斯坦福大学一项新的研究表明，人工智能可以通过问一些看起来很愚蠢的问题来帮助它们变得更加聪明。研究人员研发的新系统在回答 Instagram 上的相似问题时，其准确率提高了 118%。
如果有人给你看一张鳄鱼的照片，并问你它是不是一只鸟？你可能会哈哈大笑。一项新的研究表明，这种在我们看来有些愚蠢的互动可能是帮助人工智能学习的关键。
在该研究中，这种方法显著提高了人工智能解释新图像的准确性，可以帮助人工智能开发者更快地设计程序，以完成从诊断疾病到引导机器人或其他设备自行在家中运转的所有工作。
一、让 AI 主动提问，弥补知识空白
“这是一项超酷的工作！”谷歌机器学习研究学者 Natasha Jaques 说，但她并未参与这项研究。
许多人工智能系统会选择一种被称为机器学习的方法使其变得更智能。这种方法是通过大量数据集来训练人工智能，其所需的时间和工作量都十分巨大。例如，系统在分析数千张家具图片后让人工智能找到椅子的样子。
但即使是巨大的数据集也会存在缺口。比如，图像中的物体可以被标记为一把椅子，但它是由什么制成的？你是否可以坐在上面？这些问题却无法得知。
为了帮助人工智能扩展它们对世界的理解，研究人员现在正试图开发一种计算机程序，用以实现在定位人工智能知识空白，并找出如何通过询问陌生人填补知识的方法。人工智能向陌生人提出自己不了解的问题，并期待得到回答，就像孩子问父母天空为什么是蓝的一样。这项新研究的最终目标是让人工智能能够正确回答有关它以前从未见过的图像的各种问题。
在之前的“主动学习”研究中，人工智能会评估自己的无知程度，并要求获得更多信息。这种方式通常需要研究人员向提供这类信息的在线工作者支付报酬，所以这种方法在一定程度上无法规模化。
因此，在这项新研究中，由计算机视觉和人机交互交叉领域学者 Ranjay Krishna 领导的 Stanford University（斯坦福大学）的研究人员训练了一个机器学习系统，不仅能发现该系统知识的空白，还能通过询问陌生人，如：“水槽是什么形状的？”等愚蠢的问题，以获得答案的方式进行学习。比如，机器学习系统询问：“图中是什么甜点？”陌生人回答：“它是椰子蛋糕。”
▲机器学习系统询问示例
二、发图、提问、学习一气呵成，准确率提升 118%
北卡罗来纳大学教堂山分校的社会心理学家 Kurt Gray 说：“非常重要的一件事是要思考人工智能应该如何呈现自己。 在这种情况下，你希望它像一个孩子，不是吗？”否则，人们可能会因为你问的问题看起来很荒谬而认为你是一个喷子。他的主要研究方向是人类与人工智能的互动，但没有参与这项工作。
该团队还为这一系统建立了“奖励”机制，当人工智能得到了人们反馈的问题答案，就会反过来让人工智能调整其内部运作，以便在未来能够有效应对相关问题。在这基础上，随着时间的推移，人工智能就能进一步学习语言和社会规范方面的知识，让自己变得越来越聪明，并提升它提出易于回答且更有意义的问题的能力。
这种新型的人工智能有几个组成部分，包括一些神经网络，受大脑结构启发的复杂数学函数。Krishna 说：“它们包含很多部分……都需要一起发挥作用。”其中一个部分会在社交媒体 Instagram 上选择一张图片，比如日落，第二个部分会就这张照片提出一个问题，例如，“这张照片是在晚上拍的吗?”其余部分则会从读者的回答中提取信息，并从中了解图像包含的内容的含义。
该团队昨天发表在《美国国家科学院院刊》上的报告显示，在 8 个月的时间里，通过在 Instagram 上提出超过 20 万个问题，该系统回答类似问题的准确率提高了 118%。而一个在 Instagram 上发布问题，但并没有经过明确的训练来提高反应率的比较系统，其准确率只提高了 72%，部分原因是人们更经常地忽略它。 三、AI 也卷起来了？主动向人类寻求帮助
Jaques 认为，主要的创新是奖励让人类做出反应的系统，“从技术角度来说，这并不疯狂，但从研究方向的角度来说非常重要。” Instagram 上大规模的问题发布也给她留下了深刻的印象。在发布所有人工智能生成的问题之前，人类会检查这些问题是否有冒犯性内容。
研究人员希望像他们这样的系统最终能帮助人工智能理解常识、帮助机器人主动交互、增强聊天机器人与人交流的能力等，比如人工智能通过询问问题知道椅子是木头做的、嵌入人工智能的吸尘器会询问去厨房的路、聊天机器人与人们谈论客户服务或天气等。
Jaques 说，社交技能也可以帮助人工智能快速适应新情况。例如，自动驾驶汽车可能会在施工区导航时寻求帮助。“如果你能有效地向人类学习，这是一项非常普遍的技能。”
结语：蠢问题或让 AI 走向更加智能之路
人们有时震惊于人工智能的学习能力，比如阿尔法狗。但人工智能在面临复杂问题时的表现却不尽如人意，往往答非所问。
这项新研究探索了机器学习的新方向，将会助力人工智能理解常识，变得更加智能。但这项技术对于提高人工智能处理复杂问题的能力仍需有待验证。
