AI也會有學習的瓶頸期？探索機器學習的極限

“人工智能”一詞突然爆火，似毫無征兆地闖入了我們普通老百姓的生活?！昂Ｂ輪枂枴薄拔男囊谎浴钡華I是人類通過計算機學習的跨越性突破，毋庸置疑降低了人類學習知識的門檻，很多會“AI一下”的人便會認為自己已經(jīng)是“古希臘掌管學習的神”了。這到底是否真的像“神”一樣法力無邊了嗎？這就引發(fā)了很多敢于突破的人去思考:人類通過計算機進行學習的極限究竟是什么。

電腦的算力可以無限發(fā)展嗎？

通過計算機進行學習的極限是什么？這個問題首先落腳在計算機的極限，它受限于什么？比如說，我們從計算復雜性談起。在計算機科學中，有些問題被歸類為NP-hard，這意味著找到這些問題的解決方案可能需要比宇宙年齡還長的時間。例如，旅行商問題（TSP）就是一個典型的NP-hard問題，它要求找到最短的路徑，讓旅行商訪問一系列城市并返回出發(fā)點。盡管現(xiàn)代計算機已經(jīng)非常強大，但面對這類問題，它們仍然顯得力不從心。

同時計算機硬件的發(fā)展也受到物理定律的限制，例如量子效應和熱力學限制。隨著硬件接近物理極限，計算能力的提升將變得更加困難。能源消耗隨著模型變得越來越復雜，訓練和運行這些模型所需的能源消耗也在增加，這也可能成為未來發(fā)展的瓶頸。

拓寬未來人類認知的計算機

盡管計算機本身能達到的高度是有限的，但這個“限”相較于人類的學習來說就是相對無限的了。這就好比我們知道盡管留存下來的書籍是浩如煙海的，但至少仍然是有限的，但是每個人窮盡一生所讀也是冰山一角。學習根本上是人在勞動中形成的，恩格斯曾指出，因為勞動使得人體不斷適應環(huán)境，帶來了肌肉、韌帶等機體的發(fā)展，出現(xiàn)了人手，然后“魔力似地產(chǎn)生了拉斐爾的繪畫托瓦德森

柏拉圖之洞穴之比喻的雕刻以及帕格尼尼的音樂”。事實上，人類一直在探索關于知識與學習的奧秘，例如，柏拉圖的“洞喻”“回憶說”；洛克的“白板說”等，都是人類對自身認知和學習能力的理論探求。

柏拉圖之洞穴之比喻

例如，《人是如何學習的II：學習者、境脈和文化》這本書強調了學習動機、元認知、執(zhí)行功能和自我調節(jié)在學習過程中的重要性，以及學習是一個貫穿整個生命周期的動態(tài)過程。有關人類專注度的極限，研究表明人們的注意力最多能集中12小時，時間越長，注意力降低越多 。這可能與通過計算機進行學習時的認知負荷有關。人類則必須遵循從陳述性知識起始，向程序性知識進展，然后向策略性知識升華的過程，即表現(xiàn)為“搜集資訊、制定計劃、進行決策、實施計劃、執(zhí)行檢查、評估結果”等有始有終而又不斷螺旋式升華的閉環(huán)控制的認知周期。

AI輔助學習的無限與有限

通過計算機學習很難避開人工智能(AI)不談?，F(xiàn)在我們的學習很大程度上依賴AI，什么“寫論文沒思路，先AI”。通過計算機學習的限制在于人類學習所運用的工具——人工智能上。它降低了人類學習的門檻，貼合人類認知機制，擁有人類生理極限所不能達到的。

