acm-header
登录

ACM通信

计算机专业的职业道路

一次购物中心之旅是如何启发我研究神经符号AI的


Asim Munawar

信贷:推特

我一直对科技很着迷,可能是因为我父亲是一名工程师。最终,我追随他的脚步,成为了一名计算机工程师。我从父亲那里学到了很多关于科技的知识。我小时候最喜欢的消遣就是周末和他在电脑上玩。我永远不会忘记那段时间——那时我才六岁——当我走过一个购物中心时,我父亲给我看了一个拿着托盘的玩具机器人,并告诉我很快我们家里就会有真正的机器人助手为我们工作。就在那一刻,我决定要和电脑打交道。不幸的是,30多年过去了,我还在等待一个机器人搬进来。吸尘器是我们最好的机器人助手。尽管我们还没有完全实现这一目标,但我相信,凭借今天的人工智能技术,我们已经有了一条通往这一目标的明确道路。

我对人工智能的迷恋让我选择了计算机科学。我发现人工智能不同于其他一些研究领域,因为我们有一个非常有效的学习机器——人类的大脑。我们不想完全复制人脑,但它确实是一个巨大的灵感来源。

在我的博士学位期间,我专注于研究进化算法,它是受进化过程的启发来寻找问题的解决方案。更具体地说,我开发了一种新的遗传算法,自适应地改变搜索分辨率,使其更高效。算法专注于感兴趣的区域,避免陷入局部最佳解。

当我加入IBM时,我有机会继续我的机器学习(ML)工作。2012年,我们看到深度学习开始蓬勃发展,让科学家和公众都感到兴奋。从那时起,深度学习在许多领域产生了最先进的成果,包括图像处理、语音识别、自然语言处理等。然而,我坚信,仅靠深度学习并不能达到更像人类的智能系统。人类非常擅长在不查看每种可能组合的实际例子的情况下理解概念。我们也有常识,能理解抽象概念,并能通过推理解决挑战。例如,孩子一眼就能看出大象不会飞。对于ML系统,这样的常识是不容易得到的。一个纯粹的深度学习系统可能需要通过大量的例子来学习,比如它看到一些动物在飞翔,而另一些则停留在地面上。

在过去的几年里,我在不同的应用领域领导了许多与ML相关的项目,包括计算机视觉、机器人和自然语言处理。强化学习是一个仍处于起步阶段的领域,它有可能从微弱的奖励信号中学习。然而,基于深度学习的强化系统存在多个问题,包括样本效率低、缺乏可解释性和奖励工程。

我坚信,有效学习(包括强化学习)的答案是将深度学习与符号AI相结合。这一领域通常被称为神经符号人工智能。在人类每天产生的大量文献中蕴含着大量的知识。神经符号系统将使算法能够直接使用这些知识,从而帮助人工智能进行推理,并更好地理解抽象概念。例如,它可以推断只有有翅膀的动物才能飞。神经符号系统结合了两个世界的优点——随机数据驱动学习和符号AI。我很高兴能担任神经符号人工智能的项目主管,因为IBM在神经符号研究的前沿。该团队正在研究下一代人工智能算法,该算法可以利用这些知识,以更少的数据和计算来学习可解释的模型。

人工智能已经在改变我们周围的世界;然而,我仍然相信这仅仅是个开始。能够朝着多年前为自己设定的目标努力,我感到很幸运,我迫不及待地想看看人工智能的未来会带来什么。重要的是要思考你希望自己未来在哪里,但也要在整个过程中保持灵活。最重要的是,永远不要放弃你的目标和梦想。

回到顶部


©2022 0001 - 0782/22/5 ACM

如果您不是为了盈利或商业利益而制作或分发本作品的部分或全部,并在第一页注明本通知和完整引用,则允许您免费制作本作品的部分或全部数字或纸质副本,供个人或课堂使用。本作品的组成部分必须由ACM以外的其他人享有版权。信用文摘是允许的。以其他方式复制、重新发布、在服务器上发布或重新分发到列表,需要事先获得特定的许可和/或费用。请求发布的权限permissions@acm.org或传真(212)869-0481。

数字图书馆是由计算机协会出版的。版权所有©2022 ACM股份有限公司


没有发现记录

登录为完全访问
»忘记密码? *创建ACM Web帐户
文章内容:
Baidu
map