您当前的位置: 主页 > U品生活 >2018 年,人工智慧将为这 5 个难题绞尽脑汁 >

2018 年,人工智慧将为这 5 个难题绞尽脑汁

发布时间:2020-06-05 浏览量:261人次
2018 年,人工智慧将为这 5 个难题绞尽脑汁

就大量关于「杀手级机器人」的炒作来说,2017 年在人工智慧方面取得一些显着的进步。AlphaGo、冷扑大师等下棋机器人让顶级玩家陷入绝望;现实世界中,机器学习正用于改善农业,以及扩大医疗保健等层面。

但你最近和 Siri 或 Alexa 对话过吗?如果有,那幺你会知道,撇开这些炒作,以及踌躇满志的亿万富翁,还有很多事人工智慧仍然不能做也不能理解。以下是 5 个棘手的问题,专家将在 2018 年为它们绞尽脑汁。

语言真正的含义

在处理文本和语言方面,机器比以往任何时候都做得更好。Facebook 可为视障人士读出图像描述;Google 做了一个很不错的软体,能在回覆电子邮件时给予简短的建议。然而,软体仍不能真正理解我们话语的含义,或我们想与它们分享的想法。波特兰州立大学教授梅兰妮‧米契尔(Melanie Mitchell)表示:「人类能把学到的概念以不同的方式结合起来,并在新的情况下应用。AI 和机器学习系统则不能。」

米契尔将今天软体面临的问题描述为数学家 Gian Carlo-Rota 所说的「意义障碍」,一些领先的 AI 研究团队正试图找出克服它的方法。

这项工作的一部分,旨在为机器提供关于常识和实体世界的认知基础──这些奠定我们的思维。例如,Facebook 研究人员正透过观看影片来教软体理解现实,还有人在模拟我们可用关于世界的知识做些什幺。Google 一直在试图打造能理解隐喻的软体。米契尔实验过一种系统,使用类比和概念储存来解释照片中发生的事。

阻碍机器革命的「现实差距」

机器人硬体已发展得相当不错,花 500 美元,你就能买到配备高清摄影机、如手掌大小的无人机,搬运箱子的机器人以及两条腿走路的机器人也有大进步。那为什幺我们还没有被繁忙的机器助手包围?因为现在的机器人缺乏能配合的先进大脑。

让机器人做任何事情都需要针对特定任务进行特定编程。它们可以透过重複的试验(和错误)学习操作,如抓取物体。但是这个过程相对较慢。一个有希望的捷径是让机器人在虚拟、模拟的世界中训练,然后把那些得来不易的知识下载到实体机器人。然而,这种方法被现实差距所困扰,具体来说,机器人在模拟过程中学到的技能,转移到实体世界的机器时,并不总是有效。

但这种现实差距正在缩小。2017 年 10 月,在虚拟和真实的机器人手臂拾取多种物品的实验中──这些任务包括胶带分配器、玩具和梳子等──Google 报告了可喜的结果。

对自驾车从业者来说,取得更进一步的进展很重要。机器驾驶竞赛中,众多公司在虚拟街道上部署虚拟车辆,他们希望能减少在实际交通和道路条件下测试所花费的时间和金钱。自动驾驶创业公司 Aurora 首席执行长 Chris Urmson 说,使虚拟测试更适用真实车辆是团队的优先考虑之一。曾经领导 Google 母公司 Alphabet 的自动汽车计画的 Urmson 说:「2018 年或以后,我们可以利用这种技术来加速学习。」

防範 AI 骇客攻击

执行输电网路、监视摄影机和手机软体时常受到安全漏洞的困扰,自动驾驶汽车和家用机器人的软体想必也不例外。事实上它们的情况可能更糟糕,有证据表明,机器学习软体的複杂性引发了新的攻击途径。

研究人员 2017 年表示,你可以在机器学习系统内部隐藏一个祕密触发器,让它在特定的讯号下转为恶性模式。纽约大学的研究小组设计了一个街道辨识系统,该系统看到黄色的便利贴就会停止正常工作。将一张便利贴贴在布鲁克林的停车标誌上,会导致系统将该标誌报告为限速。这些小把戏的潜在可能性,可能会对自驾车造成问题。

