“因果關系對于機器學習的下一步進展非常重要，”尤斯華·本吉奧（Yoshua Bengio）在2019年接受IEEE Spectrum采訪時說，他是圖靈獎獲得者，因其在深度學習方面的工作而聞名。到目前為止，深度學習包括靜態數據集學習，這使得人工智能真正擅長處理相關聯的任務。然而，神經網絡不能解釋因果關系，也不能解釋為什么存在這些關聯。他們也不是特別擅長于涉及想象力、推理和計劃的任務。這反過來又限制了人工智能將他們的學習和技能轉移到另一個相關的環境中。

蘇黎世ETH的碩士生奧薩馬·艾哈邁德（Ossama Ahmed）說，缺乏普遍性是一個大問題，他曾與本吉奧的團隊合作開發一種用于因果關系和轉移學習的機器人基準測試工具?！皺C器人（通常）接受過模擬訓練，然后當你試圖在現實世界中部署它們時……它們通常無法很好的使用他們的技能。其中一個原因是模擬的物理特性與真實世界大不相同，”艾哈邁德說。該組織的工具CausalWorld表明，在目前可用的一些方法下，機器人的泛化能力還不夠好，至少不能達到“我們可以在現實世界的任意情況下安全部署它們”的程度，艾哈邁德說。

這篇關于CausalWorld的論文作為預印本提供，描述了使用開源TriFinger機器人平臺在模擬機器人操作環境中的基準測試。CausalWorld的主要目的是利用這個模擬環境加速因果結構的研究和遷移學習，在這個環境中所學的技能有可能被轉移到現實世界中。機器人代理人可以被賦予任務，包括推，堆疊，放置等，通過觀察孩子們如何玩積木和學習建造復雜的結構。有一個大的參數集，如重量，形狀，外觀塊和機器人本身，用戶可以干預在任何一點上評估機器人的泛化能力。

在他們的研究中，研究人員根據三種不同的課程，給這些機器人一些從簡單到極具挑戰性的任務。第一種方法不涉及環境變化；第二種方法只改變單個變量；第三種方法允許環境中所有變量的完全隨機化。他們觀察到，隨著課程越來越復雜，特工們表現出將技能轉移到新環境的能力下降。

“如果我們繼續在我們報告的實驗之外擴大訓練和網絡架構，當前的方法可能會解決我們在CausalWorld中提出的更多塊堆疊環境，”該研究的貢獻者之一Frederik Tr?uble指出。Tr?uble補充道，“真正有趣的是，我們人類可以更迅速地進行歸納（而且）我們不需要如此大量的經驗……我們可以從（某些）環境的潛在共享規則中學習…［并］利用這一點更好地將其推廣到我們還沒有見過的其他環境中。”

另一方面，一個標準的神經網絡需要在無數環境下的大量經驗才能做到這一點。Tr?uble說：“擁有一個能夠學習這些基本規則或因果機制并加以利用的模型體系結構或方法可以［幫助］克服這些挑戰?！?。

Ahmed和Tr?uble說，CausalWorld的評估協議比以前的研究更通用，因為有可能“分離”泛化能力。換言之，用戶可以自由地干預環境中的大量變量，從而得出系統性的結論，即代理可以概括出什么是不可以的。他們說，下一個挑戰是實際使用CausalWorld中可用的工具來構建更具普遍性的系統。

盡管人工智能執行某些任務的能力令我們眼花繚亂，但在2019年，Yoshua Bengio估計，現在的深度學習不如兩歲的孩子聰明。雖然神經網絡大規模并行處理的能力使我們在計算機視覺、翻譯和記憶方面取得了突破，但研究正在轉向開發新的深層結構和訓練框架，以解決諸如推理、規劃、捕捉因果關系和獲得系統泛化等任務?！拔蚁嘈胚@只是大腦啟發式計算的另一種風格的開始，我認為我們有很多入門工具?！?br /> 責任編輯:tzh