1. 首頁 > 科技 > >

5G|現在電腦連接了我們所有人，那么接下來會發生什么?( 五 )

5G央企


人工智能在過去十年中取得了巨大的進展 ， 這在很大程度上歸功于機器學習 。 此前計算機更多地依賴于符號化的人工智能 ， 它使用基于人類設定規則的算法 ， 然后機器學習程序通過處理數據來找到符合自己的模式 。 其中一種典型的模式是使用“人工神經網絡” ， 人工神經網絡是一種由簡單計算元素組成的軟件 ， 可以模仿生物大腦的某些原理 。 具有幾個或更多層次的神經網絡共同構成了一種被稱為“深度學習”的機器學習類型 ， 這是目前很流行的一種機器學習模式 。
深度學習系統現在可以比最優秀的象棋和圍棋人類棋手玩得更好 ， 它們可能比你更能從照片上辨認出狗的品種 ， 他們可以把文本從一種語言翻譯成另一種語言 。 它們可以控制機器人 ， 作曲 ， 預測蛋白質折疊的方式 。 但同時 ， 他們也缺乏常識范疇內的許多東西 ， 它們不了解世界運行的基本原理 ， 無論是生理上還是社會上 。 例如 ， 你我可能沒有注意到的圖像細微變化 ， 可能會極大地影響計算機的識別能力 。 研究人員發現 ， 在停車標志上粘貼一些無害的貼紙 ， 會導致人工智能軟件將該標志解讀為限速標志 ， 這對自動駕駛汽車來說是一個明顯的問題 。

即使有貼紙顯示 ， 人類也會認出這是一個停止標志 ， 但經過測試自動駕駛汽車算法卻沒有認出
AI的前進方向人工智能如何改進?計算機科學家正在利用多種形式的機器學習 ， 不管這種學習是否“有深度” 。
一種常見的形式是監督學習(supervised learning) ， 在這種學習中 ， 機器學習系統或模型會被提供標有標簽的數據 ， 比如狗的圖像和它們的品種名稱 ， 但這需要大量的人類努力來給它們貼上標簽 。 另一種方法是無監督學習 ， 在這種學習中 ， 計算機不依賴外部標簽進行學習 ， 就像我們在椅子周圍走動時 ， 從不同角度預測它會是什么樣子一樣 。
另一種類型的機器學習是強化學習 ， 即模型與環境相互作用 ， 探索一系列行動以實現目標 。 強化學習使人工智能成為圍棋等棋類游戲和《星際爭霸2》等電子游戲的專家 。
為了有效地學習 ， 機器需要進行歸納 ， 并可以從經驗中得出抽象的原則 。 新墨西哥州圣達菲研究所(Santa Fe Institute)的計算機科學家梅勒妮·米切爾說:“智力的很大一部分 ， 是能夠將一個人的知識應用于不同的情況 。 ”2019年 ， 谷歌的人工智能研究人員弗朗索瓦·肖萊為機器創建了一種名為：“抽象和推理語料庫”(簡稱ARC)的智商測試 ， 在該測試中 ， 計算機必須根據示例模式中演示的原則完成視覺模式 。 這些謎題對人類來說很簡單 ， 但到目前為止 ， 對機器來說卻很有挑戰性 。
諷刺的是 ， 我們的許多抽象思維可能是基于我們的身體經驗 。 我們使用概念隱喻 ， 比如“重要=大” 。 GPT-3是研究實驗室OpenAI于2020年發布的一種訓練有素的語言模型 ， 它表明 ， 脫離實體的語言可能還不夠 。 有了提示 ， 它可以寫出像人一樣的新聞文章、短篇故事和詩歌 。 但在一個演示中 ， 它寫道:“需要兩道彩虹才能從夏威夷跳躍到17歲 。 ”“我玩了很多次 ， ”米切爾說 。 “它能做不可思議的事情 。 但它也會犯一些非常愚蠢的錯誤 。 ”
通用型人工智能可能還需要我們動物天性的其他方面 ， 比如情感 ， 尤其是當人類希望以自然的方式與機器互動時 。 情緒不僅僅是非理性的反應 。 我們已經進化了它們來指導我們的驅動力和行為 。 OpenAI的聯合創始人兼首席科學家伊利亞·蘇茨克弗表示 ， 它們“給了我們這種額外的智慧活力” 。 即使AI沒有和我們一樣的意識感受 ， 它也可能有近似于恐懼或憤怒的代碼 ， 事實上強化學習已經包含了類似于好奇心的探索元素 。

相關經驗推薦