人为智能那多少个事儿,本人写下的代码

2019-09-20 作者:奥门金沙手机娱乐网址   |   浏览(130)

原标题:失控的算法:自己写下的代码,却进化成了看不懂的样子

编者按:人们通过编写代码,创造出一个新的世界后,出现了新的危机——自己写的代码,自己却看不懂了,而且也不可预测。近日,《卫报》发表了一篇文章,详细介绍了这一趋势背后的问题。作者为,安德鲁·史密斯(Andrew Smith),其《Totally Wired: The Rise and Fall of Joshua Harris and the Great Dotcom Swindle》一书将于明年2月出版。

奥门金沙手机娱乐网址 1

奥门金沙手机娱乐网址 2

在过去的250多年里,技术创新一直是经济发展的根本推动力。这些技术创新中最重要的就是经济学家所说的“通用技术”,包括蒸汽机、电力,以及内燃机。它们中的每一个都催化了互补性创新与机遇的浪潮。举例来说,内燃机让汽车、卡车、飞机、链锯、割草机,甚至大型零售商、购物中心、交叉对接仓库、新供应链以及郊区得以出现。像沃尔玛、UPS和Uber这样拥有多样性的公司找到了利用新技术创造新商业模式的方法。

一名女性被自动驾驶汽车撞死,凸显了一场正在蔓延的技术危机,因为堆积在代码上的代码创造了“一个没有人完全理解的世界”。

我们这个时代最重要的通用技术就是人工智能,尤其是机器学习,也就是说机器能够持续提高自己的性能,而无须人类明确解释所有这些任务要怎样完成。在过去几年的时间里,机器学习已经变得越来越高效和广泛地使用。我们现在已经能建造出自己学习如何完成任务的系统了。

2018年3月18日,是科技行业极为忧虑的一天。那天晚上,一轮新月几乎没有给亚利桑那州坦佩昏暗的道路增加任何光线,从而让一辆经过特别改装的Uber沃尔沃XC90检测到前方有物体。作为开发自动驾驶汽车这个现代淘金热的一部分,这辆SUV已经自动驾驶了19分钟,期间没有来自后备驾驶员的任何干预。一系列雷达和激光雷达传感器使得机载算法能够计算出前方有物体,考虑到他们车辆的稳定速度为43英里/小时,物体在6秒钟路程之外——假设它保持静止不动。但是道路上的物体很少保持静止不动,所以更多的算法会接入一个可识别的机械和生物实体的数据库,寻找一个可以推断出这个物体可能行为的匹配方案。

为什么这件事非常重要呢?有两个原因。第一,人类的知识比我们能表达出的更多,我们不能解释为什么人类能完成那么多的事情,从识别出一张人脸到在古老的亚洲策略游戏围棋中走出绝妙的一招。在机器学习之前,我们无法精确表达出我们的知识,这种无能正意味着我们不能自动化很多事情,而现在我们可以做到了。

一开始,计算设备一片空白;几秒钟后,它决定处理迎面而来另一辆汽车,它预计它能开走,所以不需要特别行动。直到最后一秒钟,它才发现了一个清晰的标识——这是一个骑自行车的女人,手把上挂着的购物袋,毫无疑问,她认为沃尔沃会像任何普通车辆一样绕过她。被禁止独自采取规避动作的计算设备突然将控制权交还给了人类,但是人类没有注意到。49岁的伊莱恩·赫茨伯格(Elaine Herzberg)遭到撞击致死,这让技术团体中更多的反思者提出了两个令人不安的问题:这种算法悲剧不可避免吗?如果我们习惯于这样的事件,我们是否应该做好准备?

