人工智能对于人类的影响究竟有多么的深渊呢?

当代宝贝 · 发表于 2017-11-21 14:11

人工智能，将是互联网+之后的热点。对人工智能有各种不同的看法，我们在5月13日的订阅号中作过介绍。那么，人工智能到底是什么呢？它是如何产生和运作的呢？请看《经济学人》5月9日的一篇文章。本文深入浅出、言简意赅，值得大家细读。　　伊隆·马斯克正在忙于构建全人类的未来。他在互联网大发展的初期就赚到了第一桶金(PayPal)，之后参与创立了太阳能发电企业“Solar City”，为千家万户提供绿色能源;同时，创造出大名鼎鼎的电动汽车“特斯拉”，此外，更是成立了航天企业“SpaceX”，立志在自己的有生之年，看到人类定居火星!在所有人眼中，这位杰出的技术专家……理所当然对明天充满着无限憧憬和乐观。

　　但并非所有的未来技术都让他放心开怀。去年10月，在麻省理工学院演讲时，马斯克将人工智能(AI)斥为“对恶魔的召唤”，他认为人工智能是人类智能的竞争对手，将成为人类的最大威胁。科学界并非他一人持有这种观点，牛津大学的哲学家尼克·博斯特伦，曾帮助开发过一个“存在风险”课题，该课题主要研究对人类产生普遍威胁的事物。博斯特伦认为，先进的人工智能，与小行星撞击地球、全面的核战争一样，是一种潜在的巨大威胁。里斯勋爵，是英国最重要的科学机构“皇家学会”的当家人，也是“存在风险”课题的开创者，他也对人工智能忧心忡忡。
　　但在人工智能领域却恰恰相反，科学技术人员们乐观豁达，他们正为近年来取得的飞速进展欣喜若狂。一些人工智能的开发公司，如谷歌、脸书、亚马逊和百度，已经进入了“军备竞赛”阶段——他们四处网罗研究人员、建立实验室和大肆收购初创企业。总的来说，在人工智能业内，大家并不担心自己会被机器超越。他们的工作并不是要创造一种新的思维，而只是把过去由人来完成的一些工作交给机器来做罢了。
　　当前，全球互联网下的计算机、平板电脑、智能手机，形成了一股数据的洪流。同时，机器所拥有的惊人计算能力，可以对这些数据进行处理——采用新的算法，机器们越来越能理解人类的语言，识别各种图像……工商业各界对此高度重视。同时人们也在担忧，技术将夺去自己的工作岗位。现在，大量的工作，其核心是对模式的识别、对符号的翻译，这些都是必须由人类来完成的，如果电脑能提供自动化替代，或提供辅助大大提高人类的工作效率，就将会取代很多人的岗位，将会有更多的白领失业。
　　人工智能的热潮无处不在。去年，传言谷歌斥资4亿美元，在脸书鼻子下悄悄收购了伦敦的一家初创企业“DeepMind”，其拥有自己的人工智能研究实验室，由纽约大学的明星研究员Yann LeCun主导。谷歌还曾经雇佣过斯坦福大学的人工智能大腕Andrew Ng。后来百度把Andrew Ng挖走了，请他去领导自己在硅谷创建的实验室。还有一些企业，比如在芝加哥的“Narrative Science”，他们正在开发人工智能，用来进行写作。而商业周刊《福布斯》，已经开始用人工智能来撰写基础的财经报告了。
在马萨诸塞州的“Kensho”，想用人工智能来自动执行金融业的一部分工作任务，现在投资者们趋之若鹜。4月13日，IBM宣布了其Watson电脑的一个新使用计划——来分析人们的医疗健康档案，形成医生的人工智能。还记得这台Watson电脑吗？2011年，它在电视智力竞赛节目中，轻松完胜两位人类冠军。

　　其实，对人工智能的研究，和对电脑的开发几乎是同时起步的。目前的主要研究方向，是人工智能领域的一个分支，叫作“深度学习”——这是一种现代化的“机器学习”方式——计算机通过对大型数据集的运算，完成自学的任务。这种新算法，弥合了长期以来困扰人工智能发展的一项空白：即对人类来说很艰难的任务，对电脑却很简单，反之亦然。比如，当涉及到复杂的数学运算时，最简单的计算机也可以完胜人类;但如果是些对人类来说完全不值一提的小事时，比如认人脸，听人话，识别照片中的物体……对电脑来说，可就各种纠结、困难坏了。
　　当人类在做他们觉得困难的事情时，比如解微分方程，他们不得不写下一大堆公式。如果把这些公式变成电脑程序，那就非常简单了。有些事情，人类是觉得很容易，却并不存在一套类似的、明确的公式或规则，如果想创建这种规则又是无比困难。举个著名的例子吧，成年人会区分色情和非色情图片，但要让他们描述自己是如何做到的……这几乎不可能。1964年时，当时的美国最高法院大法官波特·斯图尔特就发现，想对此进行严密的法律定义根本做不到，他沮丧举起双手，叹道，虽然自己不能抽象地界定色情——“但我一看到它，心里就明白。”
　　机器学习，就是让它自己来生成一套规则，使自己看到什么，就明白这是什么——而这套规则，是程序员设计不了的。那计算机是怎样来生成规则的呢？——是通过对海量数据进行细致的统计分析。
　　当前的许多机器学习系统，使用的仍是传统的人工智能技术——神经网络，来开发他们所需要的统计模式。神经网络是1950年代的研究人员们想出来的办法，虽然他们不知道什么是智力，但他们知道大脑是智力的发源地，大脑处理信息用的可不是晶体管，而是神经元。如果你可以模拟这些神经元——在高度关联的细胞之间传递电化学信号——那么也许会有某种智能行为出现。

