中断一年后，由Montreal.AI和纽约大学名誉教授Gary Marcus组织的年度人工智能辩论于上周五晚上回归，与2020年一样再次以线上会议形式召开。

今年的辩论——AI辩论3：AGI 辩论——重点关注通用人工智能的概念，即能够集成无数接近人类水平的推理能力的机器。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜

视频链接：https://www.youtube.com/watch?v=jgilz_jx9ui&t=7s

本次讨论共计三个半小时，围绕与人工智能相关的五个主题展开： 认知与神经科学、常识、架构、伦理与道德以及政策和贡献。

除了众多计算机科学领域的大牛外，还有计算神经科学家Konrad Kording等16位专家参与其中。​​

本文简单总结了其中5位大佬的观点，感兴趣的读者可以通过上面的链接观看完整视频。

主持人：马库斯

作为著名的批评家，马库斯引用了自己在《纽约客》上的文章《「深度学习」是人工智能发展的一场革命吗？》，再次对AI的发展泼了盆冷水。

马库斯表示，与李飞飞团队成功发布ImageNet后人们对人工智能长达十年的热情浪潮相反，制造无所不能的机器的「愿望」并没有实现。

DeepMind神经科学家Dileep George

来自谷歌DeepMind的神经科学家Dileep George曾经提出过一个名为「先天性」的概念。

简单来说，就是某些「内建」在人类思想中的想法。

那么对于人工智能来说，我们应该更关注先天性吗？

对此，George表示，任何一种从初始状态到某种稳定状态的增长和发展都涉及三个因素。

一是初始状态下的内部结构，二是输入的数据，三是通用的自然法则。

「事实证明，先天结构在我们发现的每个领域都发挥着非凡的作用。」

对于那些被认为是学习的典型例子，比如习得语言，一旦你开始拆解，就会发现数据几乎并不会对其产生影响。

自从人类出现以来，语言就没有改变过，任何文化中的任何孩子都能掌握语言就证明了这一点。

George认为，语言将成为人工智能的核心，从而让我们有机会搞清楚，到底是什么让人类成为一个如此独特的物种。

华盛顿大学教授Yejin Choi

华盛顿大学计算机科学教授Yejin Choi预测道，AI在未来几年内的表现，将越来越惊人。

但是，由于我们并不知道网络的深度，它们将继续在对抗性和边角案例上犯错。

「对于机器来说语言和智力的暗物质，可能就是常识。」

当然，这里所说的暗物质，是对人类来说容易但对机器来说很难的东西。

LSTM之父Jürgen Schmidhuber

马库斯表示，我们现在可以从大型语言模型中获取大量的知识，但实际上这种范式需要被转变。因为语言模型实际上被「剥夺」了多种类型的输入。

瑞士人工智能实验室IDSIA主任、LSTM之父Jürgen Schmidhuber回应称，「我们今天讨论的大部分内容，至少在原则上，已经在很多年前通过『通用神经网络』得到解决。」 这样的系统「还不如人类」。

Schmidhuber表示，随着计算能力每隔几年变得更便宜，「旧理论」又回来了。「我们可以用这些旧算法做很多当时我们做不到的事情。」

接着，IBM研究员Francesca Rossi向Schmidhuber提出了一个问题：「我们怎么会看到仍然没有我们想要的功能的系统？你怎么看？那些定义的技术仍然没有进入当前的系统？」

对此，Schmidhuber认为，目前主要是计算成本问题：

循环网络可以运行任意算法，其中最美妙的方面之一是它还可以学习学习算法。最大的问题是它可以学习哪些算法？我们可能需要更好的算法。改进学习算法的选项。

第一个此类系统出现在1992年。我在1992年写了第一篇论文。那时候我们对此几乎无能为力。今天我们可以拥有数百万和数十亿个权重。

AI舌诊面诊问诊医疗系统+诊疗商城系统源码

AI 舌诊面诊问诊医疗系统 + 诊疗商城系统源码是一套结合 AI 辅助诊断与商品转化的健康类程序，基于浩创云、ThinkPHP（PHP）开发，支持微信服务号与 H5 端，适合做中医舌诊面诊问答、健康建议推送以及配套诊疗商品的运营。

下载

最近与我的学生进行的合作表明，这些旧概念在这里和那里进行了一些改进，突然间效果非常好，你可以学习比反向传播更好的新学习算法。

英属哥伦比亚大学副教授Jeff Clune

英属哥伦比亚大学计算机科学副教授Jeff Clune讨论的主题是「AI生成算法：通往AGI的最快路径」。

Clune表示，今天人工智能走的是一条「人工道路」，这也就意味着各种学习规则和目标函数等等都需要靠人来手动完成。

对此他认为，在今后的实践中，人工设计的方法终究是要让位于自动生成的。

随后，Clune又提出了推动AI发展的「三大支柱」：元学习架构、元学习算法，以及自动生成有效的学习环境和数据。

在此，Clune建议增加一个「第四支柱」，即「利用人类数据」。比如，在Minecraft环境里运行的模型，就可以通过学习人类玩游戏的视频获得「巨大的提升」。

最后，Clune预测，我们有30%的可能性在2030年实现AGI，而且还不需要新的范式。

值得注意的是，此处AGI被定义为「能够完成50%以上的有经济价值的人类工作」。

总结一下

在讨论的最后，马库斯让所有参与者在30秒内回答一个问题：「如果你能给学生一条建议，例如，现在我们最需要研究哪个人工智能的问题，或者如何为人工智能日益成为主流和中心的世界做好准备，建议是什么？」

Choi称：「我们必须处理AI与人类价值观保持一致的问题，尤其是要强调多元化；我认为这是我们面临的真正关键挑战之一，更广泛地应对诸如鲁棒性、泛化和可解释性等挑战。」

George从研究方向角度给出建议：「先确定好想从事规模化研究还是基础研究，因为它们有不同的轨迹。」

Clune：「AGI即将到来。所以，对于开发AI的研究人员，我鼓励你们从事基于工程、算法、元学习、端到端学习等技术，因为这些最有可能被吸收进入我们正在创建的 AGI。对于非AI研究人员来说，最重要的可能是治理问题。例如，开发AGI时的规则是什么？规则由谁来决定？我们又该如何让全世界的研究人员都遵循这套规则？」

马库斯在晚会结束时回忆起他在上一场辩论中的发言：「培养人工智能需要一村子的人。」

「我认为现在更是如此，」他说。「AI以前是个孩子，现在有点像一个闹腾的少年，还没有完全具备成熟的判断力。」

他总结说：「这一刻既令人兴奋又危险。」