人工智能更高认知知识构建的多个维度

智能的真正标志并非知识，而是想象力——爱因斯坦的这句话直指核心：当我们谈论机器智能时，究竟哪些知识能让AI变得更“聪明”？我们用以理解世界、解释新体验、做出深思熟虑决策的认知结构究竟是什么？如果能为这些知识构建一个清晰的框架，那么无论对人类还是人工智能而言，迈向更深层次理解都将更有方向。

近期，英特尔实验室副总裁兼紧急人工智能研究主任Gadi Singer提出了一种值得深思的思路：借助知识构建（knowledge constructs）帮助人工智能系统组织自身的世界观，从而赋予它理解意义、事件和任务的能力。这样一来，机器认知就不再局限于数据层面，而是扩展到描述性知识、世界动态模型、来源归因等多个维度。简而言之，就是让AI从“识别”走向“领会”。

学习语言时，我们通常会区分形式与意义：形式是表达意义的符号，即表面的说法；每种形式仅在特定语境下具有特定含义，换一个语境就可能完全不同。这与当前机器学习的主流方法形成了鲜明对比。正如Bengio和Schölkopf等人在“Towards Causal Representation Learning”论文中所总结的：“当前机器学习的大多数成功，都源于对适当收集的独立同分布数据进行大规模模式识别。”系统吸收文本字符、声音信号、图像像素，然后建立模式、发现相关关系，在基于识别的任务上确实表现出色——但这离真正的理解还有很大差距。

论文地址：https://arxiv.org/pdf/2102.11107.pdf

越来越多的人意识到，算法必须超越表面相关性，达到真正理解的程度，才能实现更高级别的机器智能。这种根本性转变，正是所谓的System 2、第三次人工智能浪潮或广义/灵活AI所追求的方向。正如Gadi Singer在核心博客“认知人工智能的崛起”中所言，更高级的机器智能需要深层次的知识构建，即那些能帮助AI从表面相关性转向真正理解世界的知识结构。

美国国防部高级研究计划局（DARPA）的John Launchbury曾指出，在第三次人工智能浪潮中，抽象（例如创造新的意义）和推理（规划与决策）将成为核心驱动力。第三次浪潮最鲜明的特征就是语境适应——系统要为现实世界中的各种现象构建语境解释模型。

在这些知识维度中，有两个维度直接反映了对世界的认知：一个是描述性维度，它对世界中存在的事物进行概念化抽象；另一个是现实世界及其现象的动态模型。此外，故事能够提升人类基于共同信仰和神话理解、交流复杂情境的能力。语境与来源归因，以及价值与优先级，则属于元知识维度——它们带来了基于条件的有效性和知识的持续叠加。最后，概念参考是整个结构的基石，跨越不同维度、模态和参照而存在。

这六个知识维度组合在一起，就能让AI从仅仅识别事件相关性，进入更深层次的理解。因为六维背后的潜在概念是持续的，不仅能解释和预测过去、未来的事件，还允许规划与干预，甚至可以思考反事实的情况——因此文中使用了“深度知识（deep knowledge）”这一术语。

厘清机器智能所需的知识构建类型，有助于我们找到实现它的最佳路径，从而真正迈向更高级的机器智能。

1 支持更高水平智能的六大知识维度

对于人工智能系统而言，将人类理解和交流中自然形成的知识构建应用于机器，将为智能带来实质性增值。当所有知识类型都得到支持并相互组合时，实际价值会大幅提升。

图注：支持更高水平智能的知识维度。图源：Gadi Singer/英特尔实验室

1. 描述性知识：层次、分类和属性继承

描述性知识（也称概念性、命题性或陈述性知识）用于描述事物、事件及其属性和关系。如果采用恰当的类或概念层次结构，深度描述性知识就能自行扩展定义。这类知识可包含事实与记录系统。与特定用例和场景相关的事实和信息，可以按层次结构组织、利用和更新。

