近日，由北京大學人工智能研究院與北京通用人工智能研究院共同完成的研究成果——“人類水平的小樣本概念學習”，在國際學術期刊《科學·進展》上發表。這一成果首次讓人工智能系統在沒有大數據訓練的情況下，能像人類一樣通過概念學習和邏輯推理的方式完成學習任務。

　　人工智能系統主要以海量數據為基礎，利用大量算力和存儲進行數據“檢索”，核心范式是深度學習。近年來，這類人工智能取得顯著進展，誕生了以生成式人工智能為代表的熱門應用。國際學術前沿追逐的另一個焦點是“小樣本概念學習”，這一人工智能范式旨在探索教會人工智能系統掌握抽象概念學習和認知推理的能力。

　　論文通訊作者、北京大學人工智能研究院助理教授朱毅鑫解釋：“這是一種‘舉一反三’的能力。例如，我們在打游戲的時候，不需要打成千上萬局游戲，而是在觀察學習后就可以自己上手。又如，我們小時候通過觀察他人行為，就能學會基本的社交規范，並將其應用到不同場合。”

　　在數據匱乏或僅有少量數據和抽象概念的時候，“小樣本概念學習”便有了用武之地。“這種方式在不需要算力或數據堆積、成本可控的情況下也能求解很多問題。”論文第一作者、北京通用人工智能研究院研究員張馳介紹，北京大學教授朱鬆純早在上世紀90年代就提出了一種研究思路，即用統計數據建模的方式找出現有少量數據間的聯系，用高效率的算法來代替窮舉，從而求解問題。

　　這一方法最早應用於計算機視覺領域的圖片生成模型。朱毅鑫說，當時計算機視覺領域有一類難題叫作“什麼是紋理”。比如，兩張有著明顯差別的紋理圖片，如果用計算機視覺進行逐個像素的比對，就會認為是不一樣的，但如果用人的肉眼識別則會認為是相同的。“這是因為人類往往根據圖像中的統計規律來比對，如果統計規律一致，我們就認為兩張圖片是一樣的。”

　　受此研究思路的啟發，研究團隊創新性地提出了高效解決抽象推理問題的方法，將一些抽象推理問題轉化為易於求解的優化問題，使人工智能通過快速迭代和建模取得令人滿意的結果。在團隊組織開展的多項測試中，該學習模型戰勝了高水平的人類選手，在邁向通用人工智能的道路上更進一步。“未來我們將在智能交通、智慧醫療等領域推進相關成果的落地應用，促進科技成果轉化。”張馳表示。

分享讓更多人看到