這項人類基本技能將是人工智慧必須實現的下一個重要里程碑

您是否還記得當您第一次發現這個世界上的所有事物和現像都或多或少地根據稱為因果關係的相關模型相互關聯時的驚訝和喜悅的感覺：如果是這樣，那麼那就是，或者該事件是導致該事件的原因。

這聽起來很“宏觀”，但實際上極其簡單，是人類基本技能的一個範疇。科學研究表明，我們早在八個月大時就開始理解因果原理——那時我們還不會說話。它幫助我們對周遭世界中事物和現象的存在做出基本推論。然而，我們大多數人在三、四歲之前就無法記住很多事情，因此感知因果關係的能力（有助於回答「為什麼」問題）逐漸成為一種技能。基本功能，我們簡單地理解它認為是理所當然的。

然而，實際上，這不僅是人們了解周圍世界的重要一課，也是當今人工智慧（AI）系統仍然相當不擅長的技能，應該進行改進以獲得更好的性能。

現代人工智慧系統擊敗下圍棋或在擁擠的街道上駕駛汽車的人的能力不一定需要與人類用來掌握這些可能性的智慧進行比較。這是因為人類——即使在嬰兒時期——就已經具備了透過將知識從一個領域應用到另一個領域來概括情況的能力。對於人工智慧來說，要充分發揮其潛力，這也是它需要做的。

推理因果的能力是人工智慧需要掌握的下一個技能

例如，如果人工智慧機器人學習如何使用磚塊建造房屋，因果分析技能可以幫助它理解並認識到它也可以使用這些磚塊建造房屋、橋樑甚至結構更複雜的結構。換句話說，當人工智慧具備理解不同環境變數之間因果關係的能力時，就可以實現這一目標。

人工智慧的虛擬訓練世界

我們需要一個深度的人工智慧訓練環境，使先進的機器學習模型能夠更好地泛化到環境特徵的不同變化，例如物體的品質或形狀。例如，當機器人學習拾取特定物體時，我們可以期望它能夠識別自己應該站在什麼位置，以及需要使用多大的力來拾取又大又重的物體。更困難的是——只要它了解每種特定情況下因果關係的適當應用即可。這就是促使科學家創建一個名為 CausalWorld 的工具的原因。

如果我們經常在科幻電影中聽到的虛擬訓練環境類型，例如《駭客任務》中的虛擬訓練環境——一個不適用任何規則的虛擬世界。相較之下，在 CausalWorld 中，研究人員可以在機器人環境中系統地訓練和評估他們的方法。這一切都與規則以及規則的應用有關。在那裡，機器人可以被分配類似於孩子們玩樂高的任務，以及其他與因果分析技能相關的遊戲。研究人員可以進行幹預，測試機器人在接受訓練時的泛化能力。本質上，這是一個測試環境，有助於評估人工智慧如何概括問題。

一旦掌握了分析因果的能力，人工智慧系統的效能將會提高許多倍，並且能夠更有效地獨立運作。