2019年，一场人与机器的游戏对战——Open AI Five以全面压倒性的表现战胜了Dota2世界冠军战队OG。
棋类游戏一直被视为顶级人类智力及人工智能的试金石。
人工智能与人类棋手的对抗一直在不断上演中，从三子棋、五子棋、跳棋、象棋、军棋、国际象棋、再到最高水平的围棋类游戏，计算机人工智能程序都已经打败了人类。
人工智能取得的成绩让人侧目，至少在游戏领域，已经全面压倒人类。
然而在这令人侧目惊叹的表现背后，是人类远远无法企及的大数据训练的结果，以训练Open AI Five为例，看看它的学习过程消耗了多少资源:
12.8万个CPU；
256块P100；
长达数个月的训练……
如果转化成更容易理解的数据，就是相当于一个游戏选手不分日夜的持续练习45000年的游戏，才能达到同样的战果。
按照人类目前的寿命和思维容量，显然这是一个永远不可能完成的任务。
这就是目前人工智能行业，尤其是深度学习领域，当前面临的最大问题与挑战之一，具体主要包括包括:
大量的数据依赖；
长时间的学习与训练；
高昂的软硬件训练成本……
那么，解决方法是什么呢？
2020年，学术界提出了因果关系的小样本学习的概念。
如何进行小样本学习呢？其实这个概念与几年前杨强教授(现微众银行首席人工智能官)与戴文渊(现第四范式首席执行官)提出的迁移学习概念比较类似。
小样本学习与迁移学习，都可以说是学习模仿人类，看看人类是如何快速学习各种知识的。
以玩游戏为例:
星际争霸系列游戏，涉及人族、神族、虫族三个种族，数十个兵种，从战略到战术，可以演化为成千上万种打法。这个游戏，不到最后一刻，往往很难猜出谁胜谁负。因此，也成为了人工智能重点“练手”的即时策略对战游戏。
对于喜欢玩即时策略游戏的人而言，如果会玩星际争霸系列游戏，那么其他的即时策略类游戏，比如:暴雪的魔兽争霸，DOTA2系列；微软的帝国时代系列等等，就很容易上手了。
因为可以运用之前的游戏经验，玩同类型的游戏，其背后的思路方法是类似的，触类旁通，举一反三，就是这个意思。
同样的，对于机器学习而言，在少量样本上快速泛化的核心，就是借助先验知识(类似人类的经验)。
而小样本学习就致力于通过极少的训练数据（1-5个样本/类）来实现模型的泛化(机器学习算法对新鲜样本的适应能力）。
这里面，还要提出一个是指机器学习“预训练”的概念。
具体来说，就是在大型数据集上，学习一个强大的神经网络作为特征提取器，例如:
CV(计算机视觉)里面常见的在ImageNet上预训练的ResNet网络；
NLP(自然语言处理)里面在Wikipedia上预训练的BERT；
都是代表一种特征表达的先验知识，也就是预训练。
迁移学习里面，依据的“库伯学习圈”理论，也是类似的原理。
预训练相当于给了小样本学习一个好的起点，就像一个人在上课前预习了大量的知识点。
当然，如果想获得更好的效果，还要了解一下元学习（meta learning）的概念，简单来说就是通过不断学习，找到更好效果的机器学习方法。
所以，人工智能与机器学习，简单来说，就是不断学习和模仿人类思维的过程。
关注东方林语，一起了解更多人工智能小知识。
附:
NeurIPS 2020接收的小样本学习论文
Interventional Few-Shot Learning，网址如下:
https://arxiv.org/abs/2009.13000
论文的代码在Github上开源网址：
https://github.com/yue-zhongqi/ifsl
