等一等，人工智能就算是绝对发达？事实可能并不想你想象的那样

人工智能：人类思维指南

Melanie Mitchell写了她的新书《人工智能：人类思维指南》，因为她对人工智能的真正进步感到困惑。她写道，她想“了解事情的真实状态”。

得知自己的矛盾情绪使她感到宽慰，因为她本人也是一名人工智能研究员。她是波特兰州立大学的计算机科学教授，也是著名的多学科研究中心圣塔菲研究所科学委员会的联席主席。如果米切尔（Mitchell）可能对AI问题感到困惑立场，原谅我们其他人被迷惑或只是纯属错误。

正如米切尔（Mitchell）指出的那样，很多凯旋的人工智能叙述四处流传。因此，计算机视觉，语音识别，游戏和机器学习其他方面的最新突破表明，人工智能在未来几十年中可能会超越人类的能力。有些人觉得这个前景很棒。其他人则担心“超人”计算机可能会决定它们不需要我们，却无能为力。

“要么是我们离'真正的'人工智能的距离不远，要么就已经数百年了。”

但正如米切尔（Mitchell）所展示的那样，即使是当今最强大的人工智能系统具有关键限制。他们只擅长于狭defined的任务，对外面的世界一无所知。他们在不考虑数据含义的情况下发现数据之间的相关性，因此他们的预测可能会非常危险地不可靠。他们没有常识。

米切尔写道：“要么取得了巨大的进展，要么根本没有取得任何进展。” “要么是我们离'真正的'人工智能的距离不远，要么就已经数百年了。”

使Mitchell解决问题的方法使这本书具有纪念意义和启发性。她对今天的人工智能的耐心解释技术给人的印象是，真正的机器智能还很遥远。她指出，计算机不仅需要更好的大脑，而且可能还需要更好的身体。

itchell在人工神经网络上提供了非常清晰易读的入门知识，该技术是图像识别，语言翻译和自动驾驶领域最新进展的核心。在最初的一些尝试建立人工智能的尝试中使用了神经网络。在1950年代和60年代。他们之所以失宠是因为它们看上去像是死路一条，价值有限。但是随着大约十年前的计算能力的变化，这种情况发生了变化，这使得使用称为“深度学习”的数据密集型方法训练神经网络变得可行。

要遵循Mitchell对神经网络的描述，您不需要了解高级数学-但她表明数学主要是数学，这说明了他们的能力和缺点。一种对识别图像内容特别有用的神经网络取决于称为“卷积”的数学计算。用于处理文本的版本依赖于计算机代表语言统计方面的能力（单词出现的频率）一起出现在句子中–跨越数百个维度的复杂“向量”。

令人印象深刻的是，人们已经量化了世界上的许多方面，供计算机大量使用。同样值得注意的是，这些方法具有广泛的应用，例如检测肿瘤，自动驾驶和过滤垃圾邮件。但是，出色计算器的巧妙新用法并不一定会使它们具有与我们相媲美的智能。正如米切尔（Mitchell）指出的那样，使卷积神经网络正常工作“需要很多人的创造力。”

机器学习系统本质上是统计工作，这很清楚，为什么它们很容易受到所馈送数据中的不准确，漏洞和其他缺点的影响。难怪如果神经网络在主要显示白人的图像上经过训练，神经网络就无法注册黑人的脸。当自动驾驶汽车未能识别出上面贴有一些贴纸但对人类而言仍然显然是停车标志的停车标志时，这并不奇怪。

幸运的是，这些问题促使人们对人脸识别技术和自动决策的社会影响进行了许多富有成果的讨论。纽约大学数据新闻学副教授梅雷迪思·布鲁萨德（Meredith Broussard）在2018年出版的《人工智能：计算机如何误解世界》一书中令人信服地指出，无论您是否称其为``人工智能''，计算机仍应被视为人类好奇的工具谁应该一直留在循环中。

但是，尽管Mitchell几乎没有第一个指出机器学习系统的弱点，但她通过解释说即使处于最佳状态，计算机也可能不如您想像的那样为批评增添了一层色彩。在过去的几年中，研究人员开发了神经网络，他们声称，在识别照片或视频中的物体时，神经网络可以达到甚至超过人类的性能。在新闻中被预言为机器优势的抵抗是徒劳的必然性的另一个例子。

Mitchell指出，所涉及的基准测试是基于名为ImageNet的庞大图片数据库进行的测试。 2017年，最好的计算机系统将ImageNet中的图片分类为98％的“ top-5”准确度，据称是95％的人为率。

“前五名”的对冲是什么？这意味着对物体的正确分类是机器的前五项猜测之一。正如米切尔（Mitchell）所说：“如果给定篮球图像，则机器按该顺序输出'槌球'，'比基尼'，'疣猪'，'篮球'和'移动面包车'，则认为是正确的。”可以理解为什么存在top-5度量标准是可以理解的：如果一张图片显示多个对象，则了解机器是否在检测其中的任何对象很有用。但这削弱了对极端技能的要求。米切尔说，当机器将适当的类别放在首位时，最佳的top-1精度在2017年仅为82％。

