現在每個人都在談論“人工智慧”。但是,不管你是在看Siri、Alexa,還是僅僅看智慧**鍵盤上的自動更正功能,我們並不是在創造通用的人工智慧。我們正在建立可以執行特定、狹義任務的程式。
每當一家公司說它將推出一個新的“人工智慧”功能時,通常意味著該公司正在使用機器學習來構建一個神經網路。“機器學習”是一種讓機器“學習”如何更好地執行特定任務的技術。
我們不是在攻擊機器學習!機器學習是一種奇妙的技術,有很多強大的用途。但它不是通用的人工智慧,瞭解機器學習的侷限性有助於你理解為什麼我們目前的人工智慧技術如此有限。
科幻夢中的“人工智慧”是一種計算機化或機器人化的大腦,它像人類一樣思考和理解事物。這種人工智慧將是一種人工通用智慧(AGI),這意味著它可以思考多種不同的事情,並將這種智慧應用於多種不同的領域。一個相關的概念是“強人工智慧”,它將是一臺能夠體驗人類意識的機器。
我們還沒有那種人工智慧。我們離它不遠。像Siri、Alexa或Cortana這樣的計算機實體並不像我們人類那樣理解和思考。它根本不能真正“理解”事物。
假設人類能夠提供資料幫助他們學習,那麼我們所擁有的人工智慧就能夠很好地完成特定的任務。他們學著做某事,但還是不懂。
Gmail有一個新的“智慧回覆”功能,建議回覆電子郵件。智慧回覆功能將“從我的iPhone傳送”確定為常見的回覆。它還想建議“我愛你”作為對許多不同型別電子郵件的迴應,包括工作電子郵件。
那是因為電腦不明白這些反應是什麼意思。據瞭解,很多人都是透過電子郵件傳送這些短語的。它不知道你是否想對你的老闆說“我愛你”。
另一個例子是,Google Photos把一張我們家地毯上的意外照片拼貼在一起。隨後,谷歌將這幅拼貼畫確定為谷歌Home Hub最近的一個亮點。谷歌照片知道這些照片很相似,但不明白它們有多不重要。
機器學習就是分配任務,讓計算機決定最有效的方法。因為他們不明白,所以很容易以一臺電腦“學習”如何解決與你想要的不同的問題而告終。
下面是一個有趣的例子列表,其中“人工智慧”是為了玩遊戲而建立的,併為剛學會的遊戲系統分配了目標。這些例子都來自這個優秀的電子表格:
其中一些解決方案聽起來可能很聰明,但這些神經網路都不明白它們在做什麼。他們被分配了一個目標,並學會了實現它的方法。如果目標是避免在電腦遊戲中輸,按暫停按鈕是他們能找到的最簡單、最快的解決方案。
有了機器學習,計算機不會被程式設計來執行特定的任務。取而代之的是,它被輸入資料,並根據其在任務中的表現進行評估。
機器學習的一個基本例子是影象識別。假設我們想訓練一個計算機程式來識別照片中有狗。我們可以給一臺電腦數百萬張圖片,其中一些裡面有狗,而另一些沒有。不管圖片裡有沒有狗,都會貼上標籤。計算機程式“訓練”自己根據資料集識別狗的長相。
機器學習過程用於訓練神經網路,神經網路是一個具有多層結構的計算機程式,每個資料輸入經過多層結構,在最終確定之前,每一層對它們分配不同的權重和概率。它是以我們認為大腦可能的工作方式為模型的,不同層次的神經元參與對一項任務的思考。“深度學習”一般是指在輸入和輸出之間有許多層次的神經網路。
因為我們知道資料集中哪些照片包含狗,哪些不包含狗,所以我們可以透過神經網路執行這些照片,看看它們是否得出正確的答案。例如,如果網路決定某張照片沒有狗,那麼就有一種機制告訴網路它錯了,調整一些事情,然後再試一次。電腦越來越善於識別照片中是否有狗。
這一切都是自動發生的。有了正確的軟體和大量結構化資料供計算機訓練,計算機就可以調整神經網路來識別照片中的狗。我們稱之為“人工智慧”
但是,歸根結底,你還沒有一個智慧的電腦程式來理解什麼是狗。你有一臺電腦,它學會了判斷照片中是否有狗。這仍然令人印象深刻,但它只能做到這一點。
