现在电脑连接了我们所有人连接我的电脑( 四 ) _小知识

“我们可能永远无法实现通用型人工智能，但这条道路将引领许多有用的创新。”蒙特利尔麦吉尔大学(McGillUniversity)计算机科学家、人工智能公司DeepMind蒙特利尔研究团队负责人多伊娜?普莱普表示:“我认为我们已经取得了很大进展，但现在仍然缺乏的是对人类智力基本原理的理解。”
人工智能在过去十年中取得了巨大的进展，这在很大程度上归功于机器学习。此前计算机更多地依赖于符号化的人工智能，它使用基于人类设定规则的算法，然后机器学习程序通过处理数据来找到符合自己的模式。其中一种典型的模式是使用“人工神经网络”，人工神经网络是一种由简单计算元素组成的软件，可以模仿生物大脑的某些原理。具有几个或更多层次的神经网络共同构成了一种被称为“深度学习”的机器学习类型，这是目前很流行的一种机器学习模式。
深度学习系统现在可以比最优秀的象棋和围棋人类棋手玩得更好，它们可能比你更能从照片上辨认出狗的品种，他们可以把文本从一种语言翻译成另一种语言。它们可以控制机器人，作曲，预测蛋白质折叠的方式。但同时，他们也缺乏常识范畴内的许多东西，它们不了解世界运行的基本原理，无论是生理上还是社会上。例如，你我可能没有注意到的图像细微变化，可能会极大地影响计算机的识别能力。研究人员发现，在停车标志上粘贴一些无害的贴纸，会导致人工智能软件将该标志解读为限速标志，这对自动驾驶汽车来说是一个明显的问题。

文章插图
即使有贴纸显示，人类也会认出这是一个停止标志，但经过测试自动驾驶汽车算法却没有认出

AI的前进方向
人工智能如何改进?计算机科学家正在利用多种形式的机器学习，不管这种学习是否“有深度” 。
一种常见的形式是监督学习(supervised learning)，在这种学习中，机器学习系统或模型会被提供标有标签的数据，比如狗的图像和它们的品种名称，但这需要大量的人类努力来给它们贴上标签。另一种方法是无监督学习，在这种学习中，计算机不依赖外部标签进行学习，就像我们在椅子周围走动时，从不同角度预测它会是什么样子一样。
另一种类型的机器学习是强化学习，即模型与环境相互作用，探索一系列行动以实现目标。强化学习使人工智能成为围棋等棋类游戏和《星际争霸2》等电子游戏的专家。
为了有效地学习，机器需要进行归纳，并可以从经验中得出抽象的原则。新墨西哥州圣达菲研究所(Santa Fe Institute)的计算机科学家梅勒妮·米切尔说:“智力的很大一部分，是能够将一个人的知识应用于不同的情况。”2019年，谷歌的人工智能研究人员弗朗索瓦·肖莱为机器创建了一种名为：“抽象和推理语料库”(简称ARC)的智商测试，在该测试中，计算机必须根据示例模式中演示的原则完成视觉模式。这些谜题对人类来说很简单，但到目前为止，对机器来说却很有挑战性。
【现在电脑连接了我们所有人连接我的电脑】讽刺的是，我们的许多抽象思维可能是基于我们的身体经验。我们使用概念隐喻，比如“重要=大” 。GPT-3是研究实验室OpenAI于2020年发布的一种训练有素的语言模型，它表明，脱离实体的语言可能还不够。有了提示，它可以写出像人一样的新闻文章、短篇故事和诗歌。但在一个演示中，它写道:“需要两道彩虹才能从夏威夷跳跃到17岁。”“我玩了很多次，”米切尔说。“它能做不可思议的事情。但它也会犯一些非常愚蠢的错误。”
通用型人工智能可能还需要我们动物天性的其他方面，比如情感，尤其是当人类希望以自然的方式与机器互动时。情绪不仅仅是非理性的反应。我们已经进化了它们来指导我们的驱动力和行为。OpenAI的联合创始人兼首席科学家伊利亚·苏茨克弗表示，它们“给了我们这种额外的智慧活力” 。即使AI没有和我们一样的意识感受，它也可能有近似于恐惧或愤怒的代码，事实上强化学习已经包含了类似于好奇心的探索元素。

文章插图
仿人机器人iCub已经成为世界各国实验室研究人类认知和人工智能的研究工具
人类不是空白的石板。我们生来就具有识别人脸、学习语言和探索其它物体的特定倾向。机器学习系统也需要正确的固有结构来快速学习某些东西。采用什么样的结构是一个激烈争论的问题。苏茨克弗说，“我们想要最好的白板。”

现在电脑连接了我们所有人 连接我的电脑( 四 )

现在电脑连接了我们所有人连接我的电脑( 四 )