至于人类准确率达到95％的说法，米切尔（Mitchell）显示的数据证明它是脆弱的。两个人为2015年发布的一个研究项目尝试了ImageNet挑战的一部分。投入更多时间的人是现任AI的Andrej Karpathy。特斯拉（Tesla）的主管研究了500张带标签的图像作为“训练数据”，然后将1500张未标签的图像分类。以前5名的准确性作为衡量标准，他犯了5％的错误。现在，这个数字被用作人类绩效的标志。

没关系，如果不是因为这个特定测试的怪异，他的错误率可能会更低。卡尔帕西（Karpathy）写道，他和另一个测试对象所犯的错误中，约有四分之一的发生不是因为他们对所看到的图片一无所知，而是因为他们不知道或不记得在电影中使用的某些确切标签。 ImageNet。

Mitchell写道：“进一步混乱的事情很重要，据我所知，没有人报告过机器和人类在前1位准确性之间的比较。”

凭借其快速和无尽的耐心，计算机是许多应用中图像识别的理想选择。在某些情况下，它们肯定比人类更准确。但是要说的不止于此。米切尔写道：“物体识别尚未接近被人工智能“解决”。

“我几乎无法想象制造这种机器需要什么突破。”

O.AI中最热门的主题之一现在的方法是，使机器不仅能够检测数据中的统计相关性，而且还能在某种程度上了解其处理内容的含义。像米切尔一样，纽约大学的研究人员加里·马库斯（Gary Marcus）和欧内斯特·戴维斯（Ernest Davis）说，没有这样的改进，人工智能就不会“安全，智能或可靠”。在他们的新书《重启人工智能：构建我们可以信赖的人工智能》中，马库斯和戴维斯人们说，由于存在“易破解性差距”，人们被愚弄了以为计算机比其功能更强大。

他们写道：“无论机器实际上遵循的规则多么简单，我们都只能从认知角度考虑机器（'它认为我删除了我的文件'）。”

波士顿动力

为了减少机器的笨拙性，许多研究人员正在重新研究使用逻辑和常识对计算机进行编码的旧方法。例如，米切尔（Mitchell）描述了她为使计算机类比推理所做的努力。如果您希望计算机识别描绘“ walk狗”的图像，那么现在的基本方法是向其显示成千上万的dog狗图像，然后相信这些图片中的常见事物（如狗，皮带，手等）会当机器看到以后dog狗的照片时，将触发一个正信号。但是，它可能会闻到unusual狗的异常情况。米切尔（Mitchell）展示了一些例子，例如某人骑着自行车walking狗，而其中一只狗的嘴里牵着另一只狗的皮带的照片。她的研究小组正在尝试让计算机了解后者是原型情况的“拉伸”版本。

这样的工作是艰苦而缓慢的。而且即使成功了（如果可以使计算机在某种程度上理解“ walk狗”可以采取多种形式），如果机器永远不会自己碰到狗，这种理解将带来多大的收益？

当我大约6岁时，我在自己家附近的人行道上骑自行车，停下来观察（也许扔掉）一棵来自香树的尖刺种子球。突然，有人在马路对面的一间房子旁边打开一扇门，走出一只棕色的狗，犹豫了一两秒钟，然后直奔过来and住我，撕裂了我的灯芯绒裤子的座位。记忆有助于我洞悉经验的无数方面-惊喜，恐惧和痛苦；一些狗的不可预测性；甜种子球的异国怪异。相比之下，要告诉计算机说，当人们在屁股上说些什么时，它并不总是成语。

哲学家和其他人工智能持怀疑态度的人长期以来一直在争论说，盒子里的无知电子大脑只能教很多东西。许多人工智能研究人员将这种怀疑归咎于“某种残留的神秘主义”，即“对类似灵魂的心理本质的不科学信仰”，正如认知科学家安迪·克拉克（Andy Clark）在1997年的《存在：将大脑，身体和世界凝聚在一起》中所写的那样。再次。但是，当您认为爬行的婴儿很快就能掌握基本概念，而数据中心中的计算机需要大量的电能来吸收一件东西时，就需要有智能才能使身体变得健康。

米切尔（Mitchell）似乎不情愿地来到怀疑者的立场。 “在与AI纠缠之后多年来，我发现实施论证的论点越来越引人注目。”她写道。

那么，要生产出一种能在世界范围内移动的机器人，该机器人具有关于自己的行为以及与之交互的人，动物和其他机器的行为的见解，将会怎样？她写道：“我几乎无法想象，制造这种机器需要取得什么突破。”

本文编译自 | Medium 译者 | Yafei

转载请联系后台获得申请，否则将按照对应平台的规则投诉处理。