【智能观】Brandon是Facebook员工，他正在参与开发一个名叫Becca的开源AGI项目。什么是AGI？或许你会感到好奇。Brandon在自己的github博客中称，AGI是明年的AI趋势，届时你会听到大量关于AGI的新闻。它是最新的AI，即通用人工智能。那么，AGI现在的进展如何呢？我们整理了Brandon的博客，一起来探索AI的最新领域吧。
明年你会听到很多关于AGI的新闻。小心炒作。各项任务的成功才是试金石。
机器最近取得了一些令人印象深刻的壮举。它们在驾驶方面比人类司机更安全。它们可以在手机照片中发现皮肤癌。它们也在很大程度上击败了世界上最好的棋手。
目前，AI主要用于定制解决方案。大多数人工智能系统是建立在单一类型，如图片或声音数据上工作的。大部分AI系统都只为解决一个特定的问题。并且，很多系统都只针对单个数据集进行优化。
AGI是AI的升级
实际上，通用人工智能（AGI）也是人工智能（AI）。人工智能的早期拥护者设想机器可以具有各种各样的人类能力，但事实证明，实现这样的AI比预期的要困难得多，所以他们把研究重点放在了特定领域一些可衡量进展的更狭窄的问题上。
尽管如此，一个可以做很多不同事情的人工智能更强大。可以识别濒危黑犀牛的无人机很棒，但是，可以给偷猎者贴上追踪装置，然后悄无声息地解救被偷猎者盯上的黑犀牛，这样的无人机将是令人兴奋的。可以解决几个难题并适应意外情况的AI系统，潜在影响是巨大的。
一直以来，一腔激情的研究人员致力于制造一种智能机器，可以在广度和适应性上与人类相媲美。在过去的几十年里，这方面的研究几乎没有资金投入，而且它所引起的关注更多的是轻视而不是赞美。但现在，在同时兴起的企业利益、计算能力和学术知名度的浪潮中，AGI成为下一个新鲜事物。人工智能和机器学习中的许多家喻户晓的名词正在以某种方式向它努力靠近。AGI再次成为主流。
不幸的是，构建一个可以做很多事情的AI是很困难的。大多数情况下，AI系统是工程师和计算机之间通力合作的结果。领域专家尽可能多地构建基础知识，使得算法有一个高起点，可以跑得更远。人类是系统的一部分，但这不能帮助系统动态适应环境，解决几个彼此没有关系的问题。在AGI系统中，人类将不得不退出，依靠算法来处理所有事情，如果没有其他原因，人类将无法确切地知道事先编入机器的技巧和见解。
在一件事上做到极致并不一定是多好的事儿。而AGI没有明确的目标，除了创造一些“智能”的东西。
多年来，哲学家和大学教授一直在探讨智力的本质，一种说法是，聪明通常意味着“与人相比，善于处理某事”。多年来，国际象棋一直被认为是一个奇点，一旦AI通过，就预示着机器智能的到来。但这个目标实现后，国际象棋突然失去了神秘感，机器智能也没有到来。这个循环这些年又重复在图像分类、围棋游戏和文字翻译方面。
无论运动还是智力，具体任务的不利之处在于它们不可避免地只强调复杂现象的几个方面。根据测试选择的不同，结果将会非常不同。AlphaGo在汽车驾驶方面无能为力。迈克尔·乔丹是有史以来最好的篮球运动员之一，但他对棒球就不是很擅长。
十项全能测试会从几个不同的维度测试运动员的运动能力，通用机器学习评估将效仿这种做法
解决这个问题的办法是，不仅衡量一项任务的绩效，还要衡量许多不同任务的。十项全能运动是由10个独立事件组成的运动竞赛，包括跑步、跳跃和投掷以及几种变体。世界上最好的十项全能运动员都是优秀的运动员，但单独拿出一项，他们不一定是最好的。他们将训练分成几个不同的活动，只关注其中一个，就会降低其他方面技能的培养质量。弗雷德·罗斯甘格（Fred Rothganger）提出了“ 通用次优”这个术语，以形容这种违反直觉的权衡。
为了保证自己免受只关注一项任务的诱惑，AGI开发人员可以将目标定位在多种任务集合上。这些任务集合一定要涉及我们认为重要的所有行为，使机器成为十项全能机器。
他们都在做
许多来自大型科技公司和各类小公司的研究团队正在为构建AGI做出贡献。
谷歌DeepMind和谷歌研究都采取了具体的措施来实现AGI，他们使用PathNet (一种训练大型通用神经网络的方案)和evolutionary architecture search AutoML (一种为图像分类寻找良好神经网络结构的方法)。
Pathnet通过玩一个视频游戏来训练AI玩另一个
位于布拉格的创业公司GoodAI创建了通用人工智能挑战赛（General AI Challenge），该竞赛提供500万美元奖金，以构建AGI，由微软和英伟达等公司赞助 。挑战的第一阶段基于 CommAI 环境，这是 Facebook的人工智能研究小组创建的一组具有挑战性的通信任务 。
微软研究院今年重组为MSR AI，专注于“智能的基本原理”和“更通用、灵活的人工智能”。
由特斯拉的埃隆·马斯克（Elon Musk）参与创立并参与领导的OpenAI的使命是“建立安全的AGI，并确保AGI的好处尽可能广泛而均匀地分布”。亚马逊的Web Services也提供了部分资助 。除了大量研究，丰富该领域之外，OpenAI还创建了两个特殊的任务：“体育馆”和“宇宙”，以测试正在开发的AGI的技能。
在OpenAI“体育馆”的MuJoCo环境中，AI代理通过自我玩耍，学习攻击、躲避和伪装等技能
还有大量学术领域和基层人员在努力，以建立通用的人工智能。TPOT，一个由兰迪·奥尔森（Randy Olson）开发的开源工具，就是一个很好的例子。它实现了特征创建、模型选择和参数优化的自动化。它完全公开，有据可查，这一点特别值得称赞 。
我们处于AGI趋势的前沿。2018年，许多公司，无论大小，都将跟随这个趋势。其间会出现很多杂质，很难通过表象看透本质，所以以下事项一定要注意：
对于一组完全不同的任务，显示一个系统的结果。
复杂的认知理论十分便宜。
在一个任务上表现突出，无论多么酷，都不是AGI。
寻找那些能够通过行动展示自己想法的学者和企业。
特别要注意那些愿意分享代码的人。这是信心的最终标志。
来源：GitHub
作者：Brandon
智能观 编译
—完—
想知道AI加教育领域有哪些最新研究成果？
想要AI领域更多的干货？
想了解更多专家的“智能观”？
请在对话界面点击“找找看”，去获取你想要的内容吧。
网友评论