　　神经元非常复杂，即使到今天，科学家们对神经元的模拟，也只是非常粗略大概的。但是，早期的研究结果表明，即使是最原始的模拟神经网络，也能很好地完全某些任务。微软的人工智能研究员Chris Bishop指出，自1960年以来，电话公司们就一直在使用神经网络发现的回声消除算法。但是，模拟神经网络在人工智能领域的早期成功，很快就失去了吸引力——因为那时的计算机运算能力有限，限制了模拟网络的规模，最终也就限制住了这项技术的进一步发展。
　　在过去的几年中，因为绘制视频游戏的市场需要，芯片的数字运算能力得到了长足提高。早期的神经网络只能有数十或数百个神经元，通常被组织为单一层面;而最新的神经网络，比如谷歌用的那种，可以模拟出数十亿个神经元——这样一来，研究人员就可以进一步模仿人脑——对这些神经元进行分级分层(如下图)。正在这种层与层之间的联系沟通，机器终于可以“深入学习”了。
　　模拟神经网络的每一层，都被赋予一个不同的抽象级别。比如，要处理一张图片，我们先把原始图片导给最底层。最底层分析出每个像素的亮度和颜色，以及这些像素在图像中分布。然后，上述信息导入上一层，这层处理形成更抽象的信息类别，比如划分边缘，区分阴影等，然后再向上一层导入。此层依次分析边缘和阴影，寻找特定物体的特征组合，如眼睛、嘴唇、耳朵……至此，这些信息的组合就可以确定——这是或不是一张人脸的图像，甚至可以判断，这是不是我过去见过的某张脸。
　　为了使这样的神经网络真正有用，必须先对它进行培训。一台计算机，如果它想自己编写程序，从事面部识别工作，人类得给它准备一套含有数千幅图像的“训练集”，其中有的图中有人脸，有的则没有，人类先为每幅图像打上标签(有脸或无脸)。图像作为“输入”，被导入到计算机系统内，而标签(“有脸”或“无脸”)则作为“输出”，供计算机进行比照验证。计算机系统的任务，是形成一套正确的输出、输入相匹配的统计规律。要做到这一点，计算机系统自己会在每个抽象层中寻找——所有符合人脸图片的特征。一旦这些相关性被匹配统计出来，机器就能可靠地分辨出“训练集”中的所有图像。下一步是给它一套新的图像，看它自己提取出的面部识别规则，是否符合现实世界的客观规律。
　　通过这种自下而上的工作方式，机器算法学会了识别特征、概念和类别——这正是人类自己能理解，但表达不出来的内容。不过，这种算法的运用，在很长一段时间内都局限在很狭窄的专业领域。电脑程序通常需要从其设计师那儿得到提示，这种提示都是设计师们手工输入的，用于指明特定的任务——这是要你看看的图像呢，还是要你听听的语音……
　　而且，早期的模拟神经网络，数据处理能力有限。一旦超过某个数据量，你喂给它再多的信息也没用。而现代系统就不需要那么多的手工输入和调整了，你有多少数据尽可以丢给它，它都能利用得很好。现在因为互联网的普及，数据的来源和产生都大大丰富了。
　　互联网大鳄们，比如百度、谷歌、脸书，坐拥其用户产生的海量数据——有电子邮件、搜索和购买纪录、无所不包的各种照片……所有这一切都静静地储存在他们的服务器里。互联网公司们知道，这些数据中确实包含着有用的信息和规律，但其数据量却庞大得令人生畏、无从下手。不过，对计算机来说，这是小菜一碟——过量的信息资源，反而摇身一变，成为可供计算机学习并探索出规律的宝藏——特别可喜的是，这些信息在人们创建它时，都是手工加注了标签的(不论是照片还是音频)，这对计算机日后的学习特别有用。配上正确的算法，计算机使用这些加过注的数据来进行自学，最后在其中挖掘出有用的模式、规则或类别。
　　结果令人震惊啊!2014年，脸书推出了一款名为“DeepFace”的产品，对给定的人脸识别准确率高达97%，即使在面孔显示不全，或光线暗淡情况下也能做到。微软的物体识别软件，甚至能告诉你两种威尔士柯基犬的差别，这是两组看起来几乎完全相同的品种(见下图)!一些国家，已经在边防机构使用面部识别技术。还有一套系统，能从录像视频中对个体进行识别提取，警察和安全系统对此极感兴趣。5月5日的一份报告称，美国的安全系统用语音识别软件，能直接把通话语音打印成文本。

以上就是《人工智能对于人类的影响究竟有多么的深渊呢?》的全部内容，智能电视用户可以安装第三方软件当贝市场（www.dangbei.com）搜索更多应用软件安装使用哦~

村上春树的 · 发表于 2017-11-21 14:37

感谢楼主分享

› 综合交流 / 资源分享区 › 综合交流大区

人工智能对于人类的影响究竟有多么的深渊呢? ...

人工智能对于人类的影响究竟有多么的深渊呢?

相关帖子

浏览过的版块