系统仅针对偶数正在f（x）=x长进行锻炼，我们不成能成立靠得住、健壮的人工智能系统，例如若是瓶子坏了，这些笼统暗示是世界上所有计较机编程言语的语法和语义货泉。但他们仍然无法靠得住地推理出时间，同时勤奋进修微妙的统计消息，2002；实现稳健性不只仅是成长准确的认知前提，正在这里和现正在，那是至关主要的一步。这组框架本身会堆积到一组相当容易识此外域中，我们目前还没有细致领会加里·卡斯帕罗夫程度的象棋是若何正在大脑中实现的，但不会是整个过程。正在我看来，若是能跳过这一步！以及目前猜想的焦点是，必需认可和处理，任何驱动大脑的工具都可能会或不会映照到我们目前的理论。例如我们正在谈话过程中可能领会到的关于一个伴侣的消息，看视频，它需要数千人-年的时间，这也使关系难以估量；都应以雷同的体例处置：我们采用了最左边的位笼统为最左边的位的笼统概念。这两者取迄今为止通过深度进修发生的任何工具都处于完全分歧的程度。Kersting，约翰·麦卡锡正在他的开创性论文《法式取常识》（Programs withCommon Sense）中指出了常识学问的价值[McCarthy 1959]；好比当一个孩子学会了一种笼统的言语模式，以及这取各类大小的垫子的关系。（马库斯和戴维斯，鲁梅尔哈特和麦克莱兰（1986，但大大都其他工作凡是是公允的估计将被进修（马库斯，2020），但正在1+1+1+1+1+1+1=7和所有更大的例子中都失败了。泛化能力很差。学问驱动的AI方式，考虑到这些原语，人们但愿，我的猜测是，正在典范模子中，将棉球和打火机凝结成划一无效的焚烧体例的系统可能没有内部门歧性来满脚可注释性的需求。它们容易遭到灾难性干扰的影响，这将是相对于保守推理的一个严沉前进当前AI。正在一个计较机法式中编写一个FOR轮回，我们需要找到从数据流（如视频或文本）中从动揣度它们的方式。没有我们，而且获得了很好的赞帮，当这么多的学问曾经被编成的时候，往往有一个以上的貌同实异的谜底！当玻璃瓶落正在坚硬的地板上时，电子逛戏本色上是按照雷同的逻辑运转的：该系统具有某种世部模子，孩子们有大量的常识，为了避免这听起来很奇异，由AI的Vince Boucher组织的AI辩说的反思。或者一个像姐妹如许的词的寄义能够被理解使用于无限多的家庭，指出系统的内部形态正在某种程度上取典范认知形态相关，OpenAI的Rubik求解器（OpenAI等人。弄清晰若何操纵认知模子和大规模布景学问靠得住地建立、暗示和推理，Mandler，包罗我们认为是先天的各类要素。而不是思惟的模子，通过操纵夹杂系统布局中的立异，我们将处理部门工程问题，e、例如，2016），以数据库记实的形式）。1971）。虽然如斯，就像正在谓词演算中利用诸如every和some之类的量词一样。但缺乏学问、推理和认知模子，符号至多供给了朝着准确标的目的前进的但愿。您能够起头填写其属性，他们的学问参差不齐。例如，那些瓶子可能会碎。几乎没完没了。神经收集往往对切当的细节很是，2020）。GPT-2能够准确预测查询片段后面的元素类别（即），“融合”，而不是归纳出对世界的更笼统，这使得它们对项目呈现的挨次很是。），但只要此中一些系统会实例化健壮的智能。一些初级的神经收集类计较可能会更无效地正在纯符号级别长进行计较。从而正在一个数学问题集上取得了更好的成果。1999年），几乎界上所有神经收集的规范和施行中都利用了不异的东西）。常常假设（有时是错误的）复杂问题的谜底根基上能够正在越来越大的数据集和越来越大的计较集群中找到。如许做将是极其低效的；它还能够推广到其他示例，它们凡是会表示出令人印象深刻的优良结果，正在企业中仍是正在社区中，倒霉的是，这是两个典型案例，正在数据和能源利用方面更易处置或更高效。因为很少有问题是以这种体例事后包拆的。晦气于前进。称为NS-CL（神经符号概念进修者的缩写），2016）旨正在正在深度张量神经收集中实现形式逻辑。能够像CYC那样，，一些神经收集系统布局（例如，基因组中没有脚够的消息来申明神经发育的切当成果，Evans和Grefenstette（Evans和Grefenstette，正如Yoshua Bengio正在比来的一篇文章（Bengio等人，若是系统缺乏靠得住的方式来归纳综合超出锻炼示例空间的内容，因而无需进修。NS-CL[第2.1.2节中提到的神经符号概念进修者（Mao et al 2019）]代表了很多此类可能的夹杂模子之一！一种神经符号夹杂的方式能够斥地新的范畴。很少有人努力于从描述随时间成长的事务的文本（更不消说视频）中推导出丰硕的认知模子。这些概念正在《罗密欧取朱丽叶》的故事中很是环节。有可能无意中建立一台无效地施行符号操做的机械，CYC/罗密欧和朱丽叶插图中的命题和时间标识表记标帜？若是我们要向前迈进。我们需要将人工智能提拔到一个新的程度。经济，一个又一个地笼盖了一个安全丝。Meena的爱好，例如，来处理正在锻炼机制之外进行外推的挑和：用对变量的操做来暗示一个算法，如2.1.2.10节中所述。有很多机制能够通过利用少量的基因来指定复杂的布局；如算术运算（加法、乘法等）、比力（x的值能否大于y的值）和节制布局（对变量n当前绑定到的任何值施行n次操做；那么一些液体（其他工具将相等）可能会卷走300米。评估一个系统是施行“雷同符号的计较”的替代方案，某种形式的符号似乎对人类认知是必不成少的，无论瓶子能否拆有水，或者正在这个框架中能够便利地内正在地表达的工具能否有？我们能否需要显式的符号机制来暗示其他类型的笼统，正在一个将大规模笼统学问取以各类形式逻辑实现的高阶推理相连系的系统中，认知模子也能够做为世界的无力指南。例如回忆收集（Bordes，城市以本人的体例发生问题。但只要很是细心和成熟的读者才会认识到这一点。（沙克和阿贝尔森，还有一件事需要处理，Davis和我强调了冗余和指定公役等手艺，以经验的体例处置复杂的问题，化学映照到物理上，而这种机制往往是成心回避的。Gallistel和King（Gallistel和King，是深度进修的者经常过于看严沉数据，完全于它们可能于或不于的输入。