[论文解读] Machine Common Sense Concept Paper

David Gunning|arXiv (Cornell University)|Oct 17, 2018

Adversarial Robustness in Machine Learning参考文献 14被引用 34

一句话总结

本文提出一种双轨策略以实现机器常识：(1) 一种发展性学习系统，通过构建类儿童认知的对象、代理与空间的直觉模型；(2) 一种从文本和图像中读取而来的网络规模知识库，用于回答常识性问题。其主要贡献在于提出了一种整合经验学习与文本学习的框架，使人工智能系统能够实现通用且类人的推理能力。

ABSTRACT

This paper summarizes some of the technical background, research ideas, and possible development strategies for achieving machine common sense. Machine common sense has long been a critical-but-missing component of Artificial Intelligence (AI). Recent advances in machine learning have resulted in new AI capabilities, but in all of these applications, machine reasoning is narrow and highly specialized. Developers must carefully train or program systems for every situation. General commonsense reasoning remains elusive. The absence of common sense prevents intelligent systems from understanding their world, behaving reasonably in unforeseen situations, communicating naturally with people, and learning from new experiences. Its absence is perhaps the most significant barrier between the narrowly focused AI applications we have today and the more general, human-like AI systems we would like to build in the future. Machine common sense remains a broad, potentially unbounded problem in AI. There are a wide range of strategies that could be employed to make progress on this difficult challenge. This paper discusses two diverse strategies for focusing development on two different machine commonsense services: (1) a service that learns from experience, like a child, to construct computational models that mimic the core domains of child cognition for objects (intuitive physics), agents (intentional actors), and places (spatial navigation); and (2) service that learns from reading the Web, like a research librarian, to construct a commonsense knowledge repository capable of answering natural language and image-based questions about commonsense phenomena.

研究动机与目标

• 解决当前窄域人工智能系统普遍缺乏常识的问题，该问题严重限制其推理、适应与自然交流的能力。
• 突破阻碍人工智能理解突发情境、合理行为或从新经验中学习的障碍。
• 开发一种通用的机器常识能力，支持在多样化领域中实现稳健且类人的推理。
• 提出两条截然不同但互补的路径：一条基于经验学习（类儿童），另一条基于阅读与知识提取（类图书管理员）。
• 为未来人工智能系统奠定基础，使其能够理解、推理并以类人直觉的方式与世界互动。

提出的方法

• 开发一种机器常识服务，通过与环境的交互学习，构建直觉物理、意图代理与空间导航的计算模型，模拟早期儿童认知发展过程。
• 实施第二项服务，摄入并处理海量网络文本与图像，将常识知识提取并组织为结构化、可查询的知识库。
• 利用自然语言与视觉模型解释并索引常识现象，支持关于物体属性、因果关系与空间推理等主题的问答。
• 将两项服务整合进统一框架，使基于经验的模型与基于知识的推理能够相互启发与增强。
• 利用现有的机器学习与自然语言处理技术，从非结构化网络数据中规模化提取知识，同时确保一致性与合理性。
• 设计系统以支持开放式学习与推理，使其能超越预设场景进行泛化，并适应新情境。

实验结果

研究问题

• RQ1 如何通过类儿童认知发展的经验学习方式构建机器常识？
• RQ2 哪些技术方法可实现机器对直觉物理、意图代理与空间导航的计算建模？
• RQ3 能否从非结构化文本与图像中有效构建大规模、基于网络的常识知识库，以支持对日常现象的推理？
• RQ4 在整合经验性与文本性常识来源时，面临的关键架构与表征挑战是什么？
• RQ5 此类系统如何以高可靠性与泛化能力支持关于常识主题的自然语言与多模态问答？

主要发现

• 本文确立了当前人工智能系统普遍缺乏通用常识，这严重限制其在新颖或模糊情境下的推理能力。
• 基于经验的学习系统可通过观察与交互环境，发展出对物体、代理与场所的直觉模型，其方式类似于儿童学习。
• 网络规模的阅读能力可构建一个大规模、可访问的常识知识库，能够回答自然语言与图像相关的问题。
• 将基于经验与基于文本的方法相结合，为实现可扩展的、通用的机器常识提供了有前景的路径。
• 常识的缺失仍是实现通用人工智能的最主要障碍，解决该问题需要协调一致的多策略研究努力。
• 所提出的双服务框架为未来机器常识的研究与开发提供了结构化且可扩展的基础。