来源：量子位

在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。

千呼万唤始出来，马毅教授的AI综述论文终于出炉！

耗时三个多月，联合神经科学家曹颖、计算机大牛沈向洋，协作完成。

据本人描述，这篇论文是将他“过去五年的工作以及智能七十多年的发展有机结合起来”，并且还表示：

一生从未在一篇文章上花这么多精力和时间。

具体而言，就是“理出了智能的起源以及计算原理的基本轮廓和框架，能让大家认识到这种理论联系实践的可能性。”

此前在社交网络上预告时，许多网友都期待十足。

结果今天刚发不久，就有学者表示，正好要设计新的生成模型，给了我灵感。

来看看这是篇怎样的论文？

01

两大原则：简约和自洽

过去十年中，人工智能的进展主要依赖于训练同质化的黑箱模型，决策过程、特征表示等方面在很大程度上都是难以解释的。

而这种端到端的粗暴训练，不仅导致了模型大小、训练数据以及计算成本不断增长，而且在实践中还伴随着许多问题。

学到的表征缺乏丰富性；训练中缺乏稳定性；缺乏适应性，容易出现灾难性遗忘……

基于这样的背景，研究人员假设，在实践中出现这些问题的根本原因之一，是对智能系统的功能和组织原则缺乏系统和综合的理解。

而这背后是否存在一个统一的方法来解释。

为此这篇文章提出了两个基本原则——简约和自洽，分别回答两个关于学习的基本问题。

1、学什么：从数据中学习的目标是什么，如何衡量？

2、如何学：我们如何通过高效和有效的计算来实现这样一个目标？

他们认为这两个原则制约着任何智能系统的功能和设计，而且完全可以以可测量和可计算的方式重新表述。

以简约性为例。智能的基础是环境中的低维结构，这让预测和泛化变成可能，这也就是简约原则。而应该如何来度量？本文提出了个几何公式来衡量简约性。

基于这两个原则， 得出了感知/智能的通用架构：压缩器和生成器之间的闭环转录。

它暗示了两者之间的交互应该是一种追逃游戏。在这个游戏中，他们扮演联合目标函数的对立面，而非自动编码器。

这也是此框架的主要优势之一，通过自我监督和自我批判进行自我学习，这是最自然和有效的。

从根本上说，这个框架可以扩展到完全无监督的环境中， 这时候只需将每个新样本和它的增量做看作新的累。

自监督类型+自我批评的游戏机制，这样一个闭环转录就会很容易学会。

值得一提的是，这种学习特征的结构，类似于在灵长类动物的大脑中观察到的类别选择区域的结构。

作者之一曹颖表示，这个框架与此前诸多想法类似，包括预测编码、对比学习、生成模型、Transformer……

除此之外，他们还给出了些新方向，比如CV与图形学之间的闭环关系。

最后整合在一起，一个自主的智能体，学习某种任务的最佳策略，是将感知（反馈）、学习、优化和行动整合到一个闭环中。

它统一并解释了现代深度网络和许多人工智能实践的演变。虽然整个文章主要以视觉数据的建模为例。

但研究人员相信这两个原则，将统一对广泛自主智能系统的理解，并为理解大脑提供一个框架。

最后，他们还以热力学之父的话作为结尾。

大致意思是只有当你能测量，并用数字来表示你所讲的东西时，你就对它有了解；如若不然，它可能是知识的开始，但在你的思想中，你几乎没有推进到科学的阶段。

02

One More Thing

有意思的是，就在提交arXiv之际，马毅教授还在网络上求助：

有人就不能写一个接口吗？一键提交论文的那种。而不是花费大量时间在修改论文。

网友们也纷纷支招：使用LaTeX 编译器，而不是PdfLaTeX。

还有人直接上图。

好了，感兴趣的旁友可戳下方链接了解更多～

论文链接：
https://arxiv.org/abs/2207.04630
参考链接：
[1]https://weibo.com/u/3235040884?profile_ftype=1&is_all=1#1657668935671
[2]https://twitter.com/YiMaTweets/status/1546703643692384256
[3]https://twitter.com/doristsao/status/1546722505091534851

未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）大脑研究计划，构建互联网（城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。

  如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”