源自：Science

9月20日消息，斯坦福大學一項新的研究表明，人工智能可以通過問一些看起來很愚蠢的問題來幫助它們變得更加聰明。研究人員研發的新系統在回答Instagram上的相似問題時，其準確率提高了118%。

如果有人給你看一張鱷魚的照片，并問你它是不是一只鳥？你可能會哈哈大笑。一項新的研究表明，這種在我們看來有些愚蠢的互動可能是幫助人工智能學習的關鍵。

在該研究中，這種方法顯著提高了人工智能解釋新圖像的準確性，可以幫助人工智能開發者更快地設計程序，以完成從診斷疾病到引導機器人或其他設備自行在家中運轉的所有工作。

一、讓AI主動提問，彌補知識空白

“這是一項超酷的工作！”谷歌機器學習研究學者Natasha Jaques說，但她并未參與這項研究。

許多人工智能系統會選擇一種被稱為機器學習的方法使其變得更智能。這種方法是通過大量數據集來訓練人工智能，其所需的時間和工作量都十分巨大。例如，系統在分析數千張家具圖片后讓人工智能找到椅子的樣子。

但即使是巨大的數據集也會存在缺口。比如，圖像中的物體可以被標記為一把椅子，但它是由什么制成的？你是否可以坐在上面？這些問題卻無法得知。

為了幫助人工智能擴展它們對世界的理解，研究人員現在正試圖開發一種計算機程序，用以實現在定位人工智能知識空白，并找出如何通過詢問陌生人填補知識的方法。人工智能向陌生人提出自己不了解的問題，并期待得到回答，就像孩子問父母天空為什么是藍的一樣。這項新研究的最終目標是讓人工智能能夠正確回答有關它以前從未見過的圖像的各種問題。

在之前的“主動學習”研究中，人工智能會評估自己的無知程度，并要求獲得更多信息。這種方式通常需要研究人員向提供這類信息的在線工作者支付報酬，所以這種方法在一定程度上無法規模化。

因此，在這項新研究中，由計算機視覺和人機交互交叉領域學者Ranjay Krishna領導的Stanford University（斯坦福大學）的研究人員訓練了一個機器學習系統，不僅能發現該系統知識的空白，還能通過詢問陌生人，如：“水槽是什么形狀的？”等愚蠢的問題，以獲得答案的方式進行學習。比如，機器學習系統詢問：“圖中是什么甜點？”陌生人回答：“它是椰子蛋糕。”

二、發圖、提問、學習

一氣呵成，準確率提升118%

北卡羅來納大學教堂山分校的社會心理學家Kurt Gray說：“非常重要的一件事是要思考人工智能應該如何呈現自己。在這種情況下，你希望它像一個孩子，不是嗎？”否則，人們可能會因為你問的問題看起來很荒謬而認為你是一個噴子。他的主要研究方向是人類與人工智能的互動，但沒有參與這項工作。

該團隊還為這一系統建立了“獎勵”機制，當人工智能得到了人們反饋的問題答案，就會反過來讓人工智能調整其內部運作，以便在未來能夠有效應對相關問題。在這基礎上，隨著時間的推移，人工智能就能進一步學習語言和社會規范方面的知識，讓自己變得越來越聰明，并提升它提出易于回答且更有意義的問題的能力。

這種新型的人工智能有幾個組成部分，包括一些神經網絡，受大腦結構啟發的復雜數學函數。Krishna說：“它們包含很多部分……都需要一起發揮作用。”其中一個部分會在社交媒體Instagram上選擇一張圖片，比如日落，第二個部分會就這張照片提出一個問題，例如，“這張照片是在晚上拍的嗎?”其余部分則會從讀者的回答中提取信息，并從中了解圖像包含的內容的含義。

該團隊昨天發表在《美國國家科學院院刊》上的報告顯示，在8個月的時間里，通過在Instagram上提出超過20萬個問題，該系統回答類似問題的準確率提高了118%。而一個在Instagram上發布問題，但并沒有經過明確的訓練來提高反應率的比較系統，其準確率只提高了72%，部分原因是人們更經常地忽略它。

三、AI也卷起來了？

主動向人類尋求幫助

Jaques認為，主要的創新是獎勵讓人類做出反應的系統，“從技術角度來說，這并不瘋狂，但從研究方向的角度來說非常重要。” Instagram上大規模的問題發布也給她留下了深刻的印象。在發布所有人工智能生成的問題之前，人類會檢查這些問題是否有冒犯性內容。

研究人員希望像他們這樣的系統最終能幫助人工智能理解常識、幫助機器人主動交互、增強聊天機器人與人交流的能力等，比如人工智能通過詢問問題知道椅子是木頭做的、嵌入人工智能的吸塵器會詢問去廚房的路、聊天機器人與人們談論客戶服務或天氣等。

Jaques說，社交技能也可以幫助人工智能快速適應新情況。例如，自動駕駛汽車可能會在施工區導航時尋求幫助。“如果你能有效地向人類學習，這是一項非常普遍的技能。”

結語：蠢問題或讓AI走向更加智能之路

人們有時震驚于人工智能的學習能力，比如阿爾法狗。但人工智能在面臨復雜問題時的表現卻不盡如人意，往往答非所問。

這項新研究探索了機器學習的新方向，將會助力人工智能理解常識，變得更加智能。但這項技術對于提高人工智能處理復雜問題的能力仍需有待驗證。