近日，由北京大學人工智能研究院和北京通用人工智能研究院聯合組成的科研團隊完成最新研究成果——“人類水平的小樣本概念學習”，並在國際頂級學術期刊《科學·進展》發表論文。這一成果首次讓AI系統在沒有大數據訓練的情況下，像人類一樣通過概念學習和邏輯推理的方式完成任務，並在經典智商測試中戰勝了高智商人類選手。這是由我國科學家獨立完成，並在國內實現的AI高水平研究成果，標志著中國在邁向通用AI的道路上更進一步。

那麼，與當前主流AI相比，小樣本AI有何不同與優勢？

當前，廣泛應用的AI系統主要以海量數據為基礎，利用大量算力和存力資源進行數據搜索，其核心范式是深度學習。這類AI在數據擬合和感知層面取得了顯著進展，催生了ChatGPT等一批生成式AI應用。它們能寫詩作畫、為人答疑解惑，甚至可以協助藥物開發。

然而，在擁有這些能力的同時，AI卻無法准確理解因果關系等邏輯問題。這是因為目前很多AI以大數據和深度學習為核心范式，十分依賴數據數量和標注質量，無法對問題進行快速、准確、細致的推理。尤其是面對數據匱乏或僅有少量數據和抽象概念等情況，目前的AI更是無能為力。

北京大學人工智能研究院助理教授朱毅鑫解釋，目前很多AI大模型是對數據的擬合，其“記憶力”很強，但遷移泛化能力有限。“就好比說，如果它之前見過A、B，那麼下次再見到A、B，它能認識，甚至見到與之類似的A′、B′它也能認識。但如果見到的是C，它就認不出來了。”朱毅鑫說。

北京通用人工智能研究院研究員張馳認為，目前大多數AI以大數據和深度學習為核心范式，效率較低、成本較高。出於成本考量，在算力和高質量數據緊缺的背景下，這種范式難以真正實現通用AI。

那麼，是否存在另外一種人工智能范式，較好地解決上述問題？聯合科研團隊另辟蹊徑，借鑒了北京大學人工智能研究院教授朱鬆純在20世紀90年代提出的最大最小熵思路。他們將問題化為易於求解的優化問題，並將其描述為概率條件下的熵限制問題。利用這種思路，聯合科研團隊讓機器快速迭代和建模，獲得了既容易得到又具可解釋性的問題解決模型。

在朱毅鑫看來，小樣本是邁向通用AI的另一路徑。小樣本的“小”並不是不需要數據，而是希望通過提高數據利用率，實現舉一反三。“就和做口算一樣，你不可能把所有的題都練一遍。但學會基本原理后，就能觸類旁通。”朱毅鑫說，小樣本AI有著較為廣泛的應用前景，如可應用於醫療、航空航天等樣本較少或幾乎沒有樣本的場景。

（記者 楊 雪）

分享讓更多人看到