但人工智能并沒有人類想象的那么“完美”，人工智能的固有極限可以追溯到數(shù)學家圖靈和哥德爾提出的悖論，表明某些計算問題是算法無法解決的，這同樣適用于人工智能算法。首先，人類學習是一個復雜的動態(tài)過程，它不僅涉及記憶和信息的攝入，還涉及到多種過程和因素的相互作用 。這包括在抽象推理和自適應學習方面的挑戰(zhàn)。史忠植在其研究中提出，要突破通過計算機進行學習的極限，必須將機器學習與腦認知機理結合起來，發(fā)展認知機器學習，使機器智能不斷進化，逐步達到人類水平，現(xiàn)在發(fā)展的生成式AI 也正是在走這一條路。此外，認知計算技術的發(fā)展也表明，盡管機器可以模擬人的思維并持續(xù)學習以增強智能性，如２０２０年的清華大學的張悠慧團隊和施路平團隊在《自然》雜志上發(fā)表的論文中，提出了“類腦計算完備性”概念，這表明了通過模仿人腦的神經(jīng)生理學和生理心理學機制，可以構建出具有類似人腦功能的機器智能計算系統(tǒng)。但要實現(xiàn)類似人腦的認知與判斷、發(fā)現(xiàn)新的關聯(lián)和模式、做出正確決策等，還有很長的路要走。

研究人腦：發(fā)展AI的關鍵

人類認知限制我們可能無法完全理解或預測復雜AI系統(tǒng)的行為，特別是在它們開始表現(xiàn)出超出設計者預期的行為時。所以，極限，主要表現(xiàn)在機器學習系統(tǒng)目前還難以完全模擬人類的學習過程和認知能力。未來的研究需要進一步探索如何更好地結合人腦的認知機制與機器學習技術，以克服這些局限并推動人工智能的發(fā)展。需要更深入地理解人腦的運作機制和智能認知過程，以幫助開發(fā)更加智能和自適應的學習系統(tǒng)。人腦的感知、注意、記憶、學習和決策過程揭示了智能機制，而人工智能系統(tǒng)在模擬這些過程時面臨挑戰(zhàn)。例如，深度學習雖然在圖像識別和自然語言處理等領域取得了進展，但對數(shù)據(jù)質量和數(shù)量的依賴性強，訓練過程可能陷入局部最優(yōu)，且模型的可解釋性不足。此外，人類的認知偏差也可能影響人工智能研究的方向和結果。例如，科學家們可能過分強調簡單性，忽視了人類認知中直覺和非理性因素的重要性。人工智能與大腦科學的前沿合作強調了理解人類大腦復雜性的重要性，同時指出了數(shù)據(jù)收集和共享、算法解釋性、倫理和道德等方面的挑戰(zhàn)。未來的研究需要進一步探索新的理論和技術，以克服這些挑戰(zhàn)并推動人工智能的發(fā)展。

雖然我們無法預知AI的未來會如何發(fā)展，但通過不斷的研究和探索，我們可以更好地理解它的潛力和局限，從而更明智地利用這項強大的技術。研究者們正通過提出新算法、改進現(xiàn)有模型和探索新的研究方向來不斷突破這些極限。在CSDN博客中，討論了機器學習與認知科學的結合如何推動人工智能的發(fā)展。通過共享方法、工具、數(shù)據(jù)、資源、理論和模型，兩個領域可以相互促進，共同解決人類認知的局限性。

當你只選擇了一種工具，那就會被它本身限制?；蛟S我們需要更強大的工具，又或許我們需要更多樣的工具。注：以上內容為作者主觀想法。

參考文獻：

[1] 蔣萬勝,田姿. 論人工智能之深度學習與人類學習的異同 [J]. 安康學院學報, 2023, 35 (06): 9-15+35. DOI:10.16858/j.issn.1674-0092.2023.06.002.

[2] 張楓雪,劉勇. 廣義最大覆蓋模型的新型人類學習優(yōu)化算法 [J]. 計算機仿真, 2023, 40 (01): 394-399.

[3] 余明鋒. 機器學習時代的人類學習——ChatGPT引發(fā)的教育哲學反思 [J]. 北京大學教育評論, 2023, 21 (01): 27-34+187-188.

[4] 吳全全,閆智勇,姜大源. 產(chǎn)業(yè)升級背景下職業(yè)教育專業(yè)優(yōu)化及課程設置的籌策 [J]. 天津中德應用技術大學學報, 2021, (03): 6-24. DOI:10.16350/j.cnki.cn12-1442/g4.2021.03.001.