最近，Nature期刊上发布了一项重要研究，挑战了长达35年的关于神经网络缺乏系统泛化能力的经典观点。这项研究由纽约大学的Brenden Lake和西班牙加泰罗尼亚研究所的Marco Baroni共同完成。
人类可以系统地结合新旧概念，这种能力被称为“系统泛化”。例如，学会“跳跃”后，人类能迅速理解“向后跳跃”或“跳过障碍物”。
尽管神经网络在过去35年中在诸如自然语言处理等领域取得了巨大进展，但其是否具备系统泛化能力长期受到质疑。
Lake和Baroni成功创建了一个神经网络，其在学习并应用新词汇时，展现出与人类相似的能力。
相比于如ChatGPT这类大型语言模型，他们的研究展示了更为接近人类的表现，表明了人类在训练网络的系统化能力方面已迈出了坚实的一步。
人类与神经网络的系统泛化能力对比
人类在语言上展现出强大的系统泛化能力，能够轻松将新学的词汇运用于多种场景。相较于人类，神经网络需要依赖大量示例文本才能训练并使用新词汇。
人工智能领域已争论了35年：如果神经网络不能体现系统泛化，它们是否可以作为模拟人类认知的有效工具？
Brenden Lake和Marco Baroni证明了神经网络可以展现出与人类相似的系统泛化能力。
采用了名为“组合性元学习”（Meta-Learning for Compositionality）的方法，这种方法优化了组织能力（按逻辑顺序组织概念的能力），使得系统能够在动态变化的任务中学习。
论文作者首先将25名参与者进行测试其使用特制伪语言的能力。他们通过用两类无意义伪造词组成的伪语言测试他们，确保参与者是第一次学习这些单词。
使用基础词汇如“dax”，“wif”，“lug”代表“jump”、“skip”等具体动作，以及功能性词。如“blicket”，“kiki”，“fep”来组合和定义像“跳三次”或“向后跳跃”这样的词组。
训练参与者将基础词汇与特定颜色的圆圈关联。红色圆圈代表“dax”，蓝色圆圈代表“lug”。例如，短语“dax fep”用三个红色圆圈表示，而“lug fep”用三个蓝色圆圈表示。这说明fep代表了一个抽象规则，即将一个基本单词重复三次。然后测试中，参与者需要根据给定的规则选择正确的圆圈颜色和数量，并进行排序。
结果显示，80%的参与者能够准确完成任务，验证了人类的系统泛化能力。
然后，研究者们对神经网络进行了培训，让其完成与之前人类实验者所进行的相似任务。
该人工智能的训练方法与常规有所不同，允许其在各种不断变化的任务中进行学习，而不是仅在静态的数据集上优化。
为了模拟人类的认知，研究者特意在训练中复现人类实验中出现的错误模式。在神经网络进行新的测试中，神经网络展现出与人类相似的表现，有时甚至优于人类。
当ChatGPT的升级版本GPT-4被用于相同的测试时，其表现不尽如人意，平均错误率高达42%至86%。这样的成绩相比研究中的神经网络和人类表现都明显较差。
总结与展望
该研究旨在提高神经网络的学习效率，这可能降低训练如ChatGPT这类系统所需的大量数据。研究还指出，优化学习过程可以减少AI“幻觉”——即AI误解并产生不准确输出的情况。
与机器不同，人类在系统泛化方面表现出色。这项研究尝试模拟这种人类的认知能力，并努力让机器在系统泛化方面做得更好。尽管目前的元学习方法尚不能完全实现系统泛化，但他们相信，此研究为未来开发更接近人类大脑行为的AI系统提供了有价值的方向。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用。你还可以使用@来通知其他用户。