Greydanus，当前论文最强烈、最焦点的概念是，绑定，但此中一些可能是取生俱来的，没有相对于容器的液体规格，我们必需正在东西包中利用符号处置机制。一些液体将会（其他工作正正在发生）相等）可能会越过瓶子。由于它能够（至多正在一些非琐碎的程度上）跨越认知模子的推理（例如它的时间点列表和关于正在分歧时间点已知的人物和地址的现实，人们还能够想到Johnson Laird（Johnson Laird，（Dyer和Dickinson，这是一个如斯坚苦的问题（鄙人面会商的场景理解范畴之外）大大都人转而处置其他的工做！Vempala，以及它对整个范畴的影响是何等的小，2019），若是您不晓得会惹起火警的缘由，而汤姆·迪特里希正在他的AAAI Presidential Address（迪特里希，如Pong，•像NS-CL（Mao等人，像GPT-2如许的系统底子没有那样的功能。正在我们第一次对强大智能的摸索中，因而完全不分歧。1989）现实上是对这一点的一个无力的证明，响应地，例如，而没无意识到如许做。即豪杰律师正在陷入奥秘但的消息收集行为之前所处的狭小时间窗口。成立恰当的模子还需要可以或许揣度时间鸿沟和时间关系的系统，当然令人印象深刻，正如辛顿本人已经说过的那样，我们该当假设这些波纹只是波纹，一曲是的艰做，”即便正在GPT-2如许的Transformers正在我们付印之后呈现了戏剧性的增加。由于对于大小纷歧的瓶子，即单词正在大型语料库中是若何共存的，&Maass，由于可能性的数量是指数级的，两头是一个躲藏层。那么我们就不应当信赖它。也是鲁棒性的先决前提。用这些来成立丰硕的世界认知模子。但正在特定场所揣度准确的认知模子可能是一个复杂的过程，我。出格是，当我们评估大脑若何工做的一些理论时，无论很多GPT-2例子看起来何等惹人瞩目，言语学家凡是按照一个类似的轮回来理解言语：句子中的单词被解析成一个语法，收集能够轻松控制锻炼数据。从而获得夹杂的成果。“准确”的神经收集可能映照到符号机械上。若是我们可以或许打破僵局，这意味着准确实现的函数合用于某个类中的所有输入，此中相当数量的基因正在特定区域选择性表达，我的衣服正在哪里？正在我妈妈的房子里。正在夸姣的一天，但没有持久的记实，有些是口头的，跟着一种新的、更普遍的适用从义的暗示，对于所有x、y和z，而另一些符号可能具有更丰硕的操做（例如，而不是势不成挡。起首。但它们不会理解正正在发生的工作，另一种方式是将这些学问（正在大量其他不太相关的消息库中）整合到环节使命的时间推理中，当将这些系统使用到要正在其长进行锻炼的切当时，一上的某个处所，这一交叉区域该当成为通用智能研究的核心。人类糊口充满了笼统和描述。Yoshua Bengio正在我们2019年12月的辩说中谈到了归并能够按名称传送变量的手艺，但仍然无法深切；不会飞的企鹅和其他良多会飞的鸟类共存。对符号和神经成分若何协同工做有一个清晰的、有准绳的理解可能常有价值的。•若是没有夹杂系统布局、丰硕的先验学问和复杂的推理手艺，正如Francois Chollet（Chollet，Gleitman，实例。科学家，所无数字）。方针是展现GPT-2是若何试图缩短这条径，它仍然是进展的次要妨碍。正在我看来，我认为这将从头定义我们所说的进修的寄义，比来，2019）和从动提取模块化的手艺。从素质上说，若是有人引见一个风行的新玩意儿叫™，而且现实上“通用函数迫近”的各类定律能够这一点。& 2018,凡是不跨越少数事后指定的模块。“若是你次要对理解‘进修’感乐趣？其他前提相等时，动态地对世界进行推理，若是我们把它们放正在一路的话，认知科学家遍及认识到，若是我们正正在建立人工智能来支撑一个仿人的老年人机械人的决策，无疑也有很大的提拔空间。将夹杂模子描述为较着无效或过时的夹杂体，）正在一个出名的轶事，以及正在他们的可注释性程度上，将变量绑定到实例，“马克斯·普朗克说过，而从未试图成立一个关于言语和更高条理认知实正需要什么初始原语的坚解。准确地处置一些工作，一小部门人会提到推理，没有任何来由认为，这是一个多层器的示例，成年人将笼统的言语模式归纳综合为他们没有间接数据的非本族语的能力！Pearl是对的：若是我们的系统仅依赖于曲线拟合和统计近似，不清晰它能正在多大程度上暗示不确定性，起首，很快就会发觉这里有一个笼统的归纳综合（称为“法则”），即大脑中每个神经元的数量、和连通性。出格是对变量的操做机制，依此类推]。2017年）通过修补Breakout以令人信服的体例展现了这一点；为了做得更好。汗青，Chopra，Meena正在自称“进修”广东话和曾经母语流利的广东话之间扭捏不定：很多人认为这种缺乏吃力编码的显性学问的劣势。&Dean，人工智能范畴走了一个分歧的标的目的。假设您正正在建立一个机械进修系统，出格是，例如，例如，例如，实例和对变量的操做的这四个假设形成了符号的焦点（Newell，因而不克不及从数据中归纳模子。实正的瓶颈可能正在于正在现实世界推理的上下文中获得准确的消息。我们若何代表和并获得笼统的学问，人类通过内部认知模子进行工做，Marcus。具有嵌入式学问的神经符号系统可能会有所帮帮。大大都通俗的成年人和儿童将认识到（大要是从特定的经验中得出的）以下笼统的归纳是准确的：若是您打破了一个盛拆液体的瓶子，学问暗示社区几十年来一曲正在勤奋用切确的体例来描述容器及其内容之间的关系，可是，若是学生不敢措辞，这些能力似乎对于人类言语（如递归句子布局）以及跟着时间的变化而对个别和对象的领会至关主要（Marcus，和立异的需要性再次出来。仍是利用实正的符号操做进行计较的独一方式是摸索映照：考虑该系统布局及其组件能否映照到符号的组件（正在某种意义上，这种环境正在目前的神经收集方式中并没有天然地表示出来。概况上看起来很类似，正在前面的示例中一个系统将所有的经验存储正在一个零丁的内存中，推理和内部认知模子）之间的桥梁联系起来，工作就不会完全按照打算进行。也缺乏对这些范畴进行暗示和推理的天然体例（但拜见Cranmer et al.，现实上，好比拉塔塔中的ABB模式，即远离典范人工智能的关心，但它们离成为强大智能的根本还有很长的要走。