单个人工智能系统中使用的基础本体（ontology），可以从策划系统中提取与任务相关的类和实体来初始化（例如OpenCyc本体或AMR命名的实体类型）。这个基础本体应能通过神经网络/机器学习技术进行扩展——也就是说，获取新知识就能得到新的实体、关系和类。

2. 世界模型

现实世界中的现象模型，让AI系统能够理解情况、解释输入和事件、预测可能的未来结果并采取行动。现象模型是抽象与概括，分为正式模型和近似（非正式）真实世界模型。现象模型允许在特定情境下对实例使用变量和应用，也允许对特定实例或更通用的类进行符号操作。

正式模型的例子包括逻辑、数学/代数和物理。相比之下，现实世界的模型通常是经验的、实验性的，有时还显得“混乱”。现实世界模型包括物理模型、心理模型和社会学模型。程序模型（“专有知识”）也归入此类。

因果模型是让AI系统更上一层楼的关键。在语境变化的情况下，如果与因果关系等知识模型相结合，并能够理解控制原因的语境、考虑反事实的可能性，那么过去的统计数据就能有效应用于现在、预测未来。这些模型有助于从条件和可能因素的角度理解事件。因果推理是人类思维不可或缺的一部分——实现人类智慧级别的机器智能，这条路绕不开因果模型。

3. 故事和脚本

历史学家尤瓦尔·赫拉利说过，故事构成了个人和社会文化、世界观的关键组成部分。要真正理解和解释人类的行为与交流，理解故事是必要条件。故事很复杂——一个连贯的叙述中可能包含多个事件和各种信息。故事不只是事实和事件的集合，它还包含了能帮助我们发展更深层次理解和概括的重要信息。与世界模型不同，故事可以具有历史意义、参考意义或精神意义。故事可以代表价值观和经历，这些价值观和经历会影响人的信仰和行为。例如宗教或民族故事、神话，以及任何群体中分享的故事。

4. 语境和来源归因

语境的定义是：围绕某个事件、并为其提供自圆其说资源的框架。语境可以看作是一种覆盖性的知识结构，调节着它所包含的知识。语境可以是持久的，也可以是短暂的。

持久语境可以是长期的（比如从西方哲学角度或东方哲学角度获取的知识），也可以随着时间推移、根据新的学习材料而改变。持久语境不会对每个任务都做更改。当特定的本地语境很重要时，瞬态语境就派上用场了。单词要根据它所在句子或段落的局部语境来解释；图像中感兴趣的区域，通常要在整个图像或视频的语境中才能被正确理解。持久语境和瞬态语境的结合，为解释和操作知识提供了完整的配置。

知识的另一个相关方面是数据来源（也称数据追溯），包括数据从哪里来、在传播过程中发生了什么、以及随着时间的推移数据会去向何处。AI系统不能假设所有接收到的信息都是正确或可信的——尤其是在这个“后真相时代”，信息更不可轻信。将信息与其来源关联起来，可能是建立可信性、可认证性和可追溯性的必要手段。

5. 价值和优先级（包括善/威胁和伦理）

知识的所有方面（比如对象、概念或程序）在整个判断范围内都有对应的价值——从最大的善到最大的恶。可以假设，人类智力的进化包括追求回报和避免风险（比如追求吃午餐，避免被当成午餐）。这种风险/回报关联与知识紧密相连。潜在的得失具有功利价值；对于实体或潜在的未来状态，还有一种基于伦理的价值。这种基于伦理的价值反映了一种道德观：所谓“善”不是基于潜在的有形回报或威胁，而是基于对什么是正确的潜在信念。

价值和优先级属于元知识，它反映了AI系统对知识、行动和结果相关方面的主观判断。这为问责制奠定了基础，应该由负责特定AI系统的人认真对待。当AI系统与人类互动、并做出影响人类福祉的选择时，潜在的价值和优先级系统就变得无比重要。

