近年来，人工智能技术变得越来越复杂。如今，许多产品和服务依赖于技术来提供自动化和智能，它们与我们的日常世界不可逆转地交织在一起。无论是通过我们在家中使用的便利设备，还是我们一直使用的产品制造方式，它的影响无处不在，推动了我们生活的方方面面的创新。但这个谜题中还有一些缺失的部分，仍然令终端用户感到沮丧，并给试图改善人工智能技术表现的研究人员带来重大挑战。
常识性的人工智能
在2018年去世之前，微软(Microsoft)联合创始人保罗•艾伦(Paul Allen)投入了大量时间和资源，来解决一个似乎反复出现的重要挑战:人工智能技术根本缺乏常识。他是艾伦人工智能研究所(AI2)的创始人马赛克为了继续解决这个问题，把它框定成这:
“在人工智能研究的早期，人们非常关注常识，但这项工作停滞了。人工智能仍然缺乏大多数10岁孩子拥有的东西:普通的常识。我们希望启动这项研究，在该领域取得重大突破。”
艾伦的类比突出了当前深度学习技术的一个大问题。尽管我们的人工智能产品通常都很聪明，但它们仍然无法回答我们可能会问同事或配偶的极其简单的问题。例如，“如果我把这面墙刷成红色，明天它还会是红色吗?”为了说明我们在解决这个问题上还有多远的路要走，AI2的首席执行官Oren Etzioni举了一个例子:“2016年AlphaGo打败世界第一的围棋选手时，程序还不知道围棋是一种棋盘游戏。”在我们解决这个问题之前，人工智能的成功潜力将局限于狭窄的应用领域。
对常识问题的复杂bob平台app下载解决方案
很明显，要想突破人工智能的局限性，必须多管齐下。为此，艾伦的Mosaic项目“整合了机器阅读和推理、自然语言理解、计算机视觉和众包技术，为未来的人工智能系统创建一个新的广泛的基础常识知识库。”对于像AI2这样的组织来说，研究级别的情况是怎样的呢?
- 视觉常识推理(Visual Common Sense Reasoning, VCR)是认知级视觉理解的一项新课题，也是一种大规模的数据集。研究重点是为基于人工智能的视觉系统创建高阶认知和常识推理。录像机是华盛顿大学和AI2的研究人员共同努力的成果。录像机曾经是一群人挤来挤去的注释的数据对于这个项目。
- 常识知识图提供了一种表示常识概念的半结构化方法。这种结构提供了不同于其他知识来源的观点，然而，什么样的知识应该表示，以及如何最好地将它们整合到现代神经网络中仍然是这一领域研究的重要问题。为了解决这个问题，我们的团队目前正在构建和释放资源探索常识的不同方面，比如关于社会状况、心理状态和因果关系的信息。
- SWAG大规模数据集的基础常识推理任务，统一自然语言推理和物理基础推理。数据集由113k个关于接地情况的多项选择题组成。每个问题都是来自LSMDC或ActivityNet字幕的视频字幕，有四个关于场景中接下来可能发生什么的答案选择。正确答案是视频中下一个事件的(真实的)视频说明;这三个错误的答案是对抗性生成的，并由人验证，以愚弄机器而不是人类。该团队的目标是让SWAG成为评估基础常识NLI和学习表现的基准。
发生如何帮助你的AI计划?
像大多数机器学习项目一样，具备常识的人工智能通常需要大量经过深思熟虑的注释bob体育手机下载。Appen的全球网络拥有超过100万名熟练承包商，在130多个国家和180多种语言和方言运营，这意味着我们可以收集和标记用于构建和改进人工智能系统的大量图像、文本、语音、音频和视频数据。
了解更多关于Appen的机器学习机器学习常见问题解答。