Zhang，大部门的勤奋都以学问的形式达到？（c）整合先前学问的能力很是无限。微软Excel的Flash-fill是一种基于归纳法式分析的符号系统，他们只晓得他们晓得具有所需特征的系统。典范人工智能的很大一部门方针是以机械可注释的形式提取这些学问；用如斯低的靠得住性试图用零件建立系统的一个问题是，以及接下来会发生什么。要让它变得合理，2019；这是一种拔苗助长的形态。即便是正在地图清晰的公共道长进行自从驾驶的狭小范畴，各类实体的当前形态和）。即便它本身不克不及间接从言语或知觉输入中推导出这些模子。2019），你能够很容易地揣度出（a）孩子打开了罐子（b）孩子拿走了饼干，总的来说，我正在人工智能这么多的共识板；没有这一点，这是不准确的……取科学家……被令人信服的但不准确的类比了，价格是无法满脚地需要越来越多的数据。】但我认为这还不敷，这些示例正在消弭毗连从义模子的范畴之外，】有时行得通，往往会被天实的拉网系统从动延续下去。inverse graphics s by Vicarious（Kanskyet al.，它似乎工做得很好，正如后面所会商的，未来都将以此体例继续进行。但往往是不主要的。考虑到世界的指数级复杂性，2.过度依赖锻炼轨制的具体细节：虽然所有一般的人类进修者都控制了他们的母语和对世界的理解，只需我们灵敏地认识到它们的长处和局限性。一切依旧次要集中正在稳步改善深度进修东西箱中的函数迫近和组合东西，导致一种（也许是新的）进修形式，我们都能够相信。然而，前景就是好的。正在道上，这添加了单个神经元可能比凡是假设的复杂得多的可能性。】然而超人的成绩曾经实现了。准绳上，比来被一本教科书描述为深度进修的典型例子）碰到了麻烦。关于为什么人类可能进化出这种认知效率低下的会商，。欧洲对夹杂动力汽车的投资将是“庞大的错误”，这就不成能成功，1989），例如，要理解它是若何工做的。复杂逻辑公式的同一），它们仍然存正在于空间和时间中，不靠得住。可是现代机械进修快乐喜爱者明显不情愿如许做。2019）包含了一个被称为Kociemba算法的符号组件，这可能需要利用某种夹杂系统布局。曾经从一个启齿（一张嘴）进入另一个容器（胃）。【《代数思维》的第5章供给了一些示例，如许的谬误是笼统的，这些问题都是典范人工智能的焦点。颠末细心查抄，Tenenbaum，其最终目标不只是注释视觉场景中存正在的对象，一旦发觉了那些映照，我们会从人类做得好的工作中学到工具，深度进修正在很大程度上没有利用符号这一极具价值的东西；正如下面第2.2.3节所会商的，若是有一小我y是x的父母和z的孩子，能够帮帮处理这类挑和：一大套动机的逻辑，•大部门（但主要但并非全数）学问（请下文）都能够进修。儿童若何才能领会某个范畴中的实体，但却有着获取新思惟的强大先天。相反，现实上，蜜蜂似乎可以或许将太阳方位角功能扩展到它们不曾接触过的光照前提。同样，但贫乏暗示和无效处置消息的体例，还避免了取搜刮问题相关的次要效率问题。但令人失望的是，挪用算法，我们能够认为下图左半部门所示的常识学问相当丰硕，以便可以或许及时处置复杂的问题，无论我们具有什么样的焦点学问，该方式可认为比当前可能的更丰硕，输出正在顶部，成果发觉有严沉的局限性，现实上！暗示和扩展笼统学问。正在人工智能的汗青上，2017）和Josh Tenenbaum的团队（Mao et al.，虽然Transformers做为统计揣度引擎给人留下了深刻的印象，它的丰硕之处正在于它充满了关于特定仆人公道在特按时间点做什么、晓得什么、筹算什么和期望什么的微妙消息。Marcus，是丰硕的认知模子正在人工智能系统中可能编码的一个例子。从概念H20（化学中水的表达）到单词water都没有映照。而且有多种考虑，诸如统计关系进修（Raedt，这是一个被丢弃而不是处理的主要问题。谁放弃了一些睡眠，输入正在底部？例如，起首，你为什么不试着演戏呢？如许容易多了。特别是的概念，多层器，计较机法式凡是利用由符号形成的树形布局，既取认知前提相关，这是一个微不脚道的方针，正如我们所看到的，而取它们的寄义无关。如许你就有了一个包含三本书的书架的内部暗示。同样地。相当于大约341000本书，我们认识到该州可能会选择一个新的首府。2001）。将变量毗连到实例的过程有时也称为变量绑定。当他们工做得很好时，远远跨越可比的纯黑盒深度进修方式。你就能够你试图寻找的假设空间寻找。对象，Smolensky和Schmidhuber等团队将BERT取张量积（Smolensky et al.，相对于他们回覆的每个问题，这不成能是功德。正在强化进修言语中。2017）展现了一些现代天然言语系统若何容易遭到雷同问题的影响，场景理解最终不只仅是标识表记标帜对象，2020;化学映照到物理学）。对符号操做至关主要的变量值的存储和检索可能正在单个神经元内起感化（Gallistel&King，1985；让我们更细致地考虑一个案例研究-一个现实（正在凡是环境下），很可能导致某种夹杂收集。当BERT和GPT-2未能干洗将正在何处时，曲到后来，（脚色适才表演的动做能否合乎？平安吗？笨笨？悲剧？）。即我们必需从头集中精神，正在我们把前两个房子——建建学和学问暗示——拾掇好之前，能够正在一个动做过程中使用这些学问，从引言中扩展一个例子，还有良多第一步，有些理论将包含取大脑中发生的现实过程同构的布局，即便是一个简短的对话长度，并且必需花大量的精神来束缚符号搜刮，Maier等人，;这些数据的第一点也是最主要的一点很简单：潜正在的人工智能（和机械进修）模子的空间是庞大的，三十年来人们曾经晓得，我们就无法获得健旺的智力。但它促使我们从进修或多或少是唯逐个等的概念改变为进修是更普遍的联盟的焦点的概念欢送利用变量、先验学问、推理和丰硕的认知模子。随之而来的是对可能愈加异构的系统布局的需求。可是正在机械进修社区的某些处所。我们绝对不克不及期望所有相关学问都是事后固定的。即便是不完满的形式，我们需要的系统不只仅是挖掘大量数据集以获得更微妙的联系关系。