[互动交流]「Flyme 辩」观点:对于人工智能,人类没有什么好担心的

7970

1190

2017-1-4 21:43

显示全部楼层

轻松注册,让你轻松玩转Flyme社区

您需要 登录 才可以下载或查看,没有帐号?注册
x
本帖最后由 a2010115 于 2017-1-7 18:29 编辑


感谢大家的阅读。
先阐明我的观点:对于人工智能,我们应该采取包容的态度,不应该恐慌,反倒应该大力发展。

今天,笔者作为一个还算了解目前人工智能发展趋势、自己写过深度学习的实例的爱好者,将会从偏技术的角度,用通俗的语言来为你解读为什么“对于人工智能,人类没有什么好担心的”。

什么是人工智能?

相信大家近几年都有经常听到所谓“人工智能新突破”之类的消息,对于这方面的关注热情也是非常的高。当去年AlphaGo战胜韩国棋士李世石的时候,人工智能这个概念可以说是刷爆了每家搜索引擎的搜索排行榜。可是,很多人并没有真正了解过人工智能这个概念,也并不明白人工智能后面的分支,却在网上大肆宣扬诸如“人工智能将会代替人类”、“人工智能将会统治人类”、“霍金称人工智能XXXXX”等。作为半个“业内人士”,实在是不太能接受这些打着“科普”的旗号,但是却没什么内容的微信朋友圈文章。正是因为这些文章以及媒体的宣传,导致目前对于人工智能的发展,很多人会抱有恐慌的心态,甚至大肆抨击。


那么,人工智能究竟是什么东西呢?我们需要从它的根源讲起。在1956年的达特茅斯会议上,人工智能这个概念第一次被提出,并且在之后的时间中不断发展。到现在,人工智能已经变成了一个非常宽泛的概念了,在这里面隐藏着无数的分支,举个例子,在1997年败过国际象棋高手卡斯帕罗夫的“深蓝”就属于人工智能。人工智能被分为了“强人工智能”以及“弱人工智能”两类,它们最大的区别就是:强人工智能拥有自主推理的能力,而弱人工智能仅仅是看起来像智能的,但是并不具有自主思维以及推理能力。而在这里面又有比较基础的机器学习,“深蓝”背后的算法正是机器学习。

但是,目前人类的主流研究方向都在弱人工智能上。即便是成为新一代网红的AlphaGo也属于弱人工智能——因为它不具有自主思维能力。机器学习的框架是死的,也就是说它的反应、输出是基于人给他指定的规则——例如,早期的翻译就是基于数据库的,哪个词对应的就只有哪个意思,并不会针对语法进行自主学习,而是需要人给它指定语法的规则,才能输出较为通顺的语句。

但是,为什么近些年的人工智能会发展的如此之快呢?那就要归功于一项技术的发展——深度学习。深度学习算法基于神经网络算法,但是它相比于传统神经网络算法来说拥有更多的隐藏层数,所谓“深度”也是因此而来。上世纪70年代左右,神经网络算法的概念被提出,它是基于生物大脑神经元的模式来进行“思考以及学习”的。但是,目前深度学习算法也仅仅是具有从标准化的数据中提取“规律”的能力,并不能像人类一样拥有强大的整合、推理能力。可是,深度学习真的也不怎么样么?

深度学习算法

001NT6M8gy6MEA3eJzv8d&690.jpg

这张图(或者