2019年，一場人與機器的游戲對戰(zhàn)——Open AI Five以全面壓倒性的表現戰(zhàn)勝了Dota2世界冠軍戰(zhàn)隊OG。

棋類游戲一直被視為頂級人類智力及人工智能的試金石。

人工智能與人類棋手的對抗一直在不斷上演中，從三子棋、五子棋、跳棋、象棋、軍棋、國際象棋、再到最高水平的圍棋類游戲，計算機人工智能程序都已經打敗了人類。

人工智能取得的成績讓人側目，至少在游戲領域，已經全面壓倒人類。

然而在這令人側目驚嘆的表現背后，是人類遠遠無法企及的大數據訓練的結果，以訓練Open AI Five為例，看看它的學習過程消耗了多少資源:

12.8萬個CPU；

256塊P100；

長達數個月的訓練……

如果轉化成更容易理解的數據，就是相當于一個游戲選手不分日夜的持續(xù)練習45000年的游戲，才能達到同樣的戰(zhàn)果。

按照人類目前的壽命和思維容量，顯然這是一個永遠不可能完成的任務。

這就是目前人工智能行業(yè)，尤其是深度學習領域，當前面臨的最大問題與挑戰(zhàn)之一，具體主要包括包括:

大量的數據依賴；

長時間的學習與訓練；

高昂的軟硬件訓練成本……

那么，解決方法是什么呢？

2020年，學術界提出了因果關系的小樣本學習的概念。

如何進行小樣本學習呢？其實這個概念與幾年前楊強教授(現微眾銀行首席人工智能官)與戴文淵(現第四范式首席執(zhí)行官)提出的遷移學習概念比較類似。

小樣本學習與遷移學習，都可以說是學習模仿人類，看看人類是如何快速學習各種知識的。

以玩游戲為例:

星際爭霸系列游戲，涉及人族、神族、蟲族三個種族，數十個兵種，從戰(zhàn)略到戰(zhàn)術，可以演化為成千上萬種打法。這個游戲，不到最后一刻，往往很難猜出誰勝誰負。因此，也成為了人工智能重點“練手”的即時策略對戰(zhàn)游戲。

對于喜歡玩即時策略游戲的人而言，如果會玩星際爭霸系列游戲，那么其他的即時策略類游戲，比如:暴雪的魔獸爭霸，DOTA2系列；微軟的帝國時代系列等等，就很容易上手了。

因為可以運用之前的游戲經驗，玩同類型的游戲，其背后的思路方法是類似的，觸類旁通，舉一反三，就是這個意思。

同樣的，對于機器學習而言，在少量樣本上快速泛化的核心，就是借助先驗知識(類似人類的經驗)。

而小樣本學習就致力于通過極少的訓練數據（1-5個樣本/類）來實現模型的泛化(機器學習算法對新鮮樣本的適應能力）。

這里面，還要提出一個是指機器學習“預訓練”的概念。

具體來說，就是在大型數據集上，學習一個強大的神經網絡作為特征提取器，例如:

CV(計算機視覺)里面常見的在ImageNet上預訓練的ResNet網絡；

NLP(自然語言處理)里面在Wikipedia上預訓練的BERT；

都是代表一種特征表達的先驗知識，也就是預訓練。

遷移學習里面，依據的“庫伯學習圈”理論，也是類似的原理。

預訓練相當于給了小樣本學習一個好的起點，就像一個人在上課前預習了大量的知識點。

當然，如果想獲得更好的效果，還要了解一下元學習（meta learning）的概念，簡單來說就是通過不斷學習，找到更好效果的機器學習方法。

所以，人工智能與機器學習，簡單來說，就是不斷學習和模仿人類思維的過程。

關注東方林語，一起了解更多人工智能小知識。

附:

NeurIPS 2020接收的小樣本學習論文

Interventional Few-Shot Learning，網址如下:

https://arxiv.org/abs/2009.13000

論文的代碼在Github上開源網址：

https://github.com/yue-zhongqi/ifsl