人工智能专家:AI并不像你想象的那么先进
译自Medium 作者Brian Bergstein原文标题为A.I. Isn’t as Advanced as You Think。梅勒妮·米切尔(Melanie Mitchell)写了她的新书《人工智能:思虑人类的攻略》(Artificial Intelligence: A Guide for Thinking Humans),由于她对人工智能现实取得了多猛前进感应猜疑。她写道,她想“知道作业的实在情况”。得知她的对立心思是一种劝慰,由于她自身便是一名人工智能研讨员。她是波特兰州立大学的比赛机科学教授,也是有名的多学科研讨中心圣达菲研讨所(Santa Fe Institute)科学委员会的结合主席。若是米切尔对人工智能的态度都感应猜疑,请原谅咱们其他人的猜疑,或许是过错百出的观点。正如米切尔所指出的那样,许多有关人工智能成功的故事正在撒布。这些申报中,比来在比赛机视觉、语音辨认、游戏和机械进修的其他方面的突破标明,人工智能或许会在将来几十年很大限制的责任中逾越人类的才干。有些人感觉远景弗成思议;另一些人忧虑“超人类”比赛机或许会剖断不需求咱们人类在身边,并有才干做些与此有关的事。咱们要么离‘实在的’人工智能只要天涯之遥,要么离了数百年。”但也如米切尔此外证明的那样,即便是现在最强大的人工智能体系也有要害性的限制。它们只擅长于窄小定义的责任,对皮相的国际一无所知;它们在数据中发现相关性,而不考虑数据的寄义,是以他们的展望或许是十分弗成靠的;它们没有知识。“要么取得了巨大的发展,要么简直没有发展,”米切尔写道。“咱们要么离‘实在的’人工智能只要天涯之遥,要么离了数百年。”米切尔处理问题的方法使这本书具有留念含义和劝导性。她对现在人工智能手工的耐心注释给人的形象是,实在的机械智能还很悠远。她泄漏,电脑不但需求更好的大脑,还或许需求更好的身体。米切尔供给了十分清楚易读的人工神经搜集入门知识,该手工是图画辨认,说话翻译和自动驾驭方面最新发展的焦点。20世纪50年月和60年月,在开始的一些竖立人工智能的检验中运用了神经搜集,但它们失宠了,由于看起来像一条死胡同,价格有限。但大约10年前有所改动,比赛才干的前进使一种称为深度进修的数据密集型方法来操练神经搜集成为或许。跟随米切尔对神经搜集的描绘,你不需求知道冗杂的的数学。她展现了数学首要是什么,这就一起注释了它们的威力和缺点。一种对辨认图画内容稀罕有用的神经搜集依托于一种叫做“卷积”(convolution)的数学比赛。处理文本的版别依托于比赛机泄漏说话计算方面的才干,即在穿过数百个维度的杂乱“向量”里,单词在语句中闪现的频率有多高。令人形象深入的是,人们现已将国际上如斯多的方面进行了量化,以供比赛机继续作业。相同值得重视的是,这些方法有如斯多样的运用,比如检测肿瘤、自动驾驭和过滤垃圾邮件。然则这种巨大比赛器的奇妙新用处并不必定授予它们与咱们的智力适当的才干。正如米切尔所指出的,让卷积神经搜集(Convolutional Neural Networks, CNN)正常作业“需求许多的人类聪明”。机械进修体系本质上是计算作业,所以很清楚,为什么它们很容易遭到所馈送数据中的不精确、漏洞和其他瑕玷的影响。难怪若是神经搜集在首要暴露白人的图画上经由操练,它就不克辨认黑人的脸。当一辆自动驾驭轿车无法辨认一个有贴纸的泊车符号,但(对人类来说)它依然是一个明显的泊车符号时,就并不新鲜。走运的是,这类问题现已激发了许多赋有成效的协商,这些协商关于面部辨认手工和自动抉择的社会影响。纽约大学数据新闻学副教授梅雷迪思·布鲁萨德(Meredith Broussard)在2018年出版的《人工智能:比赛机若何误解国际》(Artificial Unintelligence: How Computers The World)一书中有说服力地提出,不论你是否称它为“人工智能”,比赛机依然应该被看成是被咱们这些猎奇的人类运用的目标,人类应该一直处于这个限制内。不过,虽然米歇尔并不是榜首个指出机械进修体系缺点的人,她照样在议论中加了一层注释说,即便在它们处于最佳情况的时分,比赛机或许也没有你想的那么好。在以前几年里,研讨人员斥地出了神经搜集,他们宣称,在辨认相片或视频中的物体时,神经搜集的暗示到达乃至跨过了人类的暗示。这在新闻中被作为另一个必定对机械优势“抗击无果”的比如。米切尔指出,协商的基准是一个根据名为ImageNet的大型图片数据库的检验。2017年,最精巧的比赛机体系对来自ImageNet的图片进行了分类,精确率达98%的top-5精确率,据称跨过了95%的人类精确率。(注:top-5正确率指排名前五的类别包括实践终究的正确率,即对一个图片,若是概率前五中包括精确谜底,即以为精确。)“top-5”的妨碍是什么?这意味着精确的物体分类是机械作出的前五种猜想之一。米切尔写道:“若是给定一个篮球的图画,机械按这个次序输出‘槌球’、‘比基尼’、‘疣猪’、‘篮球’和‘搬运车’,就被以为是精确的。