而且,根據你給它的輸入,神經網路可能沒有它看起來那麼聰明。例如,如果你的資料集中沒有任何貓的照片,神經網路可能看不到貓和狗之間的區別,當你在人們的真實照片上釋放它時,可能會將所有貓標記為狗。
機器學習用於各種任務,包括語音識別。像Google、Alexa和Siri這樣的語音助手非常善於理解人聲,因為機器學習技術訓練他們理解人類的語音。他們對大量的人類語音樣本進行了訓練,並且越來越善於理解哪些聲音對應哪些單詞。
自動駕駛汽車使用機器學習技術,訓練計算機識別道路上的物體,以及如何正確響應它們。googlephotos有很多功能,比如使用機器學習自動識別照片中的人和動物的實時相簿。
Alphabet的DeepMind使用機器學習建立了AlphaGo,這是一個計算機程式,可以玩複雜的棋盤遊戲Go,打敗世界上最好的人類。機器學習也被用來創造擅長玩其他遊戲的電腦,從國際象棋到dota2。
在最新的iphone上,機器學習甚至被用於人臉識別。你的iPhone構建了一個學習識別你的臉的神經網路,而蘋果則包含了一個專用的“神經引擎”晶片,它可以執行所有的數字運算和其他機器學習任務。
機器學習可以用於許多其他不同的事情,從識別信用卡欺詐到購物網站上的個性化產品推薦。
但是,機器學習產生的神經網路並不能真正理解任何東西。它們是有益的專案,可以完成他們接受培訓的狹隘任務,僅此而已。
圖片來源:豐拉邁攝/Shutterstock.com網站,塔蒂亞娜·謝佩列娃/Shutterstock.com網站、各種攝影/Shutterstock.com網站.
... 想想看一個人工智慧系統,它可以讀取電子郵件並決定它們是否可能是騙局。或者監控社交媒體帖子以衡量對某家公司的興趣。我曾經參與過一個專案,我們必須教電腦閱讀醫學筆記...
...要是出於必要性。隨著CAPTCHA的發展,攻擊者也在發展。人工智慧(AI)甚至可以以99%的準確率讀取特別扭曲的文字。機長們不得不加緊行動。 ...
...技領域的下一件大事是機器學習。還是深入學習?也許是人工智慧。如果你發現自己糾結於三者之間的差異,你並不孤單。 ...
...克隆目前正處於發展階段,許多公司正在開發工具。類似人工智慧和描述有線上演示任何人都可以嘗試免費。你只需錄製螢幕上出現的短語,幾分鐘後,你的聲音模型就被創建出來了。 你可以特別感謝人工智慧,深度學習演算...
...、時間、標點符號和上下文有多種含義。自然語言處理是人工智慧的一個分支,它試圖在機器識別的輸入和人類語言之間架起一座橋樑。這樣當我們自然地說話或打字時,機器就會產生與我們所說的一致的輸出。 這是透過獲取...
...方。對於每一個命令和問題,總是有三個不起作用。如果人工智慧沒有突破,賦予人類一樣的理解能力,語音助手根本就不是助手。它們只是語音命令列,在正確的場景中很有用,但僅限於那些他們被程式設計來理解的場景。 ...
...過去一年左右一直關注媒體,你可能會得到這樣的印象:人工智慧的威脅摧毀我們只是時間問題。 編者按:這與我們通常的操作方式和解釋方式不同,我們讓作者研究並提出發人深省的技術觀點。 從大型暑期大片《復仇者:奧...
教人工智慧系統儘可能完整地理解影片中發生的事情是機器學習領域最困難的挑戰之一,也是最大的潛在突破。今天,Facebook宣佈了一項新的舉措,希望能讓它在這項重要的工作中佔據優勢:在Facebook使用者的公共影片上訓練人...
這是一個驚人的影象,說明了人工智慧研究根深蒂固的偏見。將美國第一位黑人總統巴拉克奧巴馬(Barack Obama)的一張低解析度照片輸入到一個演算法中,該演算法設計用於生成不相關的人臉,輸出的是一個白人。 ...