特稿 >

行业洞察 >

让“智能”机器物尽其用

让“智能”机器物尽其用

TechCrunch 丨 行业洞察

29401
1765

2017-02-10

硅谷加先生

Xtecher特稿作者

关注

来源:TechCrunch

编译:硅谷加先生

 

人们发现,围绕机器学习产生的一系列偏见和道德问题已经无法单纯地用数学和数据的方法解决。最近出现的无法辨别新闻真假的问题和一些顶尖研究人员在自然语言处理过程中的努力都说明,如何向机器定义想要解决的问题本身就是最困难的事。我们需要人工智能来决定如何以及何时使用机器智能。并且,我们使用的机器智能越复杂,用以确保理性及安全应用机器智能的人类智能就要越客观。

 

是时候开始像重视数学技巧那样来重视批判性思维能力了。尽管我们可以委托机器进行数学计算,但我们既不能委托机器进行批评性思考,也不能在任何时间很快。对道德问题的质疑推理和分辨出可用数学技巧解决的问题类别是人类才特有的技能。

 

当数学和数据纷纷失利

 

最近,研究人员声称,已经发现可以通过面部特征来预测犯罪的证据。在使用脸部图像犯罪自动推理一文中, Xiaolin WuXi Zhang 述了他们使用各种机器学习技术改良分类器,从而能够从众多相似度极高的照片中区分出罪犯和非罪犯。有人试图证明,这项技术的本身是对机器学习的不负责任和错误使用。该实验的计算方法并没有错误, 然而,这个想法本身相对偏驳。

 

作者对于算法的使用过于依赖,但是没有注意到他们为任务所做的假设。比如,假定在刑事司法系统中的无偏估计。而这一假定本身就导致他们不能客观表述自己的实验结果。不考虑这样的问题极可能导致一系列严重后果,这是无论多少机器智能都无法克服的。

 

机器智能的胜利

 

最近,也许令人印象最为深刻的机器智能胜利就是去年在三月的AlphaGo战胜世界围棋冠军。AlphaGo是由谷歌的DeepMind研究人员研发的。通过各种机器学习技术的巧妙结合,它实现了这一壮举。

 

对道德问题的质疑推理和分辨出可用数学技巧解决的问题类别是人类才特有的技能。

 

这些技术包括从过去的数百万场竞技中学习,自我对抗和使用先进的统计技术走出捷径,从而不需要模拟每一种可能的路径。游戏是通过使用机器智能赢得的,尽管这样的机器智能完全是依靠人类的智慧设计出来的。

 

这听起来有点像废话。但事实上,当我们使用机器智能来解决问题时,就意味着该问题可以用机器智能来解决,而不是我们能创造出人类智能。如果一个任务可以用数据和数学来实现,那么它就是一个机器智能任务而已。不能用数据和数学来解决的则是最初的系统设计部分。

 

人类的角色究竟是什么?

 

如果设计AlphaGo的人不具备全面性的批判思维,那么AlphaGo不过是一个表现不佳的围棋机器而已。但是,类似于预测犯罪的情况,缺乏批判性思维能力的结果可能是灾难性的 尤其是对于任何被系统错误地认定为犯罪的个人。

 

人们对机器智能的恐惧的本质就是,担心自己的无关。一旦机器能够做到一切,世界还需要我们么?但这只是对机器智能定义的误解。

 

机器智能系统只是由人类设计以服务于人类的利益的工具而已。诚然,机器可以在围棋游戏中获胜,但人类将永远是选择游戏的那一方。

 

我们不能只感叹这些工具是多么的令人印象深刻,而应该投注更多精力以确保他们设计精良并且在道德层面符合人类利益。事实上,训练数据的偏差与假阳性结果的影响这一系列问题,都只有人类智慧才能够能够回答的出来。


打开微信“扫一扫”,打开网页后点击屏幕右上角分享按钮

账号登录

重置密码

还没有账号?立即注册>

账号注册

已有账号?立即登录>注册企业会员

重置密码

返回

绑定手机