AI的问题:机器可以学习但是却没有思考

2018年11月23日 作者:糖悦之果飞

最近,每个人都在讨论“AI”,但是,不管你是在看Siri,Alexa,还是智能手机键盘上的自动更正功能,我们都不是在创造通用人工智能,我们正在创造只能解决具体复杂任务的程序。

电脑并不能做到“思考”

每当一家公司宣布推出一项新的“人工智能”功能时,这通常意味着该公司正在使用机器学习来构建一个神经网络。“机器学习”是一种让机器“学习”如何更好地执行特定任务的技术。

我们不是在攻击机器学习!机器学习是一项奇妙的技术,有很多强大的用途。但它并不是通用的人工智能,理解机器学习的局限性有助于让你理解为什么我们目前的人工智能技术如此有限。科幻般的“人工智能”是一种计算机化或机器人式的大脑,它像人类一样思考和理解事物。这样的人工智能将是人工一般智能(AGI),这意味着它可以考虑多种不同的事物,并将这种智能应用到多个不同的领域。一个相关的概念是“强大的人工智能”,它将是一种能够体验类人意识的机器。

我们如今还没有那种人工智能。但我们离它很近。像Siri、Alexa或Cortana这样的计算机实体不能像人类那样理解和思考。它根本不能真正“理解”事物。

我们所拥有的人工智能经过训练,能够很好地完成特定任务,前提是人类能够提供数据帮助他们学习。他们学习做一些事情,但仍然没有思考能力。

电脑没有思考能力

Gmail有一个新的“智能回复”功能,建议回复邮件。智能回复功能识别“从我的iPhone发送”是一个常见的响应。该公司还想在回复许多不同类型的电子邮件(包括工作邮件)时表示“我爱你”。

那是因为电脑无法理解这些反应的含义。据了解,很多人在电子邮件中发送这些短语。它不知道你是否想对你的老板说“我爱你”。另一个例子是,谷歌照片意外的把我们家中地毯照片拼贴在一起。然后,它将这幅拼贴画确定为谷歌家庭中心最近的亮点。谷歌照片知道这些照片是相似的,但不明白它们有多么不重要。

机器经常学习游戏系统

机器学习就是分配任务,让计算机决定最有效的方法。因为他们不懂,很容易让电脑“学习”如何解决与你想要的不同的问题。

这里有一个有趣的例子,“人工智能”创建来玩游戏和分配目标只是学习游戏系统。这些例子都来自这个优秀的电子表格:

·“为了速度而繁殖的生物长得非常高,通过摔倒产生很高的速度。”

·“特工在1级结束时自杀,以避免在2级失败。”

·“特工无限期地暂停比赛,以避免输掉比赛。”

·“在一项人工生命模拟实验中,生存需要能量,但生育不需要能量成本,其中一个物种进化出了一种久坐不动的生活方式,这种生活方式主要是通过交配来生下新的孩子,这些孩子可以被吃掉(或者用作配偶来生更多可食用的孩子)。”

·“由于人工智能在输掉一场比赛后更有可能被“杀死”,因此能够让比赛崩溃是基因选择过程中的一个优势。因此,一些人工智能开发出了破解游戏的方法。”

·“神经网络进化到可以对食用蘑菇和有毒蘑菇进行分类,利用了交替排列的数据,而实际上并没有了解输入图像的任何特征。”

其中一些解决方案听起来可能很聪明,但这些神经网络都不知道它们在做什么。他们被分配了一个目标,并学会了实现它的方法。如果目标是避免在电脑游戏中失败,按下暂停键则是他们能找到的最简单、最快的解决方案。

机器学习和神经网络

通过机器学习,计算机不会被编程来执行特定的任务。相反,它被反馈数据并评估其在任务中的性能。

机器学习的一个基本例子是图像识别。假设我们想训练一个电脑程序来识别照片中有狗。我们可以给电脑几百万张图片,有些图片里有狗,有些则没有。不管图片里有没有狗,都要贴上标签。计算机程序“训练”自己根据数据集识别狗的样子。

机器学习过程是用来训练神经网络的,神经网络是一种具有多层结构的计算机程序,每个数据输入都要经过这些多层结构,每一层在最终做出决定之前都会给它们分配不同的权重和概率。它是以我们认为大脑可能如何工作为模型的,不同层次的神经元参与任务的思考。“深度学习”通常指的是在输入和输出之间有多层堆叠的神经网络。

因为我们知道数据集中哪些照片包含狗,哪些不包含狗,我们可以通过神经网络来运行这些照片,看看它们是否得到了正确的答案。例如,如果网络认为一张特定的照片没有狗狗,那么就有一种机制可以告诉网络它错了,调整一些东西,然后再试一次。电脑越来越能识别照片中是否有狗。

这些都是自动发生的。有了正确的软件和大量的结构化数据,计算机可以训练自己,计算机可以调整它的神经网络来识别照片中的狗。我们称之为“人工智能”。但是,说到底,你没有一个能理解狗的智能电脑程序。你的电脑学会了判断狗是否在照片里。这仍然令人印象深刻,但这就是它所能做的。

而且,取决于你给它的输入,那个神经网络可能不像它看起来那么聪明。例如,如果你的数据集中没有猫的照片,神经网络可能看不到猫和狗之间的区别,当你把它放到人们的真实照片上时,神经网络可能会把所有的猫都标记为狗。

机器学习的用途是什么?

机器学习用于各种任务,包括语音识别。像谷歌、Alexa和Siri这样的语音助手非常善于理解人类的声音,因为机器学习技术训练他们理解人类的语言。他们对大量的人类语言样本进行了训练,并且在理解哪些声音对应哪些单词方面变得越来越好。

自动驾驶汽车使用机器学习技术,训练计算机识别路上的物体以及如何正确回应。谷歌Photos充满了像Live Albums一样的功能,它通过机器学习自动识别照片中的人和动物。

Alphabet旗下的DeepMind用机器学习技术创造了AlphaGo,这是一个可以玩复杂棋盘游戏Go并击败世界上最好的人类的电脑程序。机器学习也被用来创造出擅长玩其他游戏的电脑,从国际象棋到dota2。

机器学习甚至被用于最新款iphone的人脸识别。你的iPhone构建了一个神经网络,可以学习识别你的脸,而苹果则包含了一个专门的“神经引擎”芯片,可以为这个任务和其他机器学习任务执行所有的数字运算

机器学习还可以用于其他许多不同的事情,从识别信用卡欺诈到在购物网站上的个性化产品推荐。但是,机器学习创造的神经网络并不能真正理解任何东西。他们是有益的项目,他们可以完成他们被训练所教会的狭窄任务,但是也仅限于此。

热门推荐:

Intel RealSense深度摄像头D400系列“更便捷的秘密”的等你来发现

Analog Devices EVAL-ADXL362评估板给开发设计者更多选择

Cypress Semiconductor PSoC6 BLE开发套件,美好的设计即将发生

STMicroelectronics VL53L1X飞行时间测距传感器,绝对测距无惧颜色和反射

NXP i.MX 8MQuad评估套件MCIMX8M-EVK ,一款开箱即用的高性能开发工具

英飞凌IM69D120和IM69D130 XENSIV MEMS麦克风,为低失真和高信噪比而设计

原文地址:https://www.eeboard.com/news/ai-332/

搜索爱板网加关注,每日最新的开发板、智能硬件、开源硬件、活动等信息可以让你一手全掌握。推荐关注!

【微信扫描下图可直接关注】

相关文章

tracer