本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
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？
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。
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
© 版权声明
文章版权归作者所有，未经允许请勿转载。