这个威胁很严重,2017 年 12 月稍早,世界顶级机器学习会议的研究人员召开了一个关于「机器骗术的威胁」的研讨会。研究人员讨论了一些恶魔般的骗术,比如生成一些在人类看来很正常,但对软体来说意义截然不同的手写数字。例如,你所看到的是 2,而机器视觉系统看到的是 3。研究人员还讨论这种攻击的可能防御方法,并且担心人工智慧用来愚弄人类。

组织研讨会的 Tim Hwang 预测,随着机器学习变得更容易部署、功能更强大,使用该技术操纵人不可避免。他说:「你不再需要一房间的博士才能研究机器学习。」Hwang  指出,2016 年美国总统选举期间,俄罗斯的虚假宣传运动是潜在 AI 加持讯息战的先行者。他说:「为什幺从机器学习的领域看这些活动涉及的科技呢?」Hwang 预测,其中一个格外有效的骗术可能是使用机器学习製造虚假的影片和音档。

超越桌游

Alphabet 的围棋冠军 AlphaGo 软体在 2017 年迅速崛起。5 月,一个更强大的版本击败了中国的围棋冠军柯洁。它的创造者、研究机构 DeepMind,随后构建了一个新的版本 AlphaGo Zero, 不透过研究人类棋术而直接学习围棋。12 月, AlphaZero 又一次升级,它可以学习下西洋棋和日本将棋游戏 Shogi(虽然不是同时)。

2018 年,人工智慧将为这 5 个难题绞尽脑汁

这种滚雪球般的捷报令人印象深刻,但同时也提醒人们 AI 软体的侷限性。西洋棋、将棋和围棋都很複杂,但规则相对简单,且对手的玩法清晰可见。它们与电脑能迅速掌握的许多未来职位能力非常匹配,但是生活中大多数的情况和问题,并不是这样结构整齐。

因此在 2017 年,DeepMind 和 Facebook 都开始在多人游戏《星海争霸》下工夫,现在两者的进展都不大。目前最好的机器人是业余爱好者建立的──即使与中等技能的玩家比赛,也无法匹敌。今年稍早,DeepMind 研究员 Oriol Vinyals 曾表示,需要规划和记忆能力才能精心组装和指挥一支军队,同时期预测并对对手的动作做出反应,而他的软体缺乏这种能力。无独有偶,这些技能对软体帮助实际工作也至关重要,如办公室工作或真正的军事行动。2018 年《星海争霸》或类似游戏的巨大进步,可能预示人工智慧一些强大的新应用。

教 AI 辨别是非

即使没有在上述领域取得新进展,如果现有的 AI 技术被广泛採用,在经济和社会的许多方面也会发生很大的变化。企业和政府正急于这样做,与此同时,有人对人工智慧和机器学习可能造成的意外和故意伤害表示担忧。

12 月的 NIPS 机器学习大会,一个重要的讨论话题是,如何使技术保持在安全和道德範围内。研究人员发现,世界本身远不完美,机器学习系统从中获得训练数据,因而可能学会令人不愉快或我们不期望的行为,如延续性别偏见和刻板印象。现在有人正在研究技术,用于审核人工智慧系统内部运作,确保他们在投入金融或医疗保健等行业工作时做出公平的决策。

2018 年我们应该会看到科技公司提出相关理念,关于如何让人工智慧站在人性光明面。Google、Facebook、微软和其他人已经开始讨论这个问题,以及一个新的名叫「Partnership on AI」的非营利组织的成员,该组织将研究和尝试塑造人工智慧的社会影响。更多独立组织也感受到压力。一个名为「人工智慧伦理与治理基金会」的慈善计画,正在支持麻省理工学院、哈佛大学等研究人工智慧和公共利益。纽约大学的一个新研究机构 AI Now 也有类似的任务,最近一份报告中,他们呼吁各国政府发誓放弃在刑事司法或福利等领域,使用没有公开检查的「黑匣子」演算法。

上一篇: 下一篇:
可能感兴趣信息
热门文章