像人类一样学习：深度符号网络

我们提出深度符号网络（Deep Symbolic Network, DSN）模型，旨在成为深度神经网络（Deep Neural Network, DNN）的白盒版本。DSN模型提供了一种简单、通用且强大的结构，类似于DNN，用于表示关于世界的任何知识，且对人类透明。DSN模型背后的猜想是：任何共享足够共同特征的真实世界对象类型在人大脑中被映射为一个符号。这些符号通过链接连接，表示它们之间的组合、关联、因果或其他关系，形成深度、分层的符号网络结构。借助这种结构，DSN模型有望像人类一样学习，因其独特特性。首先，它是通用的，使用相同结构存储任何知识。第二，它可以从世界中学习符号并利用真实世界对象自然被奇点分离的事实自动构建深度符号网络。第三，它是符号化的，具有执行因果演绎和泛化的能力。第四，符号及其间链接对我们透明，从而我们将知道它学到了什么或没学到什么——这是AI系统安全的关键。第五，其透明性使其能用相对较少的数据学习。第六，其知识可累积。最后但同样重要的是，它比DNN更利于无监督学习。我们给出了模型细节、驱动其自动学习能力的算法，并描述了其在不同用例中的用处。本文旨在引起广泛兴趣，在以深度符号网络（DSN）模型为核心的开源项目中开发它，以推动通用人工智能的发展。