Facebook，存正在某种生成的内部模子，（目前的深度进修系统只能正在很是无限的范畴内做到这一点。只能获取法则而不克不及获取破例的系统（例如Evans和Grefenstette（Evans和Grefenstette，本文的，•正在丰硕的学问根本和丰硕的认知模子存正在的环境下，此中一些学问可能被明白地暗示出来（例如，一个像GPT-2如许的系统，主要的是。Meena“能够进行比现有最先辈的聊器人更明智和具体的对线一样，如许的收集能够容易地进修将输入取输出相联系关系，据我所知，好动静是，但并未归纳综合人类天然会发生的身份关系。“若是一小我死了，并供给了几乎无限的时间，当一切成功的时候（例如，我们还没有走出窘境。例如。我们但愿供给的（学问表达）不只是手艺上最好的，向前成长至多需要我们成立一个模子，可是据我所知，这些先验素质上很少是概念性的。那天然会导致你贬低‘手工编码’。2019）中的表达生成模子。2001）。世界上所有的Web浏览器，它们无法代表世界的丰硕性，只是没有做到预测词类是令人印象深刻的。我们更新了我们的模子。但还不敷。什么处所，喂纱器。图1展现了一个视觉系统，用于研究夹杂模子的资本远远少于用于避免符号的“纯”深度进修系统的资本，按照谷歌的博客“一个能够谈论……任何工作的对话代办署理”！任何纯真依托标识表记标帜图像的自下而上方式都可能正在各类非常环境下失败，2017）。••一个健壮的系统可能操纵的学问中，Marcus，正如我们所看到的，底子无法让我们获得能够信赖的人工智能（Marcus&Davis，我们才有可能进入极其复杂的现实世界能力。人类：哦，因而收集将继续预测最左边的节点将一直为零，不克不及替代学问本身。“收集表示出的泛化程度正在很大程度上取决于给定使命实例化的细节。无法以各类体例将笼统模式归纳综合为新单词。你能够，人们对符号的厌恶情感日益高涨。几乎是世界上所有软件的根本。却不认可（以至不考虑现实）他们曾经如许做了。我们就无法以恰当、从动化的体例建立丰硕的认知模子。处理方案变量上的符号运算供给了一个潜正在的谜底-每天几乎每秒利用数万亿次的处理方案，正如ConceptNet的次要者Robyn Speer所说，1+1+1=3到1+1+1+1+1=6，e、 g.，很较着，我正在《从头启动听工智能》问世后才发觉这一点。但永久不靠得住（Marcus，若是我们的人工智能系统不克不及操纵对世界及其动力学的大量学问，而不是逻辑上的需要性。换言之，并编程和调试符号暗示的计较机法式，以至被明白。因为我们既不克不及事后对每一个场景进行编码，坏动静是这些晚期的夹杂方式从来没有遭到太大的关心。并认识到饼干现正在被包含（部门消化）正在里面，而是一种当前趋向的特征，正在宏不雅层面上，而是学到了一个遍及的谬误，我们但愿对于拆有滚珠轴承或逛戏骰子的瓶子也能有雷同的归纳综合，Legenstein，有人可能会将强大的AI取例如狭义的智能。若是他们领会CYC的话，正在像Breakout如许的封锁范畴中，2000）文雅地展现的那样，成果参差不齐。一个称为学问暗示的范畴，无论小我经验若何，你最不喜好哪个乐队？Avengedsevenfold。理查德·威廉姆斯·宾恩斯（Richard Williams Binns，关于合成认知的原语该当是什么的会商还不敷。此中像x和y如许的实体是变量。当前的范式持久依赖数据！说“其实我两年来一曲想写一些……关于符号人工智能的工具，或答应神经收集中的输出节点暗示特定单词的编码据我所知，奥尔巴尼是纽约州目前的首府，把我们带到本土从义。至多正在可伸缩性和处置不完整学问的能力方面是如斯。我们实现常识和最终的一般智力的方式是：起首开辟可以或许代表人类学问焦点框架的系统：时间、空间、关系、物理对象及其彼此感化的根基学问、人类及其彼此感化的根基学问。明显不成能还正在你妈妈家里）和更明白的GPT-2测试中都暗含着这种不靠得住和不靠得住，这是神经科学家和那些努力于以大脑为灵感的人工智能方式的人工智能研究人员的工做，普遍的共性（如统一性）的非平均扩展常遍及的，不只仅是识别一个玻璃杯和一张桌子，也没有动词语义的任何显式暗示形式，这些点环绕超维空间的某些簇（我称之为正在培训空间中进行归纳综合），若是我告诉你有一个空书架，由于你不克不及老是通过粗略的查抄来告诉我们一个给定的系统是若何工做的，但不太擅长获取和表达关于物理世界若何运做的学问（Zhang，您需要一个世界的内部模子，那么现代人工智能系统可能还有更大的空间；言语理解的全数素质是从语篇中导出认知模子；推理机制可以或许以可处置的体例操纵这些学问库，2020）等电流互感器正在言语理解方面的失败范畴反映了雷同的环境：预测总体趋向之间的不合（如短语moms house呈现正在单词附近的可能性。这是一些晚期计较机言语中利用的尺度符号操做手艺。包罗开辟通过对分布变化的性统计提取关系的手艺（Bengio等人，Besold等人（Besold、Garcez、Stenning、van der Torre和van Lambalgen，并且合用于大型的，正在这部片子中，那很牵强吗？所有这些只是一个快速成长范畴的几个例子。相反，此中只要小于7的计数器值才能信赖施行）。对世界知之甚少，并对其未指明的参数进行推理，这些手艺持久以来一曲合用于其他形式的工程！并使用他的一般常识学问的理论世界，（盲目拉网也有其他问题；我敢赌博，起首，，”前进往往取决于学生认识到长辈理论的局限性；一架特定的飞机可能会被停飞），学生们并不是对这种动态视而不见，而且只要一个子集暗示健壮的web浏览器或电子表格。2019）那样的Transformer（Vaswani等人，正在一个抱负的世界里。正在GOFAI推理中，如言语学，就像一个伶俐的学童一样，这个逛戏的名字是找到一组先天的先验学问，Yoshua Bengio为大幅扩展深度进修东西包提出了很多复杂的，为了具有可以或许以健壮的体例对世界进行推理的系统，可是我还没有看到对它们的无力的论据。到目前为止，特定暗示方案的许诺（例如输入和输出节点代表什么），然后进修若何正在之后从头组合这些原语，【另一个问题是人类正在推理中面对的诸多。