例如Frostbite挑战 - 看着一个专业玩家玩，直觉心理学让我们推断玩家的信念，欲望和意图。“例如，到有经验的玩家避开鸟类，我们可以学到应该躲开鸟类。我们不需要经历遇到一只鸟的一个例子 – 而是看着FrostbiteBailey 因为鸟死了 - 推断鸟可能是危险的。

　　“有几种方法可以将直觉心理学纳入当前的深度学习系统中...。简单的归纳偏差，例如发现有东西要移动其它东西，可以引导关于更抽象概念的推理。同样，大量的目标导向和社会导向，也可以以一种可以与其他认知能力共享的方式，归结为简单的实用微积分。“

　　学习作为模型建设

　　儿童（和成人）具有“一次性”学习的巨大能力 – 例如，一把梳子、一个菠萝或一把光剑，孩子理解其类别，“掌握无限集合的边界，它定义了所有可能物体的无限集合中的每一个概念。

　　“不同于人类学习的高效，由于神经网络高度灵活的近似函数而具有通用性，神经网络是众所周知需要大量数据。”

　　即使只有几个例子，人们可以学习丰富的概念模型。例如，在看到一个新型两轮车的例子之后，一个人可以绘制新的实例，将概念解析为其最重要的组件，或者甚至通过熟悉的概念的组合创建新的复杂的概念。

　　“这种丰富性和灵活性表明，模型建设式的学习比模式识别式的学习更好。此外，人类一次性学习的能力表明，这些模型建立在丰富的领域知识基础上，而不是从空白开始。”

　　本文的作者开发了一种使用贝叶斯程序学习（BPL）的算法，该算法将概念表示为简单随机程序 - 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，并且概率语义允许模型处理噪声和执行创造性任务。概念之间的结构共享是通过随机原语的组合重用来实现的，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。

　　另一个有趣的模型是因果模型。篇幅有限，我不会在这里讨论它，但是在论文§4.2.2中有详细论述。

　　作者在本节中讨论的最终领域是“学会学习”：

　　“虽然迁移学习和多任务学习已经是AI的重要主题，特别是深度学习没有做出像人类一样快速和灵活地学习新任务的系统...为了获得人类从学习中获得的全部好处AI系统可能首先需要采用我们上面论述的更具组合性（或更多类似语言）和因果形式的表示。“

　　例如，学习基于直观物理学和心理学基础的游戏的组成结构的因果模型的系统可以更有效地传递知识，从而更快地学习新游戏。

　　“分层贝叶斯（Hierarchical Bayesian）模型运行在概率程序，用来处理类似理论的结构和丰富的因果表示，但有对于高效推理还有强大的挑战...对于程序或理论学习发展迅速的领域，人们可能采用inductive biases不仅用于评价假设，而且用于指导假设选择。”

　　例如，“20英寸”不可能是问题“林肯诞生了什么年份”的答案。最近的工作尝试使用前馈映射来解决这个挑战，以摊销概率推理计算。参见论文§4.3.1。

　　在ML主流之外？

　　如果以上介绍引起了您的兴趣，我们鼓励您查阅完整的论文。如果我们要看到这种机器学习的突破，很可能是由那些记住早期的AI的人，或那些工作在主流以外开发的人。

　　Building Machines That Learn and Think Like People https://arxiv.org/abs/1604.00289

新智元招聘

　　职位 执行总编、主编

　　职位年薪：50万（工资+奖金）-100万元（工资+奖金+期权）

　　工作地点：北京-海淀区

　　所属部门：编辑部

　　汇报对象：CEO

　　下属人数：20人

　　年龄要求：25 岁至 40 岁

　　语 言：专业英语八级以上或海外留学从业背景

　　职位背景：在IT媒体领域有专业团队管理经验与主流话语权

　　学历要求：硕士及以上

　　职位描述：

热爱人工智能和媒体事业；

具有3年以上媒体采编经验，在业内有一定影响力及人脉；

具有原创+编译团队管理经验，善于部门间协作沟通；

对TMT领域有深入理解，对行业趋势有独到的洞察；

英文阅读写作及沟通能力优异；

较强的抗压能力和自驱力，能在竞争激烈的环境下激励团队；

具有创业精神及团队精神，有恒心肯吃苦；

理工科背景优先，有知名企业或知名媒体机构工作经验者优先。

　　职责