新智元启动新一轮大招聘：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。

　　【新智元导读】本文的作者开发了一种使用贝叶斯程序学习（BPL）的算法，j2直播，该算法将概念表示为简单随机程序，也就是结构化过程，在执行时生成概念的新示例。这些程序让模型表达关于如何形成原始数据的因果知识。概念之间的结构共享是通过随机组合重用来实现的，可用新方式组合以创建新概念。”BPL在具有挑战性的一次性分类任务中达到了人类水平。

　　人工智能（AI）的最新进展已经重新引起了人们对构建像人们一样学习和思考的系统的兴趣。许多进步来自于使用深入的神经网络训练端对端的任务，如对象识别，视频游戏和棋类游戏，实现等于甚至在某些方面击败人类的性能。除了他们的生物灵感和绩效成就，这些系统不同于人类智力在关键的方式。

　　我们回顾认知科学的进展，表明真正的人类学习和思维机器将不得不超越当前的工程学趋势，他们学习什么，以及他们如何学习它。具体来说，我们认为这些机器应该：

　　（a）构建支持解释和理解的世界的因果模型，而不是仅仅解决模式识别问题;

　　（b）物理学和心理学关于直觉理论的基础研究，支持和丰富所学的知识;

　　（c）利用组合性和学习 - 学习来快速获得知识并将其推广到新的任务和情况。

　　对于这些目标，我们提出具体的挑战和有希望的路线，结合最近的神经网络进步的优势与更结构化的认知模型。

　　超过五十页的论文看上去很费劲，除非像“Building machines that learn and think like people“这样的，j2直播，才值得花时间看。

　　我肯定我们会看到问题的规模越来越大，在这些方面我们是还有很多提升的空间

数据效率 - 使用比当今模型少得多的训练数据，将模型训练到一定水平的熟练程度。

培训时间 - 与数据效率密切相关，达到一定水平的熟练度，大大减少了培训时间。

适应性 - 能够在学习新任务时更有效地利用先前的“知识”（训练模型）（这也意味着需要更少的数据，培训时间更短）。

　　此外，我希望，来自研究团队和工业实验室的一些奇妙的惊喜。 “建筑机器学习和思考像人一样”通过询问人类似乎学习什么来研究这些问题，我们仍然在性能上优于最先进的机器学习系统，以及为什么会是这样。 这是类似于“Towards deep symbolic reinforcement learning”，这是我最喜欢的论文，在过去几个月。

　　模式识别与模型构建

　　像Garnelo等人看到基于统计模式识别的学习系统与建立他们可以推理的世界的一些模型的学习系统之间的重要区别。

　　模式识别方法可以发现具有一些共同点的特征的事物 。例如，在大量不同的训练数据集中分类标签。模型建立方法创建模型来理解和解释世界，想象行动的后果，并制定计划。

　　“模式识别和建模之间，预测和解释之间的差异，是我们对人类智能观点的核心。 正如科学家寻求解释自然，而不是简单地预测它，我们认为人类思想本质上是一个建模活动。”

　　两个挑战揭示目前的局限性

　　在认知科学中，我们不认为思想是从一开始就很少限制的通用神经网络。相反，（大多数）认知科学家认为我们从一些早期归纳偏差开始，其中包括核心概念，如数量，空间，代理和对象，以及依靠先验知识从少量训练数据提取知识的学习算法。Lake 等人提出两个简单的挑战问题，突显其中一些差异。

　　字符识别

　　如果机器学习领域具有宠物商店，那可能是识别来自MNIST数据集的数字0-9。机器现在可以在这个任务上达到人类水准，所以到底有什么问题？与机器学习系统相比：

人类从更少的例子中学习（我们可以学习从单个示例中识别新的手写字符）

人类学习更丰富的表示法...