6. 概念参考：消除歧义，统一和跨模态

知识是以概念为基础的。例如，“狗”是一个抽象概念——有多种名称（在不同语言里说法不一样）、一些视觉特征、声音联想等等。但不管表现形式和用法如何，“狗”这个概念本身是独一无二的。概念被映射到英语单词“dog”、法语单词“chien”。视觉特征可能是这样的：同时它也跟“汪汪”的叫声对应起来。

概念引用（Concept Reference，简称ConceptRef）是与给定概念相关的所有事物的标识符和引用集。概念引用本身其实不包含任何知识——知识驻留在前面介绍的维度中。概念引用是多维知识库（KB）的关键，因为它融合了概念的所有表象。Wikidata就是一个很好的例子：集中存储结构化数据的多维知识库。在Wikidata中，项（items）代表人类知识中的所有事物，包括主题、概念和对象。Wikidata的条目跟这个框架中的ConceptRef定义相似——只有一个关键区别：在Wikidata中，“项”既指给定的标识符，也指关于标识符的信息；而ConceptRefs只是带有指向KB指针的标识符。关于概念的信息则被填充在前面描述的各种视图中（比如与概念相关的描述性或程序性知识）。

常识

常识知识由隐性信息组成——那些广泛且为大众共享的、不成文的假设，人类会自动运用这些假设来理解世界。AI想要更深地理解世界，把常识应用到情境中是必不可少的。在这个框架中，常识知识被看作是上述六种知识类型的子集。

2 理解与知识类型之间的关系

理解是智能的基础。向更高级机器智能的发展，引发了一场关于“理解”的讨论。约书亚·本吉奥将拥有人类理解能力的人工智能描述为：能够明白因果关系、理解世界如何运转；能够理解抽象的行为；知道如何使用以上知识去控制、推理和计划，即使是在新颖的场景中也依然拥有这种能力；能够解释发生了什么；具备分布外（OOD）生成能力。

而以知识为中心的定义则这样表述：用丰富的知识表示创建世界观的能力；获取和解释新信息以增强这种世界观的能力；以及对现有知识和新信息进行有效推理、决定和解释的能力。这种理解观的前提条件包括四种功能：具备丰富的知识；获取新的知识；能够跨实体和关系连接知识实例；对知识进行推理。

理解不是二元属性，而是因类型和程度而异。核心在于知识的本质及其表征——知识结构和模型的表达能力，能够极大促进理解和推理能力的发展。

想象所有的人（和机器）

正如爱因斯坦所说：“智能的真正标志不是知识，而是想象力。”要真正理解，机器智能必须超越数据、事实和故事。要重建、发现并创造一个可观察属性和事件背后的宇宙模型，想象力是必不可少的。从AI系统的角度来说，想象力是通过创造性推理实现的——也就是进行归纳、演绎或溯因推理，并产生不受以往经验和输入输出相关性严格规定的新颖结果。

知识表示和推理是AI一个非常成熟的领域，它处理关于世界的信息表示，让计算机系统能够解决复杂的任务。知识和推理不一定是截然分开的，而更像一个从已知到推断的光谱。机器理解将通过构建知识的能力，辅以先进的相关推理（比如概率推理和似然推理、溯因推理、类比推理、默认推理等）来实现。

建立在深度知识基础上的神经符号AI

在让AI变得更有效、更负责任、更高效地为人类服务的过程中，我们的目标是让AI系统更强大，同时推动它达到更高的认知和理解水平。科学家已经在处理数据、识别模式、寻找转瞬即逝的相关性方面取得了巨大进展——但仍有必要思考：哪些知识类型能真正赋予AI系统对世界建模和理解世界的能力？当我们对AI获得更高层次认知所需要的知识结构有了更深的理解，就可以继续在这个深度知识的基础上进行构建，让机器真正地理解世界。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：人工智能更高认知知识构建的多个维度要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题