透過我們的一些業務系統開發項目和另一種類型的工作 —— STEAM 教育和培訓,讓我有機會探索我們的大腦如何記憶以及它與機器學習 (Machine Learning) 系統有何不同。
先從今天的 AI (Artificial Intelligence) 圖像識別系統說起。一個典型的系統是監督學習 (Supervised Learning) 系統:使用一些標記數據 ( labelled data ),例如一組跑車圖片和相應的識別標籤 (如品牌和型號名稱) 進行機器學習。機器學習系統需要一點時間來學習 (比人類學習快得多)。簡而言之,機器學習就是設置系統參數的過程 (技術詞相當於 “超參數, hyperparameters”)。一旦機器學習系統完成學習,它就可以識別(預測)未經學習的跑車圖片。
對於機器學習系統來說,它之所以有效,是因為它學習及設定了一些使用參數。當我們從系統中移除那些學習材料 (即學習過程中使用的圖像文件和標記數據) 時,不會影響其預測能力。我們甚至可以復制更多使用相同參數集的機器學習系統。
現在我們將其學習過程與人類進行比較。首先,你可以想像一個小孩是如何記憶與學習 — 通過重複學習,例如孩子反復玲聽相同歌曲、多次閱讀相同故事書,或者觀看相同的電影來記住一些對話。我們可否分離或丟棄對圖象的記憶,但仍能認出及識別托馬斯火車嗎?看起來它不會發生在人類領域。我們也無法將“學習” —— 一個人記憶 (或學到的東西),“轉移(Transfer Learning)”給另一個人。
人們可能認為計算機可以幫助我們存儲大量的知識,但記憶對人類來說仍然是一個非常重要的學習過程。通過學習不僅幫助我們把記憶儲存在大腦中,而且還是一個幫助我們建立知識的過程。
人類還可以基于藝術圖象、文學段落或音樂旋律的記憶,在另一個知識領域創造新事物 —— “Crossovers”。這在當今(或至少大多數)人工智能系統中尚未發生。*
一位老師通過唱歌、閱讀或“以身作則”來教導一眾小孩。我們學到的知識是終身受用,直到我們失去記憶 (這是關於衰老、意外創傷或疾病導致損害記憶的課題。)
會否有一天一個人工智能系統可以在沒有人類參與的情況下向其他機器系統學習呢?
*申延思考:如果 AI 系統使用強化學習 (Reinforcement Learning),會有什麼不同。