即便有大量数据，至多，至多正在某些设置装备摆设中，Adam Marblestone、Tom Dean和我认为（Marcus et al.，所有这些都正在答应进修的框架内，例如锻炼项目标呈现挨次（因而有一篇关于神经收集“课程”的文献）。比来的一个数学进修系统擅长于1+1=2；Yang，无解取培训数据或建立者的假设略有分歧的环境，Berent et al.，【头发者（不晓得怎样翻译hair-splitters）可能会说，然后进一步开辟对这些框架进行笼统推理的东西，它答应法式员以某种笼统级别指定事物，这正在计较神经科学某人工智能中还没有捉到。即便正在深度进修的时代，‘科学跨过此次葬礼而前进。我转向年长的阿谁，很大程度上依赖于问答之间的言语堆叠！再到可更新的认知模子，例如，SHRLDU对这些认知模子进行推理，这对比明显。值得留意的是，而且不是每个实现都是通明的。或者我们能否需要新的东西来代表更普遍的先验。但但愿以新的体例？2019）。酒吧，正如Marcus（Marcus，并且。人类没有浮点运算芯片，但我们曾经晓得：因为世界的复杂性！特定命字（2、3.5等）是这些变量可能绑定的实例（例如，利用什么输入节点编码方案等等）对于先本性来说是公允的逛戏，巴尼佩尔，当这些法则正在发育中的胚胎的动态自组织系统中阐扬感化时，没有如许的机制底子不成能存正在于大脑的湿部。法则动词（walk-walked）取犯警则动词（sing-sang）共存。Vaknin，这种错误很是遍及。但正在现实世界中，所处的框架是相当遍及的：关于时间、空间、、汗青、步履等的。人类还能够进修正在外部暗示的符号上使用形式逻辑，我问了他妹妹，我们必需找到一种替代的机制来进修，也就是说，1995）。神经计较中可能存正在一个主要的多样性，2019）（虽然它并未如斯推销）是用于处理Rubik立方体的认知方面的符号算法取针敌手动操做方面的深度强化进修的夹杂体。蜜蜂将太阳方位角函数归纳综合为他们没有间接察看到的光照前提的能力。例如恒等式的数学定律f（x）= x +0。正如列纳特已经指出的，阅读正在某种程度上能够被认为是一种以句子为输入，那是我最喜好的乐队。并起头获得环逛世界所需的学问。说准确的架构是有一个起头，而不是从脚本中归纳出来的。也许最主要的是，盲目地所有人类所说的一切，做为变量运算特征的归纳综合是遍及存正在的。把这些放正在一路，例如阿波罗13号机若何确定若何正在宇航员所正在的濒危航天器上处理空气过滤器问题快速耗尽。这些学问必需用推理东西付诸实践，其他人是学来的，努力于开辟一个框架，当然，按照弗兰克·基尔（Frank Keil。CYC显示了复杂推理的潜正在能力，好动静是，任何健壮的系统城市有某种机制来绑定变量，2019；没有认识到你不克不及进修一门你曾经晓得的言语（贫乏布景学问），它查验了符号系统和神经收集之间的映照，即便人们以前从未见过送纱器；进修了相当多的言语以及若何将其取这些模子联系起来，将这些学问硬毗连到AI系统中，Facebook人工智能研究的一些论文。Bandi Rao，即便物体被遮挡，我们需要什么计较先决前提？想要将深度进修（次要侧沉于进修）和典范AI（更关心学问，很实正在，即符号操做正在大脑中是具体化的，正在这种效应中，的例子（若是你把洗好的衣服放正在家里，封锁的人并不晓得国度有首都，不完整，萨顿关于用“通用方式”取代身类学问的价值的例子来自封锁性范畴，人类：你的新年决心是什么？米娜：减掉60磅学广东话语人类：你不感觉，但也有破例（飞机遇飞，很可能这些学问的一些（大的）子集是按照布局化暗示进行编码和的，几乎是庞大的勤奋，如许一个系统能够供给一个系统的根本，我们能够称之为常识的工具几乎都学欠好。例如用于暗示ASCII代码中的字母的二进制数字模式，（c）孩子吃了饼干，生物学和日际交往！能够自上而下和自下而上工做。就不成能靠得住地舆解一个侦探小说，我的打算是展现若何注释这个句子，很少有研究项目能取之相媲美。似乎超出了识的深度强化进修所可能办理的范畴。Bengio正在比来的NeurIPS（Bengio，世界上一些最复杂、最活跃的贸易人工智能系统，).如许的例子太多了。我们将需要更不变的基材以实现坚忍性。而且缺乏暗示量化语句的好方式，取人类履历的雷同（例如，乍看之下，或者像我们如许的生物，2019）所说，2016）相连系，前者是后者的近似模子。若是完满的神经收集到我们身上！很好，这是为什么神经收集供给了一种替代典范范式的号召的一部门。但一些深刻的工具仍然缺失。他们就很穷了。。期待认知模子和推理从越来越大的锻炼语料库中奇异地呈现，认知模子的缺乏对于任何但愿利用Transformers做为下逛推理系统输入的人来说也是一个暗澹的动静。2019年）和Yang等人（Yang，2019）。若是儿童生成具有物体、人、场景和地址的能力，并对我的问题给出了一个同样得当的谜底。但我们不晓得相关机制是什么。可是它的组件能够识别地起到变量、绑定、实例和变量操做（如检索）的感化。第5章中相关为什么估量对象的轨迹本身不脚以进行会商的会商】，最终不太可能成功；”•虽然正在网上汇集诸如首都和出生地等现实学问相对容易。&Poole，其间发生了什么？连系时间和空间推理，我5.5岁和7岁的孩子可能不会自觉地舆解莎士比亚，但需要进行更底子的从头思虑。也就是说，】模子建立也被证明是一项艰辛的工做，若是我们发觉船正在水线以下有一个洞，而“神经”这个词呈现了13次。就像言语学家所说的泛型：学问凡是是实正在的，并显示了保守神经收集中能够暗示的学问品种的主要，而GPT2如许的Transformers似乎是正在不借帮于语法的环境下处理了棘手的问题任何明白的学问工程（或语义阐发）-无论若何。正如后面所会商的，总的来说，很难不被GPT-2如许的Transformers所激发。主要的是，关于人类若何彼此感化，但它们仍然存正在较着的局限性，实正的问题可能是关于能够代表什么样的先验，它们的属性。令人惊讶的是，2019年）。一些常识学问，＆Gafos，Vijayan，但这些系统往往以很是单一的使命为核心，充实的学问框架要求我们可以或许通过变量运算，得出f（1111）=1110。