top-5目标存在的原因可以懂得:若是一张图片暴露了不止一个物体,那么知道机械是否能检测出这些物体是很有用的。但它削弱了对极点把戏的要求。米切尔泄漏,2017年,当该机械将精确的类别归置在其列表首位时,top-1的最高正确率仅为82%。(注:top-1正确率是指排名榜首的类别与实践终究相符的正确率,即对一个图片,若是概率最大的是精确谜底,才以为精确。)至于说人类有95%的正确率,米切尔以为支撑这一说法的数据站不住脚。在2015年揭橥的一个研讨项目中,两小我检验了ImageNet应战的一部分。投入更多时刻的人是安德烈·卡帕西(Andrej Karpathy),他现在是特斯拉的人工智能主管。以top-5正确率作为权衡标准,他错了5%。而现在,这个数字被用作人类暗示的标准。若是不是由于这个特别检验的奇特之处,他的过错率或许会更低。卡帕西写道,他和另一名检验目标所犯过错的四分之一,不是由于他们对所看到的图片一无所知,而是由于他们不知道或不记得ImageNet中运用的一些实在的标签。更糟糕的是,“据我所知,还没有人报导过机械和人类在top-1正确率上的对照,”米切尔写道。凭仗其快速和无尽的耐心,比赛机是许多运用中图画识其他梦想挑选。在某些景象下,它们必定比人类更正确。但说得太甚了。“物体辨认没有挨近被人工智能‘处理’的水平,”米切尔写道。我很难幻想咱们需求什么样的突破才干制造出多么一台机械。”人工智能今朝最热门的论题之一是,若何让机械不但检测数据中的计算相关性,并且在某种水平上懂得它们正在处理的内容的含义。和米切尔一般,纽约大学的研讨人员加里·马库斯(Gary Marcus)和欧内斯特·戴维斯(Ernest Davis)泄漏,若是没有这些改进,人工智能就不会“安全、智能或靠得住”。在他们的新书《重启AI:构建咱们可以信赖的人工智能》(Rebooting A.I.:Building Artificial Intelligence We Can Trust)中,马库斯和戴维斯说,人们由于“可托度距离”而误以为比赛机比它们更前进。他们写道:“咱们不得不从认知的视点来思虑机械(‘它以为我删除了我的文件’),不论机械实践上或许遵从的划定多么简练。”为了让机械变得不那么简练,许多研讨人员正在重新索求用逻辑和知识来编码比赛机的旧方法。以米切尔为例,她用类比的体式描绘了她让比赛机进行推理所做的起劲。若是你想要一个电脑辨认图画描画“遛狗”,现在的根基方法是给它暴露不计其数的遛狗的图片,然后使之信任那些相片中常见的事物——狗,皮带,手等。当机械看到之后遛狗的相片时,将触发一个活跃的旗帜。但是,它或许会嗅出一些不往常的遛狗行为。米切尔展现了一些比如,比如一张相片,一小我骑着自行车遛狗,另一只狗叼着另一只狗的皮带。她的研讨小组正试图让比赛机懂得后一种景象是典型景象的“延伸”版别。那样的作业是辛劳而缓慢的。即便它成功了——若是一台电脑可以在某种水平上懂得“遛狗”可以有多种形式——若是这台机械自身从来没有碰到过狗,这种懂得能有多雄厚呢?当我6岁支配的时分,我在我家四周的人行道上骑自行车,停下来看(或许还扔了) 一串从甜胶树上摘下来的带刺的种子球。倏忽,有人打开了街对面一所房子周围的一扇门,出来一条棕色的狗,它犹疑了一两秒钟,然后径直扑过来,咬住我,撕破了我的灯炷绒裤子。这些回忆匡助我洞悉到经历的许多方面——惊讶、惧怕和痛苦的感触;一些狗的弗成展望性;甜胶种子球的奇特奇特。比较之下,若是比赛机被示知当人们说“something bit them in the ass”时并不老是一个习语,那就太浅薄了。(注:bite本意为“咬“,ass本意为“屁股”,bite (someone) in the ass指欠妥行为导致了不良后果。)哲学家和其他人工智能猜疑论者一贯以为,没有实在身体的电子大脑只能学到盒子里这点器件。许多人工智能研讨人员将这种猜疑归罪于“某种残留的神秘主义”——正如认知科学家安迪·克拉克(Andy Clark)在1997年出版的《此在:重整大脑、身体和国际》(Being There: put Brain, Body, and World Together Again)一书中所写的那样,这是一种“对相同灵魂的精神实质的非科学信奉”。然则,当你考虑到匍匐的婴儿能快速掌握根基概念,而数据中心的比赛机需求许多的电力来接纳一个器件时,人工智能需求一个身体的这个设法就听起来适当不错。米切尔好像不甘愿地改动为猜疑论者的态度。“在与人工智能搏斗多年之后,我发现关于身体化的计较越来越有说服力,”她写道。那么,怎么才干制造出一个能活着界各地移动的机械人呢?这个机械人不但能洞悉自身的行为,还能洞悉人类、动物和其他机械的行为。“我简直无法幻想,”她写道,“咱们需求什么样的突破才干制造出多么一台机械。”

Leave a Reply

电子邮件地址不会被公开。 必填项已用*标注

You may use these HTML tags and attributes:

<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>