[论文解读] The Next Decade in AI: Four Steps Towards Robust Artificial Intelligence

Gary Marcus|arXiv (Cornell University)|Feb 14, 2020

Bayesian Modeling and Causal Inference参考文献 94被引用 294

一句话总结

这篇论文主张一种混合的、知识驱动、基于推理的人工智能方法，以认知模型为核心，作为超越海量数据和计算的新途径，从而实现更健壮的AI。它概述了在AI系统中提升鲁棒性的四个步骤。

ABSTRACT

Recent research in artificial intelligence and machine learning has largely emphasized general-purpose learning and ever-larger training sets and more and more compute. In contrast, I propose a hybrid, knowledge-driven, reasoning-based approach, centered around cognitive models, that could provide the substrate for a richer, more robust AI than is currently possible.

研究动机与目标

• 促使从纯数据驱动的AI向结合知识、推理和认知模型的混合方法转变。
• 提出四个具体步骤以打造更强健的人工智能。
• 突出当前大规模、通用学习系统的局限性。
• 倡导将结构化知识与认知原则整合到AI架构中。

提出的方法

• 倡导以混合、知识驱动的框架作为鲁棒AI的基础。
• 强调基于推理的组件，而非纯统计学习。
• 主张认知模型在AI发展中的核心作用。

实验结果

研究问题

• RQ1 通过知识与推理将AI推向鲁棒性，需要哪些关键步骤？
• RQ2 认知模型如何为更鲁棒的人工智能系统做出贡献？
• RQ3 仅靠大规模训练集和计算的当前通用学习有哪些局限性？
• RQ4 未来十年AI的四步计划会是怎样的？

主要发现

• 混合、知识驱动、基于推理的方法可以为更丰富、更鲁棒的AI提供底层基础。
• 当前的AI研究强调大规模的训练集和计算，而不是整合认知模型和结构化知识。
• 提出四个步骤以提高AI的鲁棒性（在提供的摘要中未枚举）。
• 论点集中在超越纯数据驱动方法，纳入认知、符号和基于知识的组件。