近日，由北京大学人工智能研究院与北京通用人工智能研究院共同完成的研究成果——“人类水平的小样本概念学习”，在国际学术期刊《科学·进展》上发表。这一成果首次让人工智能系统在没有大数据训练的情况下，能像人类一样通过概念学习和逻辑推理的方式完成学习任务。
人工智能系统主要以海量数据为基础，利用大量算力和存储进行数据“检索”，核心范式是深度学习。近年来，这类人工智能取得显著进展，诞生了以生成式人工智能为代表的热门应用。国际学术前沿追逐的另一个焦点是“小样本概念学习”，这一人工智能范式旨在探索教会人工智能系统掌握抽象概念学习和认知推理的能力。
论文通讯作者、北京大学人工智能研究院助理教授朱毅鑫解释：“这是一种‘举一反三’的能力。例如，我们在打游戏的时候，不需要打成千上万局游戏，而是在观察学习后就可以自己上手。又如，我们小时候通过观察他人行为，就能学会基本的社交规范，并将其应用到不同场合。”
在数据匮乏或仅有少量数据和抽象概念的时候，“小样本概念学习”便有了用武之地。“这种方式在不需要算力或数据堆积、成本可控的情况下也能求解很多问题。”论文第一作者、北京通用人工智能研究院研究员张驰介绍，北京大学教授朱松纯早在上世纪90年代就提出了一种研究思路，即用统计数据建模的方式找出现有少量数据间的联系，用高效率的算法来代替穷举，从而求解问题。
这一方法最早应用于计算机视觉领域的图片生成模型。朱毅鑫说，当时计算机视觉领域有一类难题叫作“什么是纹理”。比如，两张有着明显差别的纹理图片，如果用计算机视觉进行逐个像素的比对，就会认为是不一样的，但如果用人的肉眼识别则会认为是相同的。“这是因为人类往往根据图像中的统计规律来比对，如果统计规律一致，我们就认为两张图片是一样的。”
受此研究思路的启发，研究团队创新性地提出了高效解决抽象推理问题的方法，将一些抽象推理问题转化为易于求解的优化问题，使人工智能通过快速迭代和建模取得令人满意的结果。在团队组织开展的多项测试中，该学习模型战胜了高水平的人类选手，在迈向通用人工智能的道路上更进一步。“未来我们将在智能交通、智慧医疗等领域推进相关成果的落地应用，促进科技成果转化。”张驰表示。
