本文轉載自公眾號 新智元,原文地址
「人工智能」(AI)一詞最初誕生於1955年,但是關於智能化機器的理念則要追溯到更遠的時間,確切地說是古代希臘、古代中國和古代印度時期。可能這就是AI對我們的想像力的作用如此巨大的原因之一,也正因此,關於AI技術永遠有這麼多的熱烈討論。
但AI終究不是神話,也不是魔法,而是一種技術,和其他技術一樣,也經歷了數十年的研究歷程,最終達到了一個新的產出水平上。計算力成本的下降和海量數據的存在,是AI技術得以發展壯大的兩大原因。AI和機器學習現在已成為天文、醫療、交通、音樂等多個領域內不可多得的有用工具。
在多年的期待之後,現在AI技術終於逐步走向實用了。不過實用技術的一個特點就是,它們最終往往會消失不見。我們會忘掉那些曾經好用的技術,我們不應該讓AI技術重蹈覆轍。任何技術都需要小心的審查,對於失敗的風險如此之大的AI技術而言更是如此。
下面我們一起來看看AI和機器學習對當今的技術發揮着怎樣的影響,因為當AI真的徹底改變了世界之後,再來了解這些影響可能就太晚了。
有一種常見的心理學現象:如果你一直重複任何一個詞到了一定的次數,這個詞最終會失去所有意義,化為一個徒有外殼,而無實際意義的虛詞。
對於我們許多人來說,「人工智能」這個詞在很久以前就已經經歷了這個「無意義化」的過程。在現在的技術領域,「人工智能」幾乎無處不在,從電視到牙刷,所有功能恨不得都要跟「人工智能」沾邊,但這個詞本身的意義卻越來越模糊。
這很不應該。
雖然目前「人工智能」這個詞已經毫無疑問地被濫用了,但AI技術本身比以往任何時候都要發達。它被用於醫療保健和戰爭、幫助人們製作音樂和書籍、可以仔細檢查簡歷、判斷個人的信譽好壞,還能夠加工你手機上拍攝的照片等。簡而言之,無論你喜歡與否,人工智能都會做出影響你生活的決定。
無論我們是否喜歡,人工智能都可能會做出關於我們日常生活的決定。
但這和科技公司和廣告商對AI的大肆炒作和吹捧可能還差得遠。以Oral-B的Genius X牙刷為例,這是今年在CES上亮相的眾多設備之一,着重渲染了所謂的「AI」能力。但是,透過新聞稿中的溢美之詞,其實這款牙刷也只是提供了非常簡單的反饋,告訴你是否在正確的時間和地點刷牙。牙刷上的智能傳感器可以檢測到牙刷在口中的位置,把這東西叫做「人工智能」基本上就是胡言亂語,僅此而已。
但是當AI技術沒有炒作時,往往會產生誤解。新聞報道可能會誇大研究成果,隨便把一個模糊的AI故事包裝成「終結者」級的發現。這可能會導致人們對「AI究竟是什麼」這個問題產生困惑。
對於非專家的普通人而言,這可能是一個棘手的話題,人們經常錯誤地將目前的人工智能與他們最熟悉的「人工智能」混為一談:後者多半表現為比人類聰明的多的、有意識的計算機。專家將這個特定的人工智能形式稱為「通用人工智能」,如果我們確實創造出了類似的東西,那麼將來可能還有很長的路要走。而在此之前,誇大AI系統的智能水平或能力對任何人都沒有好處。
莫讓AI空殼化,搞清「什麼是AI」很重要
![](https://easy-ai.oss-cn-shanghai.aliyuncs.com/img/006tNc79gy1fzqsr6i1wcj30iy0itmzp.jpg)
那麼,究竟什麼是AI?(上圖由上至下,順時針方向依次為:電影Metropolis的模型,Oral-B的AI牙刷,自動送貨機械人。)
其實,討論「機器學習」要比討論AI更合適。機器學習是AI的子領域,包含了幾乎所有對世界影響最大的方法(包括「深度學習」)。這個詞沒有「AI」的神秘感,但它更有助於解釋技術的作用。