第二,机器学习系统是非常出色的学习者。这些系统能在广泛的领域中达到超人类性能,包括检测欺诈和诊断疾病等。人们在整个经济领域中都部署了这样出色的数字学习者,它们的影响力将会十分深刻。

“在某些方面,我们已经失去了代理权。当程序传入代码,代码传入算法,然后算法开始创建新算法时,它离人类越来越远。软件被发布到一个没有人能完全理解的代码世界中。”

在商业领域,人工智能在早期通用技术的阶段就被认为拥有变革性的影响。虽然它目前已经被应用于全球上千家公司,但大多数重大的机遇并没有被利用开发出来。随着制造业、零售业、交通运输、金融业、医疗保健行业、法律、广告业、保险业、娱乐、教育业,以及事实上每一个其他领域转变其核心进程和商业模式,并从机器学习中受益,人工智能的影响,在即将到来的这个十年中一定会被放大。现在的瓶颈在于管理、执行,以及商业想象力。

这些话听起来令人震惊,尤其是对于艾伦·厄尔曼(Ellen Ullman)来说,自20世纪70年代以来,其一直是一名杰出的专业程序员,也是为数不多的公开写代码过程的人之一。

然而,就像很多其他新技术一样,人工智能也催生出了一大批不切实际的期望。我们看到有大量商业计划随意挥洒在机器学习、神经网络,以及各种其他形式的技术方面,但却几乎与其真正的功能没有联系。举个例子来说,简单地把一个约会网站叫做“人工智能驱动的网站”,并不能让它变得更高效,但那或许有助于网站融资。这篇文章将穿过这些喧嚣的噪音,描述出人工智能的真正潜力、它的实践意义,以及它在被采用的过程中面临的障碍。

“人们会说,‘Facebook怎么样——他们创建和使用算法,并且可以改变它们。’但是它不是这样工作的。他们只是启动算法,学习、进行改变和并让代码自己运行。Facebook定期干预它们的运行,但是他们真的没有控制它们。特定的程序不仅仅是独立运行的,它们还会调用库、深度操作系统等等......”

人工智能今天能够做些什么?

算法是什么?

“人工智能”这个词是1955年由约翰·麦卡锡(John McCarthy)创造的,麦卡锡是达特茅斯学院的一位数学教授,他组织了之后一年那场具有开创意义的人工智能大会。从那以后,也许部分原因是因其令人回味的名称,人工智能这个领域开始崛起,而不仅仅停留在梦幻般的主张和承诺上了。在1957年,经济学家赫伯特·西蒙(Herbert Simon)预测,十年之内,计算机将在国际象棋方面打败人类。(事实上,计算机只花了40年时间。)在1967年,认知科学家马文·明斯基(Marvin Minsky)说:“在一代人之内,创造‘人工智能’这个问题将会得到实质解决。”西蒙和明斯基二人都是知识分子中的巨擘,但他们都错了。所以,对未来突破的戏剧性主张遭到了一定程度的怀疑。

现在,很少有比算法更经常被热烈讨论的主题了。但什么是算法呢?事实上,自20世纪90年代中期,互联网、特别是搜索引擎兴起以来,算法已经发生了有趣的变化。从根本上来说,算法是一件小而简单的事情;是一种用于自动处理数据的规则。如果 a 发生了,那么做 b;如果没有,那就做 c。这是传统计算的“如果/那么/否则”逻辑。如果用户自称18岁,允许他们进入网站;如果没有,就给出“对不起,你必须18岁才能进入”的提示。从本质上讲,计算机程序就是这种算法的捆绑包,一种处理数据的配方。在微观层面上,没有比这更简单的了。如果计算机看起来在表演魔术,那是因为它们速度快,而不是智能。

我们先来看看,人工智能现在在做些什么,以及它在以多快的速度发展。最大的两个进步发生在这样两个广阔的领域:感知和认知。在早期的分类中,最有实用性的进步都是跟语音有关的。语音识别还差强人意,但现在有百万计的人们在使用它,想想Siri、Alexa,以及Google的语音助手。你现在在读的这篇文章,最开始是我口述给一台计算机并让它以足够的精确度转写出来的,这样比打字要快。由斯坦福计算机科学家詹姆斯·兰迪(James Landay)和他的同事们进行的一项研究发现,平均来说,语音识别比在手机上打字要快三倍,其错误率已经由曾经的8.5%降低到了4.9%。令人震惊的是,这个显著的改进并不是经过10多年时间才实现的,而仅仅是从2016年夏天才开始。

