2019年，一場人與機(jī)器的游戲?qū)?zhàn)——Open AI Five以全面壓倒性的表現(xiàn)戰(zhàn)勝了Dota2世界冠軍戰(zhàn)隊(duì)OG。

棋類游戲一直被視為頂級人類智力及人工智能的試金石。

人工智能與人類棋手的對抗一直在不斷上演中，從三子棋、五子棋、跳棋、象棋、軍棋、國際象棋、再到最高水平的圍棋類游戲，計(jì)算機(jī)人工智能程序都已經(jīng)打敗了人類。

人工智能取得的成績讓人側(cè)目，至少在游戲領(lǐng)域，已經(jīng)全面壓倒人類。

然而在這令人側(cè)目驚嘆的表現(xiàn)背后，是人類遠(yuǎn)遠(yuǎn)無法企及的大數(shù)據(jù)訓(xùn)練的結(jié)果，以訓(xùn)練Open AI Five為例，看看它的學(xué)習(xí)過程消耗了多少資源:

12.8萬個CPU；

256塊P100；

長達(dá)數(shù)個月的訓(xùn)練……

如果轉(zhuǎn)化成更容易理解的數(shù)據(jù)，就是相當(dāng)于一個游戲選手不分日夜的持續(xù)練習(xí)45000年的游戲，才能達(dá)到同樣的戰(zhàn)果。

按照人類目前的壽命和思維容量，顯然這是一個永遠(yuǎn)不可能完成的任務(wù)。

這就是目前人工智能行業(yè)，尤其是深度學(xué)習(xí)領(lǐng)域，當(dāng)前面臨的最大問題與挑戰(zhàn)之一，具體主要包括包括:

大量的數(shù)據(jù)依賴；

長時間的學(xué)習(xí)與訓(xùn)練；

高昂的軟硬件訓(xùn)練成本……

那么，解決方法是什么呢？

2020年，學(xué)術(shù)界提出了因果關(guān)系的小樣本學(xué)習(xí)的概念。

如何進(jìn)行小樣本學(xué)習(xí)呢？其實(shí)這個概念與幾年前楊強(qiáng)教授(現(xiàn)微眾銀行首席人工智能官)與戴文淵(現(xiàn)第四范式首席執(zhí)行官)提出的遷移學(xué)習(xí)概念比較類似。

小樣本學(xué)習(xí)與遷移學(xué)習(xí)，都可以說是學(xué)習(xí)模仿人類，看看人類是如何快速學(xué)習(xí)各種知識的。

以玩游戲?yàn)槔?

星際爭霸系列游戲，涉及人族、神族、蟲族三個種族，數(shù)十個兵種，從戰(zhàn)略到戰(zhàn)術(shù)，可以演化為成千上萬種打法。這個游戲，不到最后一刻，往往很難猜出誰勝誰負(fù)。因此，也成為了人工智能重點(diǎn)“練手”的即時策略對戰(zhàn)游戲。

對于喜歡玩即時策略游戲的人而言，如果會玩星際爭霸系列游戲，那么其他的即時策略類游戲，比如:暴雪的魔獸爭霸，DOTA2系列；微軟的帝國時代系列等等，就很容易上手了。

因?yàn)榭梢赃\(yùn)用之前的游戲經(jīng)驗(yàn)，玩同類型的游戲，其背后的思路方法是類似的，觸類旁通，舉一反三，就是這個意思。

同樣的，對于機(jī)器學(xué)習(xí)而言，在少量樣本上快速泛化的核心，就是借助先驗(yàn)知識(類似人類的經(jīng)驗(yàn))。

而小樣本學(xué)習(xí)就致力于通過極少的訓(xùn)練數(shù)據(jù)（1-5個樣本/類）來實(shí)現(xiàn)模型的泛化(機(jī)器學(xué)習(xí)算法對新鮮樣本的適應(yīng)能力）。

這里面，還要提出一個是指機(jī)器學(xué)習(xí)“預(yù)訓(xùn)練”的概念。

具體來說，就是在大型數(shù)據(jù)集上，學(xué)習(xí)一個強(qiáng)大的神經(jīng)網(wǎng)絡(luò)作為特征提取器，例如:

CV(計(jì)算機(jī)視覺)里面常見的在ImageNet上預(yù)訓(xùn)練的ResNet網(wǎng)絡(luò)；

NLP(自然語言處理)里面在Wikipedia上預(yù)訓(xùn)練的BERT；

都是代表一種特征表達(dá)的先驗(yàn)知識，也就是預(yù)訓(xùn)練。

遷移學(xué)習(xí)里面，依據(jù)的“庫伯學(xué)習(xí)圈”理論，也是類似的原理。

預(yù)訓(xùn)練相當(dāng)于給了小樣本學(xué)習(xí)一個好的起點(diǎn)，就像一個人在上課前預(yù)習(xí)了大量的知識點(diǎn)。

當(dāng)然，如果想獲得更好的效果，還要了解一下元學(xué)習(xí)（meta learning）的概念，簡單來說就是通過不斷學(xué)習(xí)，找到更好效果的機(jī)器學(xué)習(xí)方法。

所以，人工智能與機(jī)器學(xué)習(xí)，簡單來說，就是不斷學(xué)習(xí)和模仿人類思維的過程。

關(guān)注東方林語，一起了解更多人工智能小知識。

附:

NeurIPS 2020接收的小樣本學(xué)習(xí)論文

Interventional Few-Shot Learning，網(wǎng)址如下:

https://arxiv.org/abs/2009.13000

論文的代碼在Github上開源網(wǎng)址：

https://github.com/yue-zhongqi/ifsl