機器學習的運作方式是什麼?在過去的幾年裡,我看到過幾十種解釋,發現最有用的區別就在於「機器學習」這個詞本身:機器學習就是讓計算機能夠自己學習。但這又引出了一個更大的問題。
我們先看一個問題。假設你要構建一個可以識別貓的程序。你可以嘗試用老方法通過編程制定一些明確的規則,比如「貓有尖尖的耳朵」和「貓是毛茸茸的」等。但是如果對程序展示一隻老虎的照片時,程序會作何反應呢?要通過編程制定全部所需規則將是耗時費力的任務,而且在此過程中必定涉及到各種困難的概念的定義,比如對「尖尖」和「毛茸茸」的定義。
所以更好的辦法是讓機器自學。因此,可以為機器提供大量的貓的照片,系統會以自己特有的方式查看這些圖片。起初幾乎是隨機連接不同的點,但隨着實驗的反覆進行,系統會不斷學習更新版本。最終可以比較準確地判斷哪些照片上是貓,哪些不是貓。
AI系統容易「自學成才」,也容易「偷工減料」
到目前為止,我們說的還是可以預測的東西。實際上,你以前可能看過這樣的解釋,但重要的不是這種解釋本身,而是它所暗示的含義。讓決策系統採用這樣的學習模式會有什麼副作用?
這種方法的優點是很明顯的:永遠不需要實際編程。當然,需要做很多修補工作,改進系統處理數據的方式,並提出了更明智的方法來提取信息,但你並沒有告訴系統要尋找什麼。也就是說系統可能會發現人類可能會錯過或從未想到的新模式。而且因為所有的程序需求的都是數據,也就是1和0,所以可以利用這一系統來訓練完成多種任務,因為現代世界中到處都充斥着大量的數據。手中有了「機器學習」這把鎚子,在數字世界中有的是釘子可釘。
![](https://easy-ai.oss-cn-shanghai.aliyuncs.com/img/006tNc79gy1fzqsrnkul0j30iw0ck0u1.jpg)
不過,也要看到這種方式的缺點。如果你沒有明確地教過計算機,你怎麼知道它是如何做出決定的?機器學習系統無法解釋自己的想法,這意味着你的算法可能因錯誤的原因而表現出良好的性能。同樣,計算機系統可能會產生一種存在偏見的世界觀,或者可能只擅長完成與之前獲得的數據類似的一小部分相關任務。
機器學習系統也不具備人類所期望的常識。你可以建立世界上性能最好的貓咪識別程序,但它永遠不會告訴你,貓咪不應該開摩托車,或者貓咪的常用昵稱是「Tiddles」,而不是「Megalorth the Ondying」。
教計算機自己學習是一條明智的捷徑。不過像所有快捷方式一樣,它涉及到偷工減料。 AI系統中存在智能,但它不是有機智能,不會遵循人類的規則。比如可能會提出這樣的問題:一本書有多聰明?在一口煎鍋中編入了哪些專業知識?
AI的未來:實現「潤物細無聲」的技術變革
那麼我們現在處於人工智能的哪個階段?經過新聞炒作的無數個「下一個重大突破」洗禮之後,一些專家認為我們已經達到了一個穩定的狀態。但這並不是AI技術進步的障礙。在AI研究方面,我們現有的知識中還有廣闊的探索空間,而在產品方面,我們還只發現了算法的冰山一角。
風投策略分析師本尼迪克特·埃文斯將機器學習比作關係型數據庫,後者是一種企業軟件,曾在上世紀90年代創造了大量財富,並徹底改變了整個行業,但是當你讀到「關係型數據庫」這個詞時,可能並不會引起特別的注意。我們現在正處於人工智能正常快速發展的階段。 「最終,幾乎所有事情都會涉及到(機器學習)的某個領域,沒有人會對此大驚小怪。」埃文斯說。
他說的很對,但我們目前還沒有達到這個階段。
無論是在現在還是將來,人工智能和機器學習仍然會是新的、往往無法解釋的新領域,還存在諸多未經研究的新問題。未來,會有更多更豐富的AI技術會推動生活中方方面面的變革。總有一天,你會發現AI的應用已經如此普遍,甚至根本都不會引起你的注意。
Comments