近年来,出现了一个更具预示性和模糊性的含义,用“算法”一词来表示任何大型、复杂的决策软件系统;根据给定的一组标准(或“规则”)获取一系列输入数据并快速评估的任何方法。这已经彻底改变了医学、科学、交通、通信等领域,使得人们很容易理解多年来占据主导地位的乌托邦式计算观。算法以各种方式改善了我们的生活。

同样地,图像识别也进步得非常惊人。你可能已经注意到,Facebook和其他应用程序现在可以在发出的图片中识别出你很多朋友的脸,并且提示你给他们贴标签。一个在你智能手机上的应用就能识别出野外的任何一只鸟。在一些公司总部,图片识别甚至正在取代身份证件。视觉系统,比如那些用在自动驾驶汽车上的视觉系统,以前在识别行人方面每30帧中就会出现一次错误,而现在它们的错误率比在3000万帧中出错一次还要低。图片识别有一个巨大的数据库,叫ImageNet,它拥有几百万常见的、模糊的或完全怪异的照片,顶级系统的图片识别错误率已经从2010年的30%多,降低到了2016年的4%。

自从2016年以来,我们才开始对新的算法现实进行更细致的考虑。如果我们倾向于用几乎圣经式的术语来讨论算法,作为拥有自己生活的独立实体,那是因为我们被鼓励这样看待它们。Facebook和谷歌这样的公司已经出售并捍卫了它们的算法,这是一种客观的承诺,能够用数学上的超然和没有模糊的情感来衡量一系列的条件。难怪这种算法决策已经扩展到贷款/保释/福利/大学名额/工作面试以及几乎任何需要选择的事情。

最近几年来,由于采用了基于庞大的或“深度的”神经网络的新方法,图片识别的改进速度迅速加快。视觉系统的机器学习还远非完美,但即使是人类,也可能会在快速识别出一只小狗方面有困难,人们也可能会在根本没有可爱小狗的地方看出小狗来。

我们不再如此温顺地接受这种算法的推销。在2016年出版的《Weapons of Math Destruction》一书中——作者是曾经是数学天才的凯茜·奥尼尔(Cathy O'Neil),其离开华尔街去教书、写作和运营优秀的数学博客——毫无疑问地证明,算法非但不会消除人类偏见,反而会放大和巩固这些偏见。毕竟,软件是由极其富裕的白人和亚洲人编写的,这将不可避免地反映他们的假设。偏见并不是为了伤害,不像人类,我们不能轻易地要求算法看门人解释它的决定。奥尼尔呼吁对直接影响公众的任何系统进行“算法审计”,这是一个明智的想法,但对科技行业来说,因为算法是公司销售的产品;它们最不愿意做的事情就是提高透明度。

小狗还是玛芬蛋糕?图像识别的进步

好消息是这场战斗正在进行。坏消息是,与接下来的事情相比,它看起来已经很古怪了。人工智能的遥远承诺和威胁引起了如此多的关注,以至于几乎没有人注意到我们进入了算法革命的新阶段,这可能同样令人担忧和困惑——几乎没有人提出质疑。

机器已经在识别相似图像的类别方面取得了长足的进步。

奥尼尔和其他人标记的算法是不透明的,但是可以预测的:他们做的是他们编程要做的事情。熟练的编程人员原则上可以检查和挑战他们的基础。我们中的一些人梦想有一支公民军队来做这项工作,类似于支持该领域专业人员的业余天文学家网络。使这一切成为可能的立法似乎不可避免。