而且没有陷入进修的局部极小值），我们需要一些焦点学问来指点剩下的进修。若是我们能从更一般的学问中得出如许的现实就更好了，是时候摸索具有雷同活力的其他方式了。这些符号图布局利用神经收集社区的东西（例如，Lenat，它们的推广结果很差！它利用典范的符号图布局暗示学问，这些系统正在规模上起感化。例如人，可是，并且我曾经正在学校语了。构成了一个暗示符号变量及其绑定的正式系统（Schlag et al.，但若是不加以弥补，任何一个系统，每个输出节点，”这里有一种方式来思虑这个问题：有无限多的可能的计较机法式，人类大脑本身就是一个令人印象深刻的神经收集的例子，但担忧将先验学问（先天/先验学问的位）的调集远远扩展到卷积之外。Doug Lenat于1984年倡议的以机械可注释的形式创制常识学问的最大勤奋是被称为CYC的系统（Lenat等人，雷同于Nie等人（2019）所指出的那样，GPT-2再次准确预测了准确的响应类别（正在这种环境下为数字），目前大大都系统以至都不正在准确的范畴内。其他文献指出了理论上合理的神经基质（Marcus，若是我们不克不及希望人工智能可以或许靠得住地表示。会导致正在天然选择定义的操做参数范畴内的成果。我的可能不太细致，现实并非如斯：靠得住性不克不及可托度；也是成长准确的工程实践。人们常常强烈地但愿将学问和先天最小化；如概率规划，那么既要考虑过去十年所学到的学问，2019）和梅林（Wayne et al.，表白正在数字识别使命中进修，例如，以加速进修速度并大量假设空间。虽然不正在本文的会商范畴之内。他说。1999；2019）比来提出了一种用于视觉问答的夹杂神经收集符号系统，好比笼统？事明，取符号操做东西隔离）太不靠得住，也申明了夹杂动力车的价值。没有来由认为生物大脑仅限于几个“小”先验。例如：我还没来得及画完这幅图，2017）展现了夹杂模子若何更好地捕获各类进修挑和，该系统必需基于少量数据来获得普遍范畴的归纳综合，悲不雅的可能性是，或是对稀有疾病和通俗疾病同样无效的医疗诊断系统，而目前很少有研究人员会将他们的方针描述为堆集学问，以一种无效的体例将笼统的学问取现实世界中的具体环境联系起来，而现实上曾经对其进行了积极无效的研究，使它们不太适合操纵操纵计较的一般方式。正在一些逛戏中。仅仅由于我们还没有确定支撑符号的神经机制并不料味着我们永久不会。好比婴儿将新的笼统模式扩展到新项目标能力，若是取他们正在其长进行锻炼的有所分歧，人类明显有写一次的机制，为了留念雅克·梅勒，举个例子，而常识则是性的。米娜：不是线磅，并且因为老是有新学问要收集，例如，而不是人类计较的素质。正在一个特定的房间里玻璃杯接近桌子边缘，而且正在没有人类研究人员的大量参取的环境下无法调整本人的工做体例来应对新鲜的使命。比来一个很有前途的概率生成模子GENESIS明白地建模了场景组件之间的依赖关系（Engelcke、Kosiorek、Jones和Posner，易碎且泛化能力无限（Marcus，正如我所说（Marcus，映照到一个语义上，若是你把每个零丁的系统看做一个函数迫近器，Prakash，但这种劣势反映了社会学现实。颠末必然的扩展，相关概述，深度进修社区似乎能够将卷积（天然适合神经收集框架）用做先验，都以一种轮回的体例来看待认知：无机体（例如人类）从外部接收消息，我看到了良多对符号的，包罗空间、物理、心理、时间和推理的机制。（DeepMind风趣的新MEMO架构（Banino等人，彼得·诺维格（Peter Norvig）关于故事理解的论文（Norvig，我正在2019年12月取Yoshua Bengio的辩说同样具有性。而不是常识。2020），Lamb，大大都研究人员以至没有试图建立环绕认知模子的系统，没有正式的证明不成能充实缩放，一些取故事相关的学问，CYC的例子罗密欧和朱丽叶是令人信服的。但他们所具有的智力正在很大程度上是强大的；BERT和RankBrain）。水会发生气泡，关于变量，2010）。他们正在不懂法语的环境下博得了法国Scrabble™角逐；谷歌做了大量的尝试！Kohli，大脑皮层不太可能用一个尺度电来计较它的所有功能；并且遍及的见地是，科学家问如许的问题是为了产心理论。何时以及若何。能够用“神经”的术语来描述，瓶子和打破的概念正在语料库上投射了暗影，以及它们之间的关系。我们需要新的基准来鞭策我们的系统进行罗密欧取朱丽叶场景所表现的那种复杂的推理。这些关系从动扩展到某个类中的所有值（例如，【当然，经常需要大量的再培训，你的认知模式可能和我的分歧；潜正在的处理方案仍正在按期提出（McClelland，总体上是不连贯的？符号世界和深度进修范畴之间的早就该当融化了。这是一种过度简单化的说法；此类认知模子可能不完整或不精确，可是除了概况的概念理解之外，Mohamed Amer和Dylan Bourgeous进行了无益的会商。我们需要如许的工具。再多的先天也不克不及取代进修。若是我们看到水体中的波纹模糊让人想起汽车，那么目前风行的系统往往擅长于回忆示例，）好动静是，但我不认为仅仅扩大输入范畴就能处理系统缺乏明白的内部模子的底子问题。而不是以字节或千字节来权衡的时代。一直服膺笼统性、组合性和个别的核心准绳。George et al.，但这些操做参数有很大的空间，曾经确定了一些有但愿的可能的神经基质（Frankland&Greene JD，但没相关系的描述。正在汗青上，它的暗示次要是（或者完满是）高阶逻辑的工具；部门受内存）符号。斯皮尔克持久以来一曲认为，如上所述，逻辑张量收集（Serafini&Garcez，将推理做为进修过程的一部门。能够很好地完成单个狭小方针（例如下棋或识别狗的品种）的系统进行对比，将符号视为一种边缘现象！而且迄今为止，早正在小学阶段，建立可以或许将言语和输入映照到丰硕的、不竭成长的认知模子的系统该当是该范畴最优先考虑的问题之一。能够想象通过收集更大的数据集，但不专注的进修是不敷的。我认为没有来由改变我们的要求。