AI也会有学习的瓶颈期？探索机器学习的极限

“人工智能”一词突然爆火，似毫无征兆地闯入了我们普通老百姓的生活。“海螺问问”“文心一言”等AI是人类通过计算机学习的跨越性突破，毋庸置疑降低了人类学习知识的门槛，很多会“AI一下”的人便会认为自己已经是“古希腊掌管学习的神”了。这到底是否真的像“神”一样法力无边了吗？这就引发了很多敢于突破的人去思考:人类通过计算机进行学习的极限究竟是什么。

电脑的算力可以无限发展吗？

通过计算机进行学习的极限是什么？这个问题首先落脚在计算机的极限，它受限于什么？比如说，我们从计算复杂性谈起。在计算机科学中，有些问题被归类为NP-hard，这意味着找到这些问题的解决方案可能需要比宇宙年龄还长的时间。例如，旅行商问题（TSP）就是一个典型的NP-hard问题，它要求找到最短的路径，让旅行商访问一系列城市并返回出发点。尽管现代计算机已经非常强大，但面对这类问题，它们仍然显得力不从心。

同时计算机硬件的发展也受到物理定律的限制，例如量子效应和热力学限制。随着硬件接近物理极限，计算能力的提升将变得更加困难。能源消耗随着模型变得越来越复杂，训练和运行这些模型所需的能源消耗也在增加，这也可能成为未来发展的瓶颈。

拓宽未来人类认知的计算机

尽管计算机本身能达到的高度是有限的，但这个“限”相较于人类的学习来说就是相对无限的了。这就好比我们知道尽管留存下来的书籍是浩如烟海的，但至少仍然是有限的，但是每个人穷尽一生所读也是冰山一角。学习根本上是人在劳动中形成的，恩格斯曾指出，因为劳动使得人体不断适应环境，带来了肌肉、韧带等机体的发展，出现了人手，然后“魔力似地产生了拉斐尔的绘画托瓦德森

柏拉图之洞穴之比喻的雕刻以及帕格尼尼的音乐”。事实上，人类一直在探索关于知识与学习的奥秘，例如，柏拉图的“洞喻”“回忆说”；洛克的“白板说”等，都是人类对自身认知和学习能力的理论探求。

柏拉图之洞穴之比喻

例如，《人是如何学习的II：学习者、境脉和文化》这本书强调了学习动机、元认知、执行功能和自我调节在学习过程中的重要性，以及学习是一个贯穿整个生命周期的动态过程。有关人类专注度的极限，研究表明人们的注意力最多能集中12小时，时间越长，注意力降低越多 。这可能与通过计算机进行学习时的认知负荷有关。人类则必须遵循从陈述性知识起始，向程序性知识进展，然后向策略性知识升华的过程，即表现为“搜集资讯、制定计划、进行决策、实施计划、执行检查、评估结果”等有始有终而又不断螺旋式升华的闭环控制的认知周期。

AI辅助学习的无限与有限

通过计算机学习很难避开人工智能(AI)不谈。现在我们的学习很大程度上依赖AI，什么“写论文没思路，先AI”。通过计算机学习的限制在于人类学习所运用的工具——人工智能上。它降低了人类学习的门槛，贴合人类认知机制，拥有人类生理极限所不能达到的。

但人工智能并没有人类想象的那么“完美”，人工智能的固有极限可以追溯到数学家图灵和哥德尔提出的悖论，表明某些计算问题是算法无法解决的，这同样适用于人工智能算法。首先，人类学习是一个复杂的动态过程，它不仅涉及记忆和信息的摄入，还涉及到多种过程和因素的相互作用 。这包括在抽象推理和自适应学习方面的挑战。史忠植在其研究中提出，要突破通过计算机进行学习的极限，必须将机器学习与脑认知机理结合起来，发展认知机器学习，使机器智能不断进化，逐步达到人类水平，现在发展的生成式AI 也正是在走这一条路。此外，认知计算技术的发展也表明，尽管机器可以模拟人的思维并持续学习以增强智能性，如２０２０年的清华大学的张悠慧团队和施路平团队在《自然》杂志上发表的论文中，提出了“类脑计算完备性”概念，这表明了通过模仿人脑的神经生理学和生理心理学机制，可以构建出具有类似人脑功能的机器智能计算系统。但要实现类似人脑的认知与判断、发现新的关联和模式、做出正确决策等，还有很长的路要走。

研究人脑：发展AI的关键

人类认知限制我们可能无法完全理解或预测复杂AI系统的行为，特别是在它们开始表现出超出设计者预期的行为时。所以，极限，主要表现在机器学习系统目前还难以完全模拟人类的学习过程和认知能力。未来的研究需要进一步探索如何更好地结合人脑的认知机制与机器学习技术，以克服这些局限并推动人工智能的发展。需要更深入地理解人脑的运作机制和智能认知过程，以帮助开发更加智能和自适应的学习系统。人脑的感知、注意、记忆、学习和决策过程揭示了智能机制，而人工智能系统在模拟这些过程时面临挑战。例如，深度学习虽然在图像识别和自然语言处理等领域取得了进展，但对数据质量和数量的依赖性强，训练过程可能陷入局部最优，且模型的可解释性不足。此外，人类的认知偏差也可能影响人工智能研究的方向和结果。例如，科学家们可能过分强调简单性，忽视了人类认知中直觉和非理性因素的重要性。人工智能与大脑科学的前沿合作强调了理解人类大脑复杂性的重要性，同时指出了数据收集和共享、算法解释性、伦理和道德等方面的挑战。未来的研究需要进一步探索新的理论和技术，以克服这些挑战并推动人工智能的发展。

虽然我们无法预知AI的未来会如何发展，但通过不断的研究和探索，我们可以更好地理解它的潜力和局限，从而更明智地利用这项强大的技术。研究者们正通过提出新算法、改进现有模型和探索新的研究方向来不断突破这些极限。在CSDN博客中，讨论了机器学习与认知科学的结合如何推动人工智能的发展。通过共享方法、工具、数据、资源、理论和模型，两个领域可以相互促进，共同解决人类认知的局限性。

当你只选择了一种工具，那就会被它本身限制。或许我们需要更强大的工具，又或许我们需要更多样的工具。注：以上内容为作者主观想法。

参考文献：

[1] 蒋万胜,田姿. 论人工智能之深度学习与人类学习的异同 [J]. 安康学院学报, 2023, 35 (06): 9-15+35. DOI:10.16858/j.issn.1674-0092.2023.06.002.

[2] 张枫雪,刘勇. 广义最大覆盖模型的新型人类学习优化算法 [J]. 计算机仿真, 2023, 40 (01): 394-399.

[3] 余明锋. 机器学习时代的人类学习——ChatGPT引发的教育哲学反思 [J]. 北京大学教育评论, 2023, 21 (01): 27-34+187-188.

[4] 吴全全,闫智勇,姜大源. 产业升级背景下职业教育专业优化及课程设置的筹策 [J]. 天津中德应用技术大学学报, 2021, (03): 6-24. DOI:10.16350/j.cnki.cn12-1442/g4.2021.03.001.