主要内容
一种从人类大脑建模和学习世界方式中汲取灵感的新机器学习方法，已被证明能够以令人印象深刻的效率掌握许多简单视频游戏。名为 Axiom 的新系统，为现代人工智能中占主导地位的人工神经网络提供了一种替代方案。Axiom 由一家名为 Verse AI 的软件公司开发，具备关于游戏世界中物体相互物理作用方式的先验知识。然后，它使用一种算法来模拟对输入的预期反应，这种反应基于它所观察到的内容——这一过程被称为主动推理。
该方法从自由能原理中汲取灵感，该原理旨在利用数学、物理、信息论和生物学原理来解释智能。自由能原理由著名神经科学家卡尔·弗里斯顿提出，他是“认知计算”公司 Verse 的首席科学家。弗里斯顿在伦敦家中通过视频告诉我，这种方法对于构建人工智能代理可能特别重要。他说：“它们必须支持我们在真实大脑中看到的那种认知。这不仅需要考虑学习东西的能力，还需要实际学习如何在世界中行动。”
学习玩游戏的传统方法涉及通过所谓的深度强化学习来训练神经网络，这涉及通过实验和调整参数来响应正反馈或负反馈。这种方法可以产生超人类的游戏算法，但需要大量实验才能起作用。Axiom 使用少得多的示例和计算能力就掌握了各种流行视频游戏的简化版本，如“驱动”、“弹跳”、“狩猎”和“跳跃”。
人工智能研究员弗朗索瓦·肖莱特（François Chollet）表示：“该方法的总体目标及其一些关键特征与我认为实现通用人工智能（AGI）应关注的最重要问题相契合。”肖莱特还在探索机器学习的新方法，并使用他的基准测试来测试模型学习如何解决不熟悉问题而不是简单模仿以前示例的能力。他说：“这项工作非常有创意，这很好。我们需要更多人在大型语言模型和推理语言模型的常规路径之外尝试新想法。”
现代人工智能依赖于大致受大脑布线启发但工作方式根本不同的人工神经网络。在过去的十年左右时间里，使用神经网络的深度学习使计算机能够完成各种令人印象深刻的任务，包括转录语音、识别面孔和生成图像。当然，最近深度学习导致了支持喋喋不休且能力越来越强的聊天机器人的大型语言模型的出现。理论上，Axiom 承诺了一种更高效的从头开始构建人工智能的方法。Verse 的首席执行官加布·雷内（Gabe René）表示，它对于创建需要从经验中高效学习的代理可能特别有效。雷内说，一家金融公司已经开始尝试该公司的技术，作为对市场进行建模的一种方式。他说：“这是一种用于人工智能代理的新架构，可以实时学习，更准确、更高效，而且体积小得多。它们实际上就像一个数字大脑。”
具有讽刺意味的是，鉴于 Axiom 提供了现代人工智能和深度学习的替代方案，自由能原理最初受到英国加拿大计算机科学家杰弗里·辛顿（Geoffrey Hinton）工作的影响，他因在深度学习方面的开创性工作而获得图灵奖和诺贝尔奖。辛顿多年来一直是弗里斯顿在伦敦大学学院的同事。若要了解更多关于弗里斯顿和自由能原理的信息，我强烈推荐这篇文章。