奥门金沙手机娱乐网址 3

我们可以称这些算法为“愚蠢的”,因为它们是根据人类定义的参数来工作的。结果的质量取决于编程的思想和技巧。另一个极端是人工智能的遥远梦想——类人的人工智能,或称 AGI。一台适当智能的机器将能够根据我们自己的直觉(我们可能认为这是经验和知识的广泛积累)来质疑自己计算的质量。为了更好地理解这一点,谷歌的DeepMind部门因创建了一个能够掌握街机游戏的程序而受到了应有的称赞,该程序只是从一个旨在获得最高分数的指令开始。这种技术被称为“强化学习”,因为一台计算机可以快速玩数百万场游戏来学习是什么产生分数。有人称这种能力形式为“狭义上的人工智能”,但在这里,“智能”一词被广泛使用,就像Facebook使用“朋友”一样——意味着比现在更安全、更容易理解的东西。为什么?因为这台机器没有根据场景来说明它在做什么,也不能做其他任何事情。最重要的是,它也不能将知识从一个游戏转移到另一个游戏(所谓的“转移学习”),这使得它的聪明程度连蹒跚学步的孩子,甚至乌贼都不如。我们不妨称石油井架或蚜虫是“智能”的。在某些特定的专业任务上,计算机已经大大优于我们,但是,与我们的一般能力相抗衡的那一天可能还有一段路要走——如果这种情况真的发生的话。

图片识别的错误率

这就是问题所在。在“愚蠢”的固定算法和真正的人工智能之间,存在着一个问题重重的中转站,我们几乎没有一个想法,几乎没有争论,更不用说在目标、道德、安全、最佳实践方面达成一致了。如果我们周围的算法还不智能,也就是说能够独立地说“计算/行动过程看起来不正确:我会再做一次”,它们仍然开始从它们的环境中学习。一旦一个算法开始学习,我们就不再确切知道它的规则和参数是什么了。在这一点上,我们不能确定它将如何与其他算法、现实世界或我们互动。在那些“愚蠢”的固定算法——复杂、不透明并且已经习惯于实时监控的地方——原则上是可以预测和质疑的,而这些算法却不是。在“训练”了一段时间后,我们不再知道它们是什么:它们有可能变得不稳定。

奥门金沙手机娱乐网址 4

破译代码

第二个主要改进的方面是认知和问题解决。机器已经战胜了最棒的人类扑克选手和围棋选手,这是一项专家们之前预测需要至少又一个十年的时间才能实现的成就。Google的DeepMind团队用机器学习系统提高冷却数据中心的效率,高达15个百分点,即使人类专家已经优化过数据中心,它也还是达到了这个水平。网络安全公司Deep Instinct正在使用智能代理来检测恶意软件,PayPal用智能代理防止洗钱行为。使用IBM技术的一家新加坡保险公司支持用户自动进行索赔流程,而数据科学平台Lumidatum能提供实时建议来改进客户支持系统。一大批公司在使用机器学习来决定接受华尔街的哪一笔买卖,有越来越多的信用决策都在机器学习的帮助下做出。亚马逊采用机器学习优化库存并改善他们向用户推送的产品推荐。Infinite Analytics开发了一个机器学习系统,来预测用户是否会点击一个特定的广告,改善全球消费品商品公司的在线广告布局,另一个系统则是为了优化用户在一个巴西网络零售商的搜索和发现过程。第一个系统将广告投资回报率提高了三倍,第二个系统则增加了1.25亿美元的年收入。

奥门金沙手机娱乐网址 5

机器学习系统不仅在很多应用里代替着原始的算法,而且在很多人类曾经表现最好的工作任务中更为出色。虽然这个系统还有待改进,它们在ImageNet数据库的错误率(大约是5%)已经达到或比人类水平的表现更好了。语音识别也是这样,即使在嘈杂的环境下,现在也几乎和人类水平持平。机器学习系统达到了这样的门槛,进而为改变工作场所和经济开辟出了新的广阔可能性。一旦以人工智能为基础的系统在某个领域超越了人类的表现,它们就更容易快速广泛传播。举个例子,比如Aptonomy和Sanbot,它们分别是无人机和机器人制造者,它们正在使用改进过的视觉系统,使很多安保工作自动化。在很多同类公司中,软件公司Affectiva正在使用机器学习在特定群体中识别快乐、惊讶和气愤等情绪。Enlitic则是一家使用机器学习扫描医学图像进而帮助诊断癌症的深度学习创业公司,而这样的公司已经有好几家了。

