专家|计算机为什么总是缺乏“常识”？AI专家给出解释( 二 )

过去几年以来，学界发表了大量关于transformers的研究论文，相关成果也被直接应用于常识推理。但作为这个快速进步的社区中的一员，我们每个人都面临着两个与科学和哲学息息相关的问题：常识是什么？我们该如何确定AI具有常识？
为了回答第一个问题，研究人员将常识划分为不同类别，包括社会学常识、心理学常识、背景性常识等等。也有最新理论认为，研究人员可以把这些类别划分为48个细粒度区间以做出深层次探索，例如规划、威胁检测与情感等等。
但是，这些区间的分离程度往往不那么清晰。我们在最新发表的论文中提到，实验表明这个问题很可能没有确切答案。即使是小组中的专业人工注释者（负责分析文本并对各组成部分进行分类的人员），在特定语句的特定问题上涉及哪方面常识同样存在分歧。注释者在时间和空间等相对具象的类别上意见比较一致，但在其他高度抽象的类别上则产生了不少争议。
也许AI有AI有常识
即使承认常识理论中必然存在一些重复和歧义，研究人员又能否真正确定AI是否具备常识？我们经常会向机器提出问题，用以评估其常识水平；但人类驾驭日常生活的方式明显更灵活、更有趣。人们会使用一系列经过进化磨练而成的能力，包括识别基本因果关系的能力、解决问题的创造性能力、估算能力、规划能力以及对话与谈判等基本的社交能力等。总而言之，这里面涉及的因素太多，任何人在宣布自己的机器获得了真正的常识之前，都需要经历一系列相当严苛的考验。
更令人痛心的是，代表希望的transformers也出现了严重的收益递减状况。如今的Transformers模型越来越大，能耗也越来越高。中国搜索引擎巨头百度最近开发的一套transformers拥有数十亿项参数，而且在训练当中使用到大量数据。但即便如此，目前已经证明它仍无法把握人类常识中的繁复细节。
【专家|计算机为什么总是缺乏“常识”？AI专家给出解释】即使是极负盛名的深度学习先驱们，似乎也承认今天的神经网络不可能在共识理解方面达成实质性的飞跃——相反，也许需要重新进行基础研究。在这样的前提之下，机器常识到底是五年后就全面实现、还是五十年后仍遥遥无期，目前仍是个未知数。