根據(jù)你所認(rèn)同的智能理論，實(shí)現(xiàn)“人類水平”的AI將需要一個能利用多種模式--如聲音、視覺和文本--來推理世界的系統(tǒng)。比如當(dāng)顯示一張在下雪的高速公路上一輛翻倒的卡車和一輛警察巡邏車的圖像時，人類水平的AI可能會推斷出危險的道路狀況導(dǎo)致了一場事故。

訪問：

阿里云“無影云電腦” 支持企業(yè)快速實(shí)現(xiàn)居家辦公

或者當(dāng)運(yùn)行了AI系統(tǒng)的機(jī)器人被要求從冰箱里拿一罐蘇打水時，它們會繞過人、家具和寵物取出罐子并把它放在請求者可及的地方。

雖然現(xiàn)在的AI技術(shù)還不夠。但新研究表現(xiàn)出了令人鼓舞的進(jìn)步跡象，從能找出滿足基本命令的步驟的機(jī)器人到能從解釋中學(xué)習(xí)的文本生成系統(tǒng)。在Techcrunch日前恢復(fù)的《Deep Science》中，他們將每周都會介紹AI和更廣泛的科學(xué)領(lǐng)域的最新發(fā)展，他們將介紹DeepMind、Google和OpenAI的工作--這些工作正朝著系統(tǒng)能夠以令人印象深刻的穩(wěn)健性解決諸如生成圖像的狹窄任務(wù)的方向邁進(jìn)。

AI研究實(shí)驗(yàn)室OpenAI的DALL-E改進(jìn)版--DALL-E 2很容易成為AI研究實(shí)驗(yàn)室深處出現(xiàn)的最令人矚目的項(xiàng)目。TechCrunch記者指出，雖然最初的DALL-E展示了創(chuàng)造圖像以匹配幾乎任何提示的非凡能力，但DALL-E 2在這方面更進(jìn)一步。它產(chǎn)生的圖像更加詳細(xì)，且它還可以智能地替換掉圖像中的特定區(qū)域--比如將一張桌子插入充滿適當(dāng)反射的大理石地板的照片中。

雖然DALL-E 2本周受到了大部分的關(guān)注，但在周四，Google的研究人員在GoogleAI博客上所介紹的一個視覺理解系統(tǒng)同樣令人深刻。據(jù)悉，這個系統(tǒng)被稱為視覺驅(qū)動的文字轉(zhuǎn)語音（Visually-Driven Prosody for Text-to-Speech，簡稱VDTTS）。VDTTS可以生成聽起來很真實(shí)的唇語，除了文字和說話的人的視頻幀之外，沒有其他東西。

VDTTS生成的語音雖然不是錄制的對話的完美替代品，但表現(xiàn)相當(dāng)好，它具有令人信服的人類表達(dá)能力和時間。Google認(rèn)為有一天它可以在演播室中使用，從而取代可能在嘈雜條件下錄制的原始音頻。

當(dāng)然，視覺理解只是通往更有能力的AI道路上的一個步驟。另一個組成部分是語言理解，它在許多方面都落后于人--即使拋開AI有據(jù)可查的毒性和偏見問題。一個鮮明的例子是，根據(jù)一篇論文，Google的一個尖端系統(tǒng)Pathways Language Model(PaLM)記住了用于“訓(xùn)練”它的40%的數(shù)據(jù)，結(jié)果PaLM剽竊了代碼片段中的文本，甚至是版權(quán)聲明。

所幸的是，由Alphabet支持的AI實(shí)驗(yàn)室DeepMind也在探索解決這一問題的技術(shù)。在一項(xiàng)新研究中，DeepMind的研究人員研究了AI語言系統(tǒng)--它們學(xué)會從許多現(xiàn)有文本的例子中生成文本--是否可以從對這些文本的解釋中獲益。在對幾十個語言任務(wù)進(jìn)行注釋后并評估了不同系統(tǒng)在這些任務(wù)上的表現(xiàn)，DeepMind團(tuán)隊發(fā)現(xiàn)，例子確實(shí)提高了系統(tǒng)的表現(xiàn)。

DeepMind的方法如果在學(xué)術(shù)界獲得通過，那么有朝一日將可以應(yīng)用到機(jī)器人技術(shù)中、形成機(jī)器人的構(gòu)件并在無需一步步指示的情況下理解模糊的請求。盡管存在很大的局限性，但Google新的Do As I Can, Not As I Say項(xiàng)目還是讓人們看到了這個未來。

作為Google的機(jī)器人技術(shù)和Alphabet的X實(shí)驗(yàn)室的日常機(jī)器人技術(shù)團(tuán)隊之間的合作，“Do As I Can, Not As I Say”項(xiàng)目旨在為AI語言系統(tǒng)提供條件以便為機(jī)器人提出可行的且適合環(huán)境的行動。機(jī)器人充當(dāng)語言系統(tǒng)的“手和眼睛”，而系統(tǒng)則提供關(guān)于任務(wù)的高級語義知識--理論上，語言系統(tǒng)編碼了大量對機(jī)器人有用的知識。

此外，一個名為SayCan的系統(tǒng)則可以選擇機(jī)器人在響應(yīng)命令時應(yīng)該執(zhí)行的技能，其中它將特定技能有用的概率和成功執(zhí)行該技能的可能性考慮在內(nèi)。如如果有人說：“我的可樂灑了，你能給我拿點(diǎn)東西來清理嗎？”SayCan可以指示機(jī)器人找到一塊海綿，拿起海綿，然后將它送到提出該要求的人手中。

不過SayCan受到了機(jī)器人硬件的限制--研究小組不止一次觀察到他們選擇用來進(jìn)行實(shí)驗(yàn)的機(jī)器人意外地掉落物體。盡管如此，它跟DALL-E 2和DeepMind在語境理解方面的工作一起說明了AI系統(tǒng)如何在結(jié)合時使我們?nèi)祟惛咏诮苌患沂降奈磥怼?/p>

關(guān)鍵詞： 人工智能 結(jié)合視覺和語言或是開發(fā)更有能力的AI的關(guān)鍵