人工智能与机器人中的自主发展与学习：将深度学习扩展至类人学习
人工智能
2017-12-06 v1 机器学习
神经与进化计算
神经元与认知
摘要
自主终身发展与学习是人类的基本能力，使其区别于当前深度学习系统。然而，人工智能其他分支已设计出通向自主学习的关键要素：好奇心和内在动机、社会学习与同伴自然交互、以及具身性。这些机制引导探索与目标的自主选择，将其与深度学习结合开启了令人振奋的前景。深度学习（DL）方法在人工智能中取得巨大进展，但仍远落后于人类学习。正如 Lake 等人令人信服地论证的，差异包括人类从极少数据学习世界因果模型的能力，以及利用组合式表征与如直觉物理学和心理学等先验的能力。然而，当前 DL 系统与人类学习之间还存在其他根本差异，以及弥补此差距的技术要素，它们或被 Lake 等人浅尝辄止，或未充分讨论。这些根本机制关乎自主发展与学习，注定在未来人工智能中发挥核心作用。当前 DL 系统要求工程师为每个新任务手动指定任务特定的目标函数，并通过大型训练数据库的离线处理来学习。相反，人类自主地学习开放的技能库，自行决定追求或重视哪些目标、探索哪些技能，由内在动机/好奇心与同伴自然交互的社会学习所驱动。此类学习过程增量式、在线且渐进。人类儿童发展涉及学习课程中复杂性的渐进提升，其中技能通过特定顺序与时机被探索、习得并相互构建。最后，人类学习发生于物理世界，并通过身体与物理实验，在能量、时间与计算资源的严苛约束下进行。在近二十年中，发展与认知机器人学领域（Cangelosi and Schlesinger, 2015, Asada et al., 2009）与发展心理学和神经科学紧密互动，已在计算方面取得显著进展
引用
@article{arxiv.1712.01626,
title = {Autonomous development and learning in artificial intelligence and robotics: Scaling up deep learning to human--like learning},
author = {Pierre-Yves Oudeyer},
journal= {arXiv preprint arXiv:1712.01626},
year = {2017}
}