转移学习（论文Pan and Yang, 2010）是一个智能体在一个领域进行训练然后可以掌握另一个领域的能力。在文本理解领域的成果并不好，除非智能体在新的领域也进行了一些训练（Kadlec, et al., 2016）。

　　测试

　　情感分类（Blitzer, et al.，2007）提供了转移学习的可能测试平台。学习者可以在一个语料库上训练，在另一个语料库上测试，并与直接在目标域上训练的基准学习者进行比较。

　　电影和商业的评论是两个不相似的领域，这使得知识转移具有了挑战性。在这两个领域里的语料库分别是Rotten Tomatoes的电影评论（Pang and Lee，2005）和Yelp Challenge的数据集（Yelp，2017）。

　　（22）知道什么时候你不知道

　　虽然不确定性在不同的学习算法中有不同的建模方式，但当前的人工系统在“知道什么时候不知道”这一点上通常比不上人类。举个例子，目前最先进的用于图像识别的深度神经网络，可以对一个人类完全不认识的图像做出99.99％的信心判断（Nguyen et al., 2015）。

　　人类对信心估计的表现包括：

　　1.在归纳任务中，如程序归纳或测序完备，知道何时提供的示例不足以作出归纳（多个合理的假设可以解释它们）。

　　2.在语音识别中，知道某段发音可能没有被听懂。

　　3.在诸如检测行人的视觉任务中，知道图像的一部分可能未被可靠地识别。

　　测试

　　1.可以将语音识别器与人类基准进行比较，测量识别器给出的平均置信度与识别失败的例子的置信度的比值。

　　2.可以在生成的对抗样本上测试图像识别系统给出的置信度。

　　(23)经由行动学习

　　人类婴儿通过实验和观察他们自己的行为带来的影响来了解世界（Smith and Gasser，2005; Malik，2015）。这似乎适用于高水平的认知和感知。动物实验已经证实，自发运动的能力对于感知发展至关重要（Held and Hein，1963），并且近来在学习视觉感知中使用运动已经取得了一些进展（Agrawal et al.，2015）。在（Agrawal et al.，2016）中，机器人试图学习预测戳刺动作的效果。

　　“经由行动学习”因此包括以下几个领域：

　　?主动学习，其中智能体会选择出最可能有指导意义的培训示例

　　?开展认识论行动，即进行主要旨在收集信息的活动

　　?学会通过行动来感知

　　?经由行动学习因果关系

　　也许最重要的是，对于人工系统，通过实验学习世界的因果结构仍然是一个开放的问题。

　　测试

　　对于通过行动学习，自然应该考虑操纵运动的问题，其中除了智能体的行动的直接影响，次要效应也必须考虑。

　　学会打台球：一个没有先验知识和没有固定训练数据的智能体被允许探索一个真实或虚拟的台球桌，并应该学会打台球。

　　感觉运动问题

　　目前机器人和机器感知的突出问题包括：

　　1.动态环境中的自主导航

　　2.场景分析

　　3.可靠的一般物体识别和发现

　　4.可靠的终身即时定位和建图（SLAM）

　　5.多感官整合

　　6.适应性灵巧操纵

　　(24)自主导航

　　尽管最近特斯拉（Tesla），Waymo（前Google自驾车项目）等公司在自动驾驶汽车方面取得了进展，但在高动态环境中的自主导航仍然是一个未解决的问题，因其需要充分掌握所面对对象以可靠地预测未来场景（Ess et al.，2010）。

　　测试

　　对自主导航来说，在拥挤的城市街道和住宅区的全自动驾驶仍然是一个具有挑战性的测试。

　　(25)场景分析

　　场景分析的挑战远远超出了物体识别，它包括对由多个物体形成的表面、场景3D结构、因果关系（Lake et al.，2016）和可承受性的理解。它不限于视觉，而是可以依赖于试听，触摸和其他知觉，例如电反射和回声定位（Lewicki et al.，2014; Kondo et al.，2017）。虽然已经在例如识别异常和不可能的场景（Choi et al.，2012）、预测物体动力学（Fouhey and Zitnick，2014）和发现物体功能（Yao et al.，2013）方面取得了进展，但人工智能仍远远低于同领域人类的表现。

　　测试

　　理解视觉场景中的因果结构的一些可能的挑战包括：

　　1.识别危险情况：可以创建合成图像的资料库，其中同样的物体被重新组合以形成“危险”和“安全”的场景，当然这些场景是由人类分类的。

　　2.识别物理上不可能的场景：可以创建合成资料库，以显示包含同样物体的物理上可信和不可信的场景。

　　3. 识别无用的对象：无用对象的图像由（Kamprani，2017）创建。

　　(26)物体识别