文章转载来源：学术头条

　　原文来源：学术头条

图片来源：由无界AI生成

　　人们善于学习新概念，并将它们与已有概念进行系统组合。例如，一旦一个孩子学会了如何跳跃，他们可以通过组合技能理解如何向后跳或绕锥形物跳两次。

　　这种将新老概念结合的能力被称为系统泛化（systematic generalization）。

　　而此前，Jerry Fodor 和 Zenon Pylyshyn 两位认知科学家曾主张，人工神经网络缺乏这种能力，因此不适合作为人类认知的可靠模型。

　　然而，一篇发表在 Nature 上的最新研究挑战了这个已经存在了 35 年的观点。

　　在该研究中，纽约大学心理学和数据科学助理教授 Brenden  Lake 和西班牙加泰罗尼亚研究所（ICREA）教授 Marco Baroni 提出了一个具有类似人类系统泛化能力的神经网络。

　　具体而言，研究团队使用了一种“组合性元学习（MLC）”的方法来优化组织能力。通过并行比较人类与神经网络，他们发现，MLC 能掌握、有时甚至能超过类似人类的系统泛化能力。另外，MLC 还在多个系统化泛化基准测试中提高了机器学习系统的组合技能。

　　该方法可以让机器与人进行更自然的互动，甚至超过目前最好的 AI 系统。虽然基于大型语言模型（LLMs）的系统（如 ChatGPT）在许多情况下都能很好地进行对话，但在其他情况下却表现出明显的缺陷和不一致。

　　相关论文以“Human-like systematic generalization  through a meta-learning neural network”为题，已发表在权威科学期刊 Nature 上。

　　研究团队表示，虽然元学习方法无法让该神经网络对训练之外的任务进行泛化，但他们的研究结果有助于今后开发出行为更像人类大脑的 AI。

　　达到甚至超越人类水平

　　在这项研究中，MLC 方法仅使用了普通的神经网络，并没有添加符号机制，也没有人工设计的内部表示或归纳偏见。