近日，“人类水平的小样本概念学习”在国际学术期刊《科学·进展》最新一期上发表。该成果由北京大学人工智能研究院、北京通用人工智能研究院组成的科研团队独立完成，让AI系统在没有大数据训练的情况下，凭借像人类一样通过概念学习和逻辑推理的方式完成任务。

当前，广泛应用的AI系统主要以海量数据为基础，利用大量算力和存储进行数据“检索”，其核心范式是深度学习，并催生了ChatGPT等一批热门AIGC应用。

该成果通讯作者，北京大学人工智能研究院助理教授朱毅鑫谈到，目前AI方案多是依赖充分且可得的数据资源以及大量人力标注，通过暴力学习的方式进行训练，有点像通过刷题方式来取得高分，但这样的AI并不具备人类那样对问题进行快速、准确、细致推理的能力，尤其在数据匮乏或仅有少量数据和抽象概念的情况下，这类方法便无能为力。

对此，研究团队另辟蹊径，借鉴了朱松纯教授（现任北京大学人工智能研究院院长）在上世纪90年代提出的最大最小熵思路，这一方法最早应用于计算机视觉领域的图片生成模型。受此经典研究思路启发，团队将问题形式化为易于求解的优化问题，并按照熵的思路将其描述为概率条件下的熵限制问题，使模型在快速迭代后能取得满意结果。

“其核心还是数据量和效率问题。我们在尝试怎么在小量数据上，得到像人类这样的性能表现。我们并不是说大数据效果不好，而是它的成本太高……”该成果第一作者、北京通用人工智能研究院研究员张驰举例说，比如，我们交给它平方差公式，它能学会立方差公式，甚至四次方、五次方、六次方都可以学会，“可以自己做一些组合、排列”。

据了解，该团队提出的这种超高效解决抽象推理问题的方法，让机器通过快速迭代和建模，获得了既容易得到又具可解释性的问题解决模型。这也是首次由我国科学家独立完成，并在国内实现的人工智能高水平研究成果，凸显了我国科研工作者在人工智能基础理论研究和关键技术攻关方面的创新能力和奋斗精神。