这些算法本身并不新鲜。大约五年前,当时我在为《卫报》撰写一篇关于股票市场高频交易(HFT)的文章,我第一次遇到了它们。我发现了一个不同寻常的现象:一个人造的数字生态系统,分布在数十亿美元的数据农场中,黑匣子像忍者一样蜷缩着,这就是股票市场的现状。一旦有了实际的交易平台,所有的行动都转移到了一个中央服务器上,在这个服务器上,灵活的、掠夺性的算法依靠笨拙的机构算法,引诱它们通过欺骗市场状况来低价出售和高价购买。人类HFT交易者(虽然没有人在积极交易)称这些大型、缓慢的参与者为“鲸鱼”,他们大多属于共同基金和养老基金——即公众。对于大多数HFT来说,“鲸鱼”现在是主要的利润来源。本质上,这些算法试图智胜对方;它们正在以光速进行隐形战斗,每秒10000次下订单和取消订单,或者将如此多的订单投入到系统中,以至于整个市场都震动了——所有这些都超出了人类的监督或控制范围。

这些都是了不起的成就,但以人工智能为基础的系统,其适用性依然非常狭窄。举个例子,机器学习在拥有数百万图片的ImageNet数据库中的出色表现,并不意味着它总能“在野外环境中”取得一样的成功,在野外环境中,光线条件、角度、图片分辨率以及情境都可能非常不同。更为根本地,我们可能会惊叹于一个系统能理解中国话并把它翻译成英文,但我们不能指望这个系统理解一个特定中文字的意义,更不用说在北京去哪里吃饭好了。如果一个人能出色地完成一项任务,那很自然也可以假设他有能力完成一些相关的工作。但是机器学习系统就是为了某些特定任务而训练出来的,它一贯的知识并不会扩展延伸。一个典型的谬论就是认为计算机狭窄的理解力意味着它能扩展到更广阔的理解力中,这可能是一个最大的混淆之源,更为夸张的宣称就是认为人工智能能够自己取得进步。我们离具备在多领域中拥有通用智能的机器还非常遥远。

没有人会对这种不稳定感到惊讶。2010年发生了一场“闪电崩盘”,在此期间,市场经历了5分钟的自由落体,然后5分钟又恢复了——没有明显的原因。我去芝加哥见了一个叫埃里克·亨萨德(Eric Hunsader)的人,他惊人的编程技能让他能够比监管者更详细地看到市场数据,他告诉我,到2014年,“迷你闪电崩盘”每周都会发生。甚至他也不能证明确切的原因,但是他和他的工作人员已经开始给他们看到的一些“算法”命名,就像麦田怪圈猎人给在英国夏天发现的地层命名一样,称它们为“Wild Thing”、“Zuma”、 “The Click” 或者是“Disruptor”.。

理解机器学习

迈阿密大学专攻复杂性的物理学家尼尔·约翰逊(Neil Johnson)对股票市场波动进行了研究。“太迷人了,”他告诉我。“我的意思是,人们多年来一直模糊地谈论计算机系统的生态,比如蠕虫病毒等等。但是我们可以研究一个真正的工作系统。更大的问题是,我们不知道它是如何工作的,也不知道它会产生什么。”这种态度似乎是“眼不见,心不烦”。

要理解机器学习,最重要的一点就是明白机器学习代表了一条创造软件的完全不同的道路。举个例子,机器是去学习一件事情,而不是为某一明确结果被明确编程成什么样子。在过去50年的绝大多数时间里,信息技术领域的进步及其应用都聚焦于把某种已有的知识和程序编成指令,再把这些指令植入机器中。确实,“编程”这个词总是意味着这样一种艰苦的过程,即开发者把自己头脑中的知识转化成一种机器能理解和执行的格式。这种方法有一个根本上的弱点:我们现有的很多知识都是大家心照不宣的,也就是说我们无法完全解释它们。对我们来说,写下每一条指令让另一个人明白如何骑自行车、如何识别出一个朋友的脸庞,这几乎是不可能的。

