人工智能常识推理
“衣服装不进去箱子，因为它太大了”，请问“它”是箱子还是衣服？你可能不知道，这种需要物理世界常识的这类问题，目前最先进的计算机也不能解决。目前的人工智能深度学习大多使用的是基于大量数据的拟合方法，计算机如何真正实现思考，如何真正实现理解，如何真正实现推理，这个过程遇到了诸多问题。
常识推理是人工智能领域发展的核心挑战之一。促进人工智能发展，使得机器具有「常识思维」，对于常识推理的研究是值得关注的未来发展方向。
发表于《Nature》的《Commonsense Reasoning and Commonsense Knowledge in Artificial Intelligence 》，这一论文介绍了常识推理的应用领域、近年来的突破和进展、难点及发展瓶颈、已有的各种技术和对未来进一步研究的建议。
常识推理在文本理解、计算机视觉、机器人操作和规划等许多AI任务中有着举足轻重的地位。在自然语言处理领域，消除歧义需要常识处理，如 “The electrician is working” and "The telephone is working”，两个“working“看似都是工作，但是第一个‘working’是劳动，第二个‘working’则是正常运转。相似的问题也在计算机视觉领域也存在，在进行视觉任务的时候，如剪刀挂在门上，可能是由钉子或者挂钩进行支撑，需要对机器对图片中不存在的事物进行常识理解及。机器人在不受控制的环境，能做出适当的反应。比如，客人向机器人要一杯酒，机器人看到他的杯子碎了或杯子脏了，能够重新换一个杯子，而不是简单地将酒倒进杯子给客人。机器人需要能够进行常识推理避免这类错误，这些都是非常具有挑战性的。目前，自动常识推理已经取得了部分实质性的进展。主要在以下几个方面：
- Taxonomic reasoning： 类别推理中2种推理形式。一种是传递，比如说：Lassie是狗，狗是哺乳动物的一个子集，因此Lassie是哺乳动物。另外一种推理形式是继承，比如说：狗是哺乳动物的一个子集，哺乳动物具有多毛属性，那么狗也有多毛这一属性。
- Temporal Reasoning： 时间推理主要研究关于时间、持续时间和时间间隔的知识和自动推理。比如说，莫扎特出生的更早，死亡的年纪比贝多芬更小，可以推断出莫扎特去世时间早于贝多芬。时间推理在自然语言领域的表达复杂，在推理过程仍面临着许多挑战。
- Action and Change： 行动与变化推理在满足某些约束条件（Events are atomic、Every change in the world is the result of an event、Events are deterministic、Single actor、Perfect knowledge）的领域研究取得了不错的进展，主要应用于高层次规则和机器人规划中。在某些特定领域仍面临挑战，例如整合不同抽象层次上的问题。
-
Qualitative reasoning：
定性分析主要是内在关联的数量变化，比如商品价格与销售量的关系，若商品的价格上涨，在其他条件不变的情况下，销售量往往会下降。这一理论已被应用于物理学、工程学、生物学、生态学等领域。
自动常识推理在众多研究领域取得显著进展，但仍面临着许多挑战。主要有以下几点：
- 目前对常识推理的理解仍然处于初级阶段，有些领域尚未触及；
- 有些场景看似简单，但内在逻辑复杂；
- 常识推理得出的结论是合理的，但不能保证是正确的；
- 常识推理在许多领域都存在长尾现象；
- 在知识表示时，机器难以辨别合理的抽象层次。
常识推理的主要技术包括以下几点：
- Knowledge-based approaches ：专家们分析常识推理所需的推理特征，并手动建立知识表示的方法和推理引擎。此外，还包括基于数学的方法、基于机器学习和大规模数据的方法。
- Web mining： 使用web挖掘技术从web文档中提取常识性知识。
- Crowd sourcing： 基于众包的方法，可以避免web挖掘存在的语义不一致的问题。
对于未来进一步研究方向，作者给了一些建议，包括基准测试、评估CYC、集成、其他推理形式、认知科学等。
建议对智能推理感兴趣的同学，精读论文细节（
如何高效地阅读论文
）。后台回复【
书单12
】领取论文。
参考资料：
[1]
https://
zhuanlan.zhihu.com/p/31
017056
