人工智能是否能够像人类一样学习？

1956年夏天，在美国达特茅斯大学召开的一次学术会议，首次提出了“人工智能”这一概念，这被认为是全球人工智能研究的起点。2016年春天，AlphaGo与围棋高手李世石的人机对战，标志着人工智能的新浪潮到来。

经历了曲折的发展历程，人工智能掀起了新一轮的激发。随着企业将人工智能融入其系统中，科技人员的目光也转向了人工智能创新的新领域，即元学习领域。简而言之，元学习即为学会学习。人类具备在各种情境和环境中学习的特质，习惯学习和刻苦钻研。人工智能想要具备这种学习的灵活性，就需要通用人工智能。

与人类学习方式相比，人工智能的学习方式有着显著差异，最主要的是在于受限性。人类的学习能力受限于大脑容量和时间，因此学习能力也是有限的。相比之下，人工智能拥有更多的资源，如计算能力，但人工智能的学习数据量远远超过人类大脑所能处理的数据。处理这些海量数据需要巨大的计算能力。

随着人工智能任务愈发复杂，计算需求呈指数级增长。人们开始将人工智能应用于特定领域，通过从相关数据中学习，使得人工智能能够高效地处理数据和进行预测，而无需消耗过多资源。

在处理计算能力指数级增长的挑战时，技术人员面临着“学习型”问题，即人工智能开始从日益复杂的数据中进行推断。为了避免计算能力的指数级增长，人工智能需要找到最有效的学习路径，并记住这些路径。一旦算法能够确定不同问题的学习路径，人工智能就能够根据需求选择、遵循、调整学习路径，并在变化中进行自我调整，动态地引导自己找到解决方案。

这引出了人工智能的下一个挑战：多任务学习。随着技术人员开始给予人工智能相关但无序的任务，“多任务”成为重要问题。如何同时完成多个任务？在人工智能执行某些任务时，知识和数据如何协助其执行其他任务？这个问题将“学会学习”提升到一个新的层次。

为了实现多任务运行，人工智能需要能够同时评估独立数据集，并需要关联数据片段并对其进行推断。在执行一个任务的过程中，人工智能需要不断更新知识，以便能够在其他情境下应用这些知识。由于任务之间相互关联，对任务的评估需要整个网络共同完成。

谷歌的MultiModel便是一个人工智能系统的示例，该系统学会了同时执行八项不同的任务。该系统仿效大脑感知信息的方式，能够检测图像中的物体、提供字幕、识别语音、进行语言之间的翻译，并进行语法分析。在多任务联合训练时，该系统表现出色。神经网络也能够从不同领域的数据中学习。

为了增强其通用性，人工智能需要学习多任务处理。人工智能作为一种自我学习的应用，可以在机器人领域执行任务，即机器人代替人类在风险情境下学习和执行任务。例如，当监控或捕捉情况发生变化时，机器犬能够适应各种情况，而无需依赖特定的人类指令。

正如我们从谷歌的MultiModel中看到的，人工智能当然可以通过学习成为类似于人类的通用学习者，但这仍需要一定时间。这包括元推理和元学习，侧重于认知资源的有效应用。中进行选择，以及根据情况识别不同的策略。这些都是元推理研究的领域之一。

在元学习中，一个关键部分是弥合使用大量数据训练模型和有限数据训练模型之间的差距。模型需要具有泛化能力，能够根据跨多个任务的少量信息准确做出决策。

为此，有不同的方法。一些模型通过学习人类学习者的参数来找到一组在不同任务中有效运作的参数集合。一些模型定义适当的学习空间，如度量空间，在该空间中学习可能最为有效。还有一些模型，如少样本元学习，其算法学习婴儿的学习方法，通过模仿最少量的数据进行学习。这些都是元学习研究的领域之一。

元推理和元学习只是人工智能成为通用学习者的一部分。将它们与来自运动和感觉处理的信息结合起来，可以使人工智能学习者更像人类。

人工智能仍在学习如何更像人类。成为广泛学习者需要对人类学习方法以及人工智能如何模仿人类学习方法进行深入研究。在人类的帮助下，人工智能的学习能力正在不断增长，虽然与人类相比仍存在较大差距，但相信随着人类技术的不断发展，这种差距将逐渐缩小，最终达到令人惊讶的高度。让我们拭目以待吧！