重要的是,约翰逊关于这一主题的论文发表在《自然》杂志上,用“从混合人机阶段到新的全机阶段的突然系统转变,其特征是持续、超快且频繁的黑天鹅事件”,描述了股票市场。根据科学历史学家乔治·戴森(George Dyson)的说法,情况很复杂。只要让黑匣子用少量的钱尝试不同的东西,如果可行,就会加强这些规则。我们知道已经做到了。然后,会有一些没有人知道规则是什么的规则:算法创建自己的规则——你让它们像自然进化生物体一样进化。非金融行业观察家开始假设一场灾难性的全球“闪电式崩盘”,而增长最快的市场领域成为从波动中获利的工具。罗伯特·哈里斯(Robert Harris)在他2011年的小说《恐惧指数》(The Fear Index)中,想象了通用人工智能的出现的背后,正是这种数字化的渗透。令我惊讶的是,没有一个科学家会断然排除这种可能性。

奥门金沙手机娱乐网址 6

如果不是因为一个简单的事实,所有这些都可以被认为是高级金融学术语。过去持有这种技术的智慧首先被色情业采用,然后被其他人采用。但是21世纪的色情就是金融,所以当我认为我看到了类似HFT的算法在其他地方引发问题的迹象时,我再次打电话给尼尔·约翰逊。

上图:这就是使用人工智能的意义。结果是人又不是人,可识别但又不是你期望中的那样,它们美丽吗,可怕吗,能让人感到愉悦吗?

“你说得对,”他告诉我:一种新形式的算法正在走向世界,它具有“重写自己代码的能力”,此时它就像“遗传算法”。他认为他在Facebook的实际调查中看到了他们的证据(“我的账户被攻击了四次,”他补充道)。如果是这样的话,算法会在那里进行竞争和调整,就像在股票市场一样。“毕竟,Facebook只是一个大算法,”约翰逊说。

换句话说,我们所知的比我们能表达的更多。机器学习正在克服这个困难。在第二次机器革命的这第二波浪潮中,人类制造的机器正在从实例中学习,并且使用结构清晰的反馈来解决自己的问题,比如面部识别。

“我认为这正是Facebook面临的问题。他们可以有简单的算法在别人页面上的照片中识别我的脸,从我的个人资料中获取数据,并将我们联系在一起。这是一个非常简单的具体算法。但问题是,数十亿这样的算法在宏观层面上协同工作会产生什么影响?你无法从微观规则中预测群体层面的学习行为。所以Facebook会声称他们确切知道微观层面的情况,他们可能是对的。但是在群体水平上会发生什么呢?这就是问题所在。”

机器学习的不同特色

为了强调这一点,约翰逊和迈阿密大学的一些同事发表了一篇论文,其目的是从数学上证明试图在社交媒体上联系人们不可避免地会分化整个社会。他认为Facebook和其他人应该用气候科学家模拟气候变化或天气模式的方式来模拟(或让他们模拟)他们算法的效果。

人工智能和机器学习有很多种特色,但近年来大多数成功的案例都集中在监督学习方面,也就是关于某特定问题,赋予机器大量正确的实例学习。这个过程几乎总涉及从一组输入X,到一组输出Y的映射。比如,输入可能是一些各种动物的图片,正确的输出就是关于这些动物的标签:猫、狗、马等。输入也可以是一段音频的声音波形,正确的输出就是一些词汇:是、否、你好、再见等。

奥尼尔说,她有意识地将这种自适应形式的算法排除在《Weapons of Math Destruction》之外。在一个错综复杂的算法环境中,什么都不清楚,将责任分配给特定的代码段变得极其困难。她解释说,这使得它们更容易被忽视或忽略,因为它们和它们的确切影响更难识别,然后她建议,如果我想在“野外”看到它们,我应该问问亚马逊上的闪电崩盘会是什么样子。

成功的系统通常使用几千个甚至几百万个实例的训练数据集,每个实例都已经被标记出正确的答案,系统会再大体看一下新的实例,如果训练顺利,系统就会以高度的精确度来预测答案。

“我也一直在寻找这些算法,”她说,“我一直在想:‘哦,大数据还没有到达那里。但是最近,一位亚马逊书店的朋友告诉我,像他这样的人,那里的定价情况变得多么疯狂。你经常会看到有人在Twitter上说‘嘿,你可以在亚马逊上花4万美元买一条奢华的纱线。’每当我听到这种事情,我就会想:‘啊!那一定相当于一场闪电崩盘!’”

