问题学习：迈向机器的自由意志

机器智能流水线通常包含六个组件：问题、表示、模型、损失、优化器与度量。研究者已努力尝试自动化该流水线中的许多组件。然而，流水线的一个关键组件——问题定义——在自动化方面仍基本未被探索。通常，需要领域专家付出大量努力来识别、定义并形式化某领域中的重要问题。但是，自动发现某领域的研究或应用问题是有益的，因其有助于识别数据中隐藏、领域专家未知的有效且潜在重要的问题，扩展我们在某领域可完成任务的范围，甚至启发全新发现。本文描述问题学习，旨在从数据或机器与环境的互动中学习发现并定义有效且合乎伦理的问题。我们将问题学习形式化为在问题空间中识别有效且合乎伦理的问题，并介绍几种可能的问题学习方法。广义上，问题学习是一种迈向智能机器自由意志的途径。当前，机器仍局限于求解人类定义的问题，缺乏自由探索甚至人类未知各类可能问题的能力与灵活性。尽管已开发并集成许多机器学习技术至智能系统，它们仍聚焦手段而非目的，即机器仍在求解人类定义的问题。然而，提出好问题有时比解决问题更重要，因为好问题可启发新思路并增进深层理解。本文还讨论了负责任AI背景下问题学习的伦理意涵。