CommAI（Communication-based AI），是我们设计用于评价人工智能是否满足上述要求的一个架构，它将会优先考虑人工智能的交流能力。我们已经开发了开源的 CommAI-env 平台来完成 CommAI 的一些任务。我们已经实现了一些满足上述诸多要求的具体任务——CommAI-mini 任务（参见论文的补充材料）。

在一个 CommAI-mini 任务中，j2直播，环境首先向学习器（learner）展示一个（简化的）正则表达式。接着，学习器被要求识别这个表达式或者生成一个符合上述表达式的字符串。环境将接收学习器的反应，同时将会对学习器的的表现作出反馈（很有可能是以奖励分数的形式出现）。如下图例子所示，所有的信息交换都在比特层面（bit level）上进行。

学会去学习（Learning-to-learn）是必需的，因为学习器将几乎不可能在同一种目标语法上进行测试。同时，随着测试的进行，语法的复杂度也将会逐步增加，并且学习器还被要以不同的方式使用同一种语法（例如用于识别或是生成）。在其中「组合性（Compositionality）」在不同层面上扮演了重要的角色：

（1）例如分解比特信息流到字符及解析信息到可预测部分（如描述、测试字符串、分隔符等）的能力，能够很大程度上帮助学习机在不同任务上具有泛化能力；

（2）在识别任务上的成功将有助于解决等价的生成任务（反之亦成立）；

（3）我们将通过逐步在正则表达式中加入运算符的方式，来控制字符创集及其描述的复杂度。例如，检测一个字符串是否含有某集合中含有的所有的 n-gram，需要检查字符串中 n-gram 的出现情况。所以一个组合学习器在解决了分解任务后再解决涉及到 n-gram 的聚合任务时会表现更快。

该任务与传统的人工语法学习（Artificial Grammar Learning，Reber，1967）不同，因为学习器被给予了详细的英语指导及关于它表现的反馈，这些指导包括关于目标字符集合及它将如何处理它（deion:、verify:、produce 等）的内容。因而，这就符合了我们的语言交流标准。

重要的是，尽管 CommAI-mini 任务是完全「语言」上的——它们与字符串识别与生成有关，我们仍因为简明性及易理解性而选择了常规语法领域（顺便一提，你可以将测试字符串认为是标记出非口语音源或视觉刺激序列）。满足语言要求并非是该项目本身要求的，而是该环境能够通过简化英语来提供大量关于指令、反馈的信息。另一些 CommAI 任务集则可能基于如简单物理任务上的内容，其中感知信息将会与仍用简化英语描述的指令、反馈一起（如 move the red block over the blue block（将红色块从蓝色块上面搬过去），Andreas et al., 2016 来获取相关的想法），在基于比特的通道（bit-based channel）上传播。

在它们的简明性之外，我们推测不用大量训练样本来解决 CommAI-mini 任务并非是当前机器学习方法研究领域之外的问题（更多高级任务样例可以在 CommAI-env 网页找到）。我们希望 CommAI-mini 挑战的复杂度恰好能够帮助研究人员开发真正全新的模型。

相关工作、致谢、参考文献和补充材料请参阅原论文。

©本文为机器之心编译，转载请联系本公众号获得授权。

　　?------------------------------------------------

加入机器之心（全职记者/实习生）：[email protected]

投稿或寻求报道：[email protected]

广告&商务合作：[email protected]