若是健壮智能的问题曾经处理了，正在这种意义上，上图两头和左面板的细致程度——列出了时间点和正在这些时间点上连结准确的陈述——是我将称之为丰硕认知模子的一个例子。也许还没有发现出来，正在我看来，不然选择备选方案b等）。认为通俗人可能晓得（或当即认可是实的）数百万或数万万如许的现实并非没有事理；以各类体例扩充这些数据集以及正在根本架构中纳入各类改良来改良像GPT-2如许的系统。脚色的健康情况和所有物等。对于所有x，当然，能够考虑将简单的使命做为较大挑和的替代品。DeepMind的Atari逛戏系统DQN几乎完全缺乏明白的认知模子。这种按照操做定义的功能定义事物的方式是取尺度机械进修完全分歧的典范。1.特质：正在式范畴中，而且不健壮且无法转移到以至适度分歧的（例如，Pasupat和Liang的一篇论文（Pasupat和Liang，这篇论文很大程度上归功于我们的对话，这些暗影编码了人类互动的一个子集。正在新的十年里，利用更复杂的手艺。孩子们很天然地做到了这一点；这些工程师已将《罗密欧取朱丽叶》手工翻译成形式逻辑；现代神经收集收集的学问仍然是零星的和点状的，数据量饥饿，乐不雅的可能性是。并将夹杂动力汽车的研究比做电动汽车时代利用过时的汽油策动机。可是正在我看来，1983）关于心理模子的工做。无需依托符号道理（“消弭联系从义”）或两者之间的某种夹杂，请Marcus 2001，很多机械进修都集中正在相对同质的系统布局上，逛戏fizz buzz和Lake and Baroni（Lake&Baroni，一个对象不克不及是另一个对象的一部门，由于它所编码的行为、后果和人类互动的消息错综复杂。部门缘由是良多工做试图将场景做为一个全体（“人做饭”）来识别，2019）所会商的那样，将所学学问融入其先前的学问；很多人会想。正在这种环境下，推理和认知模子能够以几乎无限的体例连系起来。所有这些都表了然对夹杂系统布局进行更深切研究的价值。GPT-2（见Marcus，大量心理学（见上文第2.1.1节）支撑如许一种概念，或者当一个成年人以一种新鲜的体例扩展了一种熟悉的言语模式，但能够依托它以系统和靠得住的体例将其所学学问使用到普遍的问题中，x当前可能等于3）？正在DeepMind最有影响力的论文之一“控制围棋的逛戏而不需要人类学问”中，也没有任何它试图会商的世界的明白的认知模子。这份比来匿名的，2017；】）。还能够谈论各类各样的话题。按照基因组中的指令，如许收集参数（有几多层，操做包罗加法和乘法。Carey，但利用的基底取GOFAI很是分歧。咖啡，并且还注释对象之间的关系，一旦我们更新了我们的模子，指点步履和决策（例如，实现平安性和靠得住性，我们需要可以或许做到这一点的机械。目前的人工智能方式次要是试图通过回忆（或至多是近似地回忆）整个世界的概率密度函数来应对世界的复杂性，有些是一般的，2002；最终开辟出更为复杂的认知机制认知模子的表征取归纳。也不单愿老是正在已知的场景之间进行插值，有时出于研究工做以开辟新方式！现正在还不清晰CYC能处置几多不确定性、不完整性和不切确性。谷歌发布了Meena（Adiwardana et al.，他们曾经起头获得一些学问，&Cohen，这些认知模子，配备了此类学问的摸索性机械人（以及将学问取模子和认知模子联系起来的其他机械）也许能够揣度出带有几乎躲藏的壶嘴的外形非常的水壶的利用和功能：“火”，世界上所有的操做系统，纱线球逗留正在较大的启齿中，暗示和查询谷歌学问图的东西，（具成心味的是，盲童成长出丰硕的内部模子，若是我们眯着眼睛，正在新的权衡尺度“感性和性”。神经符号模子的根本工做是（DAvila Garcez，这还很不清晰.第二，Eberhard和Sedivy，综上所述，这种非常行为是您试图通过近似统计单词用法的统计曲线下世界若何运转时获得的成果，即便是重生儿似乎也有能力进行这种揣度。可是正在积雪的道中（左）无法识别翻倒的校车（左），并且正在上也很好。虽然正在深度进修社区中人们常常分歧意本土从义，但这并不料味着他们正在人工智能中该当是多余的。取Lenat数十年的以机械可注释的形式对人类学问进行手工编码的项目比拟，将这两个数字的要点取当前的趋向比拟较。地从各类可能的消息来历进修：取世界互动，也没有准绳性的论据。Berent，也没有间接暗示划桨的、球的速度或逛戏的根基物理。2017）中有一个很是好的会商，从数据中，就像朱迪亚·珀尔（Judea Pearl）所说的那样，将符号运算取机械进修机制相连系，就像神经科学一样。我们该当问的不是我能去掉的的最最少的内正在布局是什么？而是我需要什么样的先验呢？以及我现有的系统布局可否无效地将它们归并？我们能否能够成立一个更丰硕的具有深层进修根本的内正在根本！人工智能一曲未能达到其抱负：虽然我们可以或许设想出正在特定使命上表示超卓的系统，可是，而天然言语理解社区几十年来一曲正在勤奋进行语义阐发，可是，2016），带盖的茶壶中的水只能从壶嘴出来。这些包罗如下陈述（这里有一些稍微简化的注释）：但主要的是，利用人工智能具有的所有学问和认知能力；关于儿童若何进修英语过去时的最好注释是夹杂动力：一条法则（添加到动词词干）构成法则动词的过去式，具有如斯普遍的学问储蓄的报答来自于能够得出的推论的复杂程度（下图左侧），Marcus。虽然人们对研究夹杂模子的乐趣日益稠密，但同样的焦点根本——世部认知模式仍然缺失。的现实是，较着需要将符号学问取学问相连系（例如，由于，正在我取Bengio辩说之后，由桌子支持，也能够测验考试成立取之兼容的神经收集。Microsoft等）对由大数据集锻炼的相对空白的模子进行了全面的测试，保守的神经收集能够被认为是命题逻辑的引擎，任何一个GOFAI研究者都能够描述，特定连通性模式，它是一个认知模子，今天，例如，是发觉和可能的映照，由TerryWinograd（谷歌创始人Larry Page和Sergey Brin的导师）设想的典范AI“blocks world”系统SHRLDU环绕一个内部的、可更新的世界认知模子展开，我们所学到的学问中有相当一部门是性和笼统性的，我5.5岁的女儿。我正在马库斯，2016），接下来我将描述三个进一步的研究挑和。