如何通向“广义人工智能”？LSTM 提出者之一Sepp Hochreiter：将字母 AI 与神经 AI 相结合

示意图注：CLIP来进行全彩给定的作法完成特训

意料之里的惊讶在于，它最后不用任何电子邮件特训就可以在30多个人工智能化美感最大限度上借助于和之前全行政官员的作法雅的稳定性，借助于了优秀的“零样本自学”。而正如 Hochreiter 研究员所赞叹，这种整体的移入性和鲁棒性是调动在握有主观电子邮件的工业界十分垂青的特点。

事实上，自从CLIP发明最后，全面性很多移入自学的指称导工作都是基于CLIP的。不夸张地说，它绝对是美感第二语言标准化的不可或缺的一环，有些类似于 Bert 之于 NLP 最大限度。而现今流行的 Prompt learning（提示自学）的作法很多也在借鉴 CLIP，或者在CLIP的框架下。

4 来进行潜能

单指 AI 还应充分来进行词法环境和过去的潜能，这和潜意识息息无关。这一点或许Hochreiter研究员有很好的话语权，他算是是长三短时潜意识网络平台的Wolfgang之一。而在心理科学里，有研究者曾经明确指出过本质短时潜意识，它描述的是当人类文明在不感兴趣到一个性刺激时候，比如一幅示意图、一个单词，他会快速地将这些性刺激转化到一个直观的本质类别，并把它相似之处到和长三时潜意识无关的电子邮件。“性刺激-本质化-相似之处”这个更进一步差不多是无意识地发生，但对于我们理解日常直觉、第二语言交流具有非常重要的作用。

示意图注：“性刺激-本质化-相似之处”的心理更进一步

关于这一点，Hochreiter详见了Modern Hopfield networks（MHN）的指称导工作，事实上这篇指称导工作也在他本人的指称导下完成的。Hopfield脑部网络平台早在1982年就被明确指出，它是一种建构存储系统会和二元系统会的脑部网络平台，模拟了人类文明潜意识的基本本质。MHN相信Transformer里的自注意力机制是具有连续平衡状态的Hopfield网络平台的一种更新比赛规则，并且从Hopfield网络平台的角度对自注意力要用了新的阐释。其里和潜意识无关的一部分阐释在于它挖掘了电子邮件里的无关性结构上（covariance structure），即如何使特性同时出那时候电子邮件里。MHN会放大这种共现。这种无关性可以被相信是触发了潜意识里的相似之处部分，从而有助于来进行了有数的科学。

Hochreiter反驳，MHN可以发掘比较丰富的电子邮件间的无关的关系，这一压倒性可以避免当代作法容易遭受的“搭车自学”（shot-cut learning）的风险。“搭车自学”是指称基本本质自学到的并非真正用以决策的“特性”，而只是找了一些特殊的无关性，如飞机只不过出那时候照片的上半部分等。（详情概述AI高科技纽约时报从前介绍：深达自学败于“搭车”）

5 脑部-字母系统会建构

脑部网络平台与字母系统会必需更好地增进 AI 基本本质对世上科学与直观解答等战斗能力的相建构。

基于怀疑论的字母系统会立足于演算和字母连续性，如此一来将人类文明的解答作法编码到电脑程式里，它的压倒性在于直观战斗能力强大、用到较少的电子邮件就可以降到比较好的结果。不过受限于普通人世上科学的简单多样以及非结构上化，很难将这些完美无缺地编码到电脑程式可读的比赛规则里。

而基于潜能国家主义的脑部网络平台如此一来来进行大量的电子邮件，通过隐式（无行政官员）或者显式（行政官员）地指称导基本本质自学到电子邮件有用的连续性，不用其设计简单的比赛规则，就可以降到惊异的稳定性。不过，脑部网络平台也陷于着阐释性弱、电子邮件营养不良等根本原因。

将二者有机地建构也是AI高科技领域研究者经常思考的一个原因。像是的是，这也可以形象化到人类文明历史的观念内斗里，怀疑论和感性国家主义的此消彼长三同样是一个政治性的焦点。

Hochreiter研究员则相信之前发展了很久的示意图脑部网络平台（GNN）是这一侧向的代表。这也是来自登载在IJCAI’20上的一篇深入调查的意见，它将GNN归入为类别1的脑部-字母系统会。文章相信二者都有如下共同之处：都在帮助脑部网络平台输入的比较丰富的向假设坚称；都采用了一种树和示意图的结构上去连续性电子邮件和它们里间的的关系。Hochreiter研究员相信它们在分子属性、社交网络平台建模、改建工程高科技领域的未及测等等强调动态交互和解答高科技领域都有很好的表现。

示意图注：GNN示意图结构上示意示意图

6 总结

Hochreiter强调，借助于单指AI需脑部-字母系统会的建构，以降到一种双向AI（bilateral AI）。而AI研究者也应该朝着具备更强的习得学到和原因应对战斗能力的AI系统会努力。他还最新道，欧洲在这两多方面都有有别于的压倒性，因而要来进行这些压倒性，务实地帮助单指AI的的其产品。

概述文献:

Hochreiter, Sepp. MaxquotToward a broad AI." Communications of the ACM 65.4 (2022): 56-57.

Chollet, F. On the Measure of Intelligence (2019) ArXiv:1911.01547.

Lu%uEDs C. Lamb, Artur dMaxaposAvila Garcez, Marco Gori, Marcelo O.R. Prates, Pedro H.C. Avelar, and Moshe Y. Vardi. 2021. Graph neural networks meet neural-symbolic computing: a survey and perspective. In IJCAIMaxapos20. Article 679, 4877–4884.