Gary Marcus：AI如何从人类思维中学习？

Gary Marcus：AI如何从人类思维中学习？

近年来，人工智能（AI）取得了显著进展，从图像识别到自然语言处理，从游戏到自动驾驶，AI的应用场景日益广泛。然而，当前的AI系统仍然面临诸多挑战：它们往往需要大量数据才能完成简单任务，缺乏人类般的灵活性和适应性，在处理复杂问题时容易出错，且难以理解抽象概念。

面对这些挑战，纽约大学心理学和神经科学教授Gary Marcus提出，AI的下一个发展机遇在于从人类思维中汲取灵感。他认为，尽管当前的AI系统在某些特定任务上已经超越人类，但在理解力和灵活性方面，人类思维仍然是AI难以企及的标杆。

人类思维具有许多AI目前所缺乏的特性。例如，人类能够基于有限的信息做出合理的推断，能够将已有的知识迁移到新情境中，能够理解抽象概念并进行因果推理。这些能力使得人类在面对复杂和不确定的环境时，能够灵活应对并做出明智的决策。

相比之下，当前的AI系统，尤其是基于深度学习的模型，往往需要大量标注数据才能完成简单任务，缺乏举一反三的能力，在处理抽象概念时也显得力不从心。因此，Marcus认为，AI要想实现真正的突破，就必须从人类思维中寻找灵感。

为了推动AI向更智能的方向发展，Marcus提出了11个具体的建议：

1. 避免将智能简化为主算法：智能不是单一的算法可以解决的，而是由多个相互作用的模块共同实现的。就像人类大脑一样，AI系统也需要具备多层次、多维度的智能结构。

2. 重视内在表征和抽象化能力：人类能够将具体的经验抽象成概念，并在不同情境下应用这些概念。AI系统也需要具备这样的能力，能够从数据中提炼出本质特征，并在新情境中进行泛化。

3. 强调因果关系的理解：当前的AI系统大多基于相关性进行预测，缺乏对因果关系的深刻理解。为了做出更准确的决策，AI需要学会区分因果和相关，理解事件之间的因果链条。

4. 注重迁移学习能力：人类能够在不同领域之间迁移知识，AI系统也应该具备这样的能力，能够在解决一个问题后，将学到的知识应用到其他相关问题中。

5. 发展元学习和自我改进机制：人类能够反思自己的思维过程，并据此调整学习策略。AI系统也需要具备这样的元认知能力，能够根据反馈不断优化自身的学习算法。

6. 重视符号处理和逻辑推理：虽然深度学习在感知任务上表现出色，但在需要符号处理和逻辑推理的任务上却显得力不从心。AI系统需要结合连接主义和符号主义的优点，实现感知和推理的统一。

7. 结合自上而下和自下而上的处理方式：人类思维既能够从具体细节出发，也能够从整体框架入手。AI系统需要同时具备这两种处理方式，实现局部和全局的统一。

8. 强调模块化和层次化结构：人类大脑由多个功能不同的模块组成，这些模块通过层次化的结构协同工作。AI系统也应该采用类似的模块化设计，实现功能的分工和协作。

9. 注重多模态信息处理：人类能够同时处理视觉、听觉、触觉等多种感官信息。AI系统也需要具备多模态信息处理能力，能够整合不同来源的信息做出更全面的判断。

10. 发展更好的评估标准：当前的AI评估往往过于关注特定任务的性能，忽视了系统的整体智能水平。需要建立更全面的评估体系，考察AI系统的泛化能力和适应性。

11. 重视跨学科研究：AI的发展不能局限于计算机科学领域，还需要借鉴心理学、神经科学、认知科学等领域的研究成果，实现多学科的交叉融合。

Marcus的观点强调了跨学科研究在AI发展中的重要性。通过借鉴人类认知的机制，AI系统有望突破现有局限，实现更强大的智能。这种跨学科的研究方法不仅能够推动AI技术的进步，还可能反过来促进我们对人类思维的深入理解。

正如Marcus所说：“我们不应该把AI和人类智能看作是竞争关系，而是应该探索它们之间的互补性。”通过相互借鉴和融合，AI和人类认知研究有望共同开启智能科学的新篇章。