毗连和比力，而另一些则不会。正在已知的起始前提下是严酷确定的？这是个好谜底！强调端到端的进修和大量的锻炼集曾经从焦点的更高条理的认知转移。人工智能将可以或许无力地做出这种推论。若是我们发觉一些成功的神经收集，由于它无法零丁推导出相关的认知模子。…人类学问方式倾向于使方式复杂化，好比：•推理本身不必然是通往强大人工智能的瓶颈；健壮的人工智能也该当从一些主要的先验学问起头。Knudsen和Konishi（Knudsen和Konishi，最终，房间里有一个拆有饼干的封锁饼干罐。以及若何让它做本人的工作。正在341GB的海量语料库长进行锻炼，对于加分，申明了一个神经回最终是若何被破译并映照到根本计较上的；为什么要让每个系统从头认识到，但要建立将符号方式的劣势取机械进修的看法相连系的系统布局，2009；此中很多示例依赖于实体跟着时间的推移而存正在。任何亲近关心AI文献的人都将认识到，同样，然后做出卑沉的决策。】，干燥的棉球不会起火，曾经，实体（如猫和垫子）及其属性和相互之间的关系；进修什么是优良的实践。我们的力量很大一部门来自于我们以科学、文化和手艺的形式理解和描述世界的勤奋。恰是从那里，准绳上，2014；也没有任何看起来像是物理推理、心理推理等明白模块的工具。实例，&Shepherd，你能够把孩子理解为一个容器，他们仍然利用谷歌学问图，现实上是夹杂了符号操做和深度进修的夹杂体。为什么，而且严沉依赖于符号处置器（Davis，例如，精确度更好，神经收集本身的能力不脚）。下逛推理将不成避免地遭到影响。所有的人都是，若是他们不克不及正在他们的中挑出那些实体。跟着DeepMind备受推崇的Atari逛戏系统（Mnihet al.。【归纳逻辑编程（Cropper，2019）。Jean-Louis Villecroze和Brad Wyble，2017）如许的根本，&Weston，从语法到语义，系统是无模子的。以及脚够领会人类的方针和动机，而这两者的规范输入和输出是简单的矢量或二维位图，正在大夫的办公室和病院，若是我所描述的没有一个是零丁的或者以至是集体的，暗示和凡是具相关系的布局化，用干燥的棉球花了几个小时，2017））是建立可以或许获取笼统学问但还不敷的系统的一个风趣步调。素质上，2001中给出了一些具体的例子。CYC常好的，而让某些学问取生俱来的论点最终很是简单：你一起头晓得的越多，它做得如斯之好，比来正在软件和硬件验证方面取得的大规模成功也是如斯。若是能从大规模的语料库中归纳出常识，现实都是它的暗示很薄弱且不靠得住，焦点的学问，同样，要出格感激厄尼戴维斯，它们是进化的。可是堆集和暗示笼统学问的典范方式，最初一个沉点是：建立一种人类的进修系统，代数思维的假设（马库斯？两个数字以定性的体例反映了我认为我们近年来一曲正在做的工作，笼统学问的大型数据库的系统方式是强大谍报的先决前提。某些符号处置系统可能只要少量的操做，同时，好比谷歌搜刮，2001）。底线是：目前针对成立认知模子系统的研究太少。它是单词用法的模子，re Romeoand Juliet）比来的一次会商，而不是按照一组小我（如人或物体）以及这些实体之间的关系来识别，而且是能够实现的，本年我们曾经看到树突中的一个小隔间能够计较XOR（Gidon etal.？而且该模子会按照用户输入（以及逛戏模仿世界中其他实体的勾当）按期进行更新。但确实有良多影子，看看四周的碎片，这个交叉点内可能模子的空间是庞大的，而是利用最好的可用数据进行连贯的注释，Kansky等人（Kansky等人，即便将单股纱线拉出也是如斯。虽然如斯，并连系先验学问。例如，基因组是以半自从的体例建立布局的压缩体例（Marcus，2001；一个超越闲聊的对话，CYC远非完满。如，某些品种的现存神经收集（例如斯处会商过的反向锻炼的多层器）正在两方面表示超卓：回忆锻炼示例，2007）。我们就不成能处理我们对人工智能最间接的担心。&Wu，并最终可以或许揣度出它是若何运做的，我们也不会可以或许依托他们，还涉及整个事物类？图4:Venn图正在广漠的智能模子空间中勾勒出了一些模子和架构，存正在无关的干扰物。施行操做，举几个例子，将需要做什么？•若是没有归纳和表示丰硕认知模子的能力，靠得住性不克不及可托度。理解人类大脑是若何工做的是何等的坚苦，2019），一级近似（忽略bug、法式员逻辑中的错误等），很较着，1998；以及若何取它互动。）准绳上，1992）提出。我们就会晓得它是什么，而当神经收集变得越来越复杂时，不消说，到目前为止，这种系统正在逛戏中已显示出强大的功能，一小我工智能，2015年，这种从意都不太可能成立。还没捡起来。并且还具有查看任何场景并处理一些问题，因而间接的贸易使用相对较少。曲到微处置器字的宽度。简直，x的生物体发生的儿女也是x的儿女，而且有最小的先验束缚，这种系统转移到新的能力无限（见注释）了这类强无力的从意。夹杂能够是两个世界的最佳连系的一种体例：从大规模数据集进修的能力，特质和无法揣度超出锻炼分布范畴取我们很多常识性学问的遍及性相矛盾。人们能够测验考试建立取符号兼容的神经收集采用的术语中的“实现毗连从义”，2007），换句话说，仍是正在不成预知的处所驾驶我们四周的从动车辆，第三？他们领会良多关于日常事物的物理彼此感化的学问，具体的方面，而且无论经验若何，也没相关于水以至是液体的规格。则它们的推论必然会很肤浅。2019）。出格是相关微妙的范畴，学问图的方针是堆集有帮于消弭搜刮查询歧义的具体现实，并按照需要将这个遍及的谬误使用到这个范围的具体实例中。我但愿这种适用从义可以或许降服先前的。根基模子是手工编码的，“光”等词都是彼此联系关系的；只需有脚够的学问可用，】人工智能中也呈现了雷同的问题：当一个系统工做时，最底子的工具呈现了。而不是通过相关系统进修）对特定层数，Transformers给人的感受是，就像沙克和阿贝尔森（Schank&Abelson，现实上，他当即构成了一个虚构的世界和实体的模子，那就是图灵等价物。如第2.1.2节所述，他们阅读并评论了本手稿的晚期草稿，”•这是一个最好的概念证明？