按年被提到
20162016 · 7 次2026
AI 安全、伦理与社会影响›通用智能与意识·arXiv:1604.00289 · cs.AI

Building Machines That Learn and Think Like People

构建像人一样学习和思考的机器
Brenden M. Lake, Tomer D. Ullman, Joshua B. Tenenbaum, Samuel J. Gershman · 2016

认知科学视角:真正类人的 AI 需要因果模型、直觉理论和组合性

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 12 人首次 2016-04-04 · 最近 2020-04-02
12不同的人
10活跃月份
14讨论串
2,616被引(OpenAlex)

文章回顾认知科学的进展,指出基于端到端深度神经网络的系统虽在物体识别、电子游戏和棋类上达到甚至超过人类,但与人类智能在关键方面不同。作者主张类人机器应:构建支持解释与理解的世界因果模型;以直觉物理和直觉心理学为学习的基础;利用组合性和学会学习(learning-to-learn)快速习得并泛化知识,并提出结合神经网络与结构化认知模型的具体挑战和路线。

HN 为什么提它

HN 上的人把它当作「当前 AI 方法为什么不足、类人学习应该怎样」的易读综述来推荐,多用于支持因果模型与类人推理的论点。

观点难度 3 / 5约 90 分钟经得起时间
读之前最好知道
1深度学习基础
2认知科学中的直觉物理与心理学
3因果模型(causal model)与贝叶斯推断
4组合性与迁移学习(learning-to-learn)

学习路径

读这篇之前,按顺序读书架上的 7 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

先看深度学习的整体进展,再看这篇文章用来对照的几类系统:图像描述、带注意力的生成、结构化生成模型、外部记忆和分层 / 内在动机 RL,最后读认知科学视角的批评。

  1. 1
    Deep Learning in Neural Networks: An Overview神经网络中的深度学习:综述 · 2014

    给出深度学习的整体背景,便于理解目标论文所说的端到端网络成就。

    读略读历史脉络与主要成果。

  2. 2
    Show and Tell: A Neural Image Caption GeneratorShow and Tell:神经图像描述生成器 · 2014

    目标论文用图像描述系统说明网络能产出流畅句子却缺乏真正理解。

    读CNN 编码加 LSTM 解码的结构;留意它的失败案例。

  3. 3
    Show, Attend and Tell: Neural Image Caption Generation with Visual Attention展示、注意与讲述:带视觉注意力的神经图像描述生成 · 2015

    带视觉注意力的描述模型,是文中讨论的一个代表。

    读软 / 硬注意力的做法和可视化。

  4. 4
    DRAW: A Recurrent Neural Network For Image GenerationDRAW:用于图像生成的循环神经网络 · 2015

    DRAW 是逐步生成图像的神经模型,文中拿来和人类的概念生成作对比。

    读注意力窗口加循环生成的框架;不必推导变分下界。

  5. 5

    Attend, Infer, Repeat 把场景理解做成结构化生成模型,靠近目标论文主张的组合性与因果模型。

    读逐步推断场景中物体个数与属性的框架。

  6. 6
    Learning to Transduce with Unbounded Memory学习使用无界记忆进行序列转换 · 2015

    为循环网络引入栈、队列等可微记忆,对应文中关于网络需要更强记忆与算法结构的讨论。

    读可微栈 / 队列的接口思想。

  7. 7

    分层强化学习结合内在动机,对应文中关于目标、分层与规划的讨论。

    读元控制器与子目标控制器的分层结构。

  8. 8
    Building Machines That Learn and Think Like People构建像人一样学习和思考的机器 · 2016 · 就是这篇

    目标论文:从认知科学角度提出类人 AI 需要的核心要素。

    读因果模型、直觉物理与直觉心理、组合性与学会学习几个核心主张,再看对深度网络现状的评论。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐ansible · 2016-08

“Check out the recent paper "Building Machines That Learn and Think Like People":”

推荐这篇关于让机器像人一样学习思考的近期论文
The Difference Between AI, Machine Learning, and Deep Learning原评论 ↗
推荐Cybiote · 2016-08

“See here for an excellent overview of limitations in our current approaches to AI: Building Machines That Learn and Think Like People”

推荐它作为当前 AI 方法局限的出色综述
The Difference Between AI, Machine Learning, and Deep Learning原评论 ↗
推荐Cybiote · 2016-08

“I also posted a link above which is an easily readable exposition on just how current approaches fall short.”

推荐它,易读地阐述了当前方法为何不足
The Difference Between AI, Machine Learning, and Deep Learning原评论 ↗
推荐eli_gottlieb · 2017-04

“Hey guys, I found the non-crappy papers:”

把它挑出来当作靠谱的好论文
How brains are built: Principles of computational neuroscience原评论 ↗
引用pinouchon · 2017-02

“Josh Tenenbaum has pushed the idea of causal models and inference, and I find it compelling”

认同 Tenenbaum 提倡的因果模型与推断思路
Causality in machine learning原评论 ↗
引用colorincorrect · 2017-04

“tbh I haven't read the bottom two”

列在阅读清单里,但自称没读过
Ask HN: AI winter coming in next few years for AGI research?原评论 ↗
看全部 9 条 →
引用eli_gottlieb · 2017-07

“This is an important part of how to build models that think like people[1].”

把它当作构建像人一样思考的模型的依据
The future of deep learning原评论 ↗
引用areoform · 2019-05

“I suspect that the current generation of driverless vehicles will be the same. [LINK] Building Machines That Learn and Think Like People”

拿它类比,认为自动驾驶也会遇到同样的瓶颈
Automakers Are Rethinking the Timetable for Fully Autonomous Cars原评论 ↗
引用taliesinb · 2019-06

“Lastly, Building Machines That Learn and Think Like People lays out this vision in a lot more detail.”

指出这篇对该愿景阐述得详细得多
An Explicitly Relational Neural Network Architecture原评论 ↗
被提交为 story · 7 次