人工智能研發的持續重新校準強調了機器學習的一個基本原則：我們必須先學會爬行，然后才能走路。

　　到目前為止，人工智能的炒作主要是在談論而不是在走路。回到似乎是工程第一原理的東西，美國的研究工作正試圖超越目前僅擅長特定任務的“脆弱”人工智能模型。目標是開發更通用的模型，可以像人類在新情況下一樣適應。

　　在這些努力中，有一個由美國國防高級研究計劃局 (DARPA) 監督的機器常識計劃，該計劃旨在為機器學習模型注入地球上最快的學習者(嬰兒)所展示的各種常見推理。

　　“最先進的人工智能或機器學習的挑戰之一是它往往非常狹窄，因此它專注于特定任務并且不能很好地概括，”一個程序馬特圖雷克說DARPA 信息創新辦公室經理。

　　Turek 說，與人工智能研究人員一起，DARPA 已經招募了兒童行為心理學家來繪制和編碼“受嬰兒啟發的常識”。“0 到 18 個月的孩子可能是世界上最好的學習者。他們探索更多，并且在某些方面比成年人承擔更多風險。”

　　由此產生的常識性 AI 算法將為機器學習模型注入對 AI 推理所需的對象、位置、關系和其他屬性的更一般理解。

　　DARPA 的常識性方法旨在通過“學習這些常識性事實，將它們應用于新情況，并在我們的學習過程中更加靈活和適應”，從而超越當前狹隘的 AI 系統，Turek 說。“這些對于擁有更強大、更通用的系統至關重要。”

　　該研究工作還尋求開發更廣泛的知識和推理技術存儲庫，使機器學習模型能夠以人類通過經驗所做的方式適應不同的問題。

　　為此，為期四年的工作是基于大型、精選數據集和隨附的推理能力來編譯大型常識知識庫。該計劃還更多地利用模擬生成的合成訓練數據。

　　一個輸出是知識圖，語義數據網絡，表示關于特定對象的事實以及它與其他對象的關系。然后，該語義數據網絡，或現實世界的情況、對象和概念以及它們之間的關系，將在人工智能系統中進行擴展。Turek 在接受采訪時補充說，該研究機構希望應用深度學習和卷積神經網絡等技術來開發“這種方法的新傾向”。

　　他補充說，目標是“大型常識知識庫”。

　　在另一條軌道上，人工智能研究人員正在應用現有的基準并探索新的指標，以試圖衡量在機械敏銳度方面取得的進展。例如，網絡瀏覽已被用于組裝能夠回答基于自然語言和圖像的查詢的機器常識存儲庫。該結果已 針對面向機器常識的艾倫人工智能研究所基準進行了測試。

　　“這些都是我們在整個計劃中持續評估自己的方式的一部分，”Turek 說。

　　在其起步階段，常識性人工智能似乎正在從爬行過渡到邁出第一步，試探性的步驟。“我們距離高度信任的關鍵任務系統還有很長的路要走，該系統具有人類學習的靈活性和人類所擁有的知識廣度，”Turek 承認。盡管如此，從事機器常識工作的大學研究人員正在靈活學習等領域取得進展，將他們的早期成果應用于機器人系統。

　　“如果你的機器人從未接受過樓梯訓練，它還能處理樓梯嗎?這就是這些算法開始展示的東西。”

　　在另一個例子中，Turek 指出，俄勒岡州立大學工程師開發的雙足機器人最近完成了 5K 步跑。

　　這位 DARPA 官員承認，這些早期的機器人技術進步與人類理解世界的能力相去甚遠。盡管如此，Turek 總結說，這些演示代表了“這些更靈活的學習算法可以展示一些具體的、現實世界的效用的有希望的早期跡象。”