算法的成功多半要依仗一种叫“深度学习”的方式,而深度学习利用的是神经网络。和早期机器学习算法相比,深度学习算法有一个重要的优点:深度学习能够更好地使用大得多的数据库。旧的系统会随着训练数据实例的增加而改进,但会到达一个点,在那个点之后再增加数据并不能带来更好的预测。这个领域的领军人之一吴恩达说:“深度神经网络就不会在这种方式下失效,更多的数据的确会带来更好的预测。”一些非常大的系统是由3600万或更多实例训练出来的。当然,要使用极大的数据库就需要更加强大的处理能力,这就是为什么非常大的系统通常在超级计算机或专用计算机上运行。

亚马逊上异常事件的轶事证据很多,一篇2016年的学术论文声称:“出现了一些例子,其中竞争的算法定价软件以意想不到的方式相互作用,产生了不可预测的价格,以及一些算法被有意设计来实施定价。”同样,问题是如何在混乱的算法环境中分配责任,简单的因果关系要么不适用,要么几乎不可能追踪。就像在金融领域一样,否认性被融入了这个体系。

如果你有很多有关行为的数据并试图预测结果,这就是监督学习系统的潜在应用机会。亚马逊的全球消费者部门的CEO杰夫·威尔克(Jeff Wilke)说:“监督学习系统已经在很大程度上取代了用于向客户提供个性化建议的基于内存的过滤算法。”摩根大通则引入了一个系统来检查商业贷款合同,这项工作以前需要负责贷款的员工用360000个小时来完成,而现在只需要几秒钟了。监督学习系统还被用于诊断皮肤癌。上面所说的只是部分例子而已。

奥门金沙手机娱乐网址 ,现实生活中的危险

相对来说,标记一组数据并把它用于训练监督学习系统是比较简单直接的。这也是为什么监督学习式机器学习系统比无监督学习系统更为常见,至少目前是如此。无监督学习系统想要自己学习。我们人类就是出色的无监督学习者,我们用很少的没有标签的数据就能从这个世界上获取大部分知识,比如识别出一棵树,但是开发出一个如此运行的成功的机器学习系统就极端困难。

当安全受到威胁时,这真的很重要。当一名司机被撞死后,美国航空航天局的专家花了六个月的时间检查其操作系统中的数百万行代码,没有找到司机家人认为已经发生的事情的证据,但制造商坚决否认汽车是自动加速的。只有当一对嵌入式软件专家花了20个月的时间深入研究代码时,他们才能够证明这个情况,揭示出程序员称之为“意大利面条代码”的扭曲群体,充满了推搡和争斗的算法,产生了异常、不可预知的输出。目前正在测试的无人驾驶汽车可能包含1亿行代码,并且,考虑到没有程序员能够预测现实世界道路上的所有可能情况,他们必须不断学习和接收更新。在这样一个流动的代码环境中,我们如何避免冲突,尤其是当算法还必须要保护自己免受黑客攻击时?

如果我们能建立强大的无监督学习系统,就将开启令人振奋的新的可能性。这些机器将能够用全新的方法审视复杂的问题,帮我们找出其中的模式,可用于观察疾病传播、市场证券价格走势、客户的购买行为等等。正是这种可能性引领着Facebook的AI研究主管、纽约大学教授 Yann LeCun,他把监督学习系统比作在蛋糕上撒糖霜,而把无监督学习比作蛋糕本身。

本文由奥门金沙网址发布于奥门金沙手机娱乐网址,转载请注明出处:人为智能那多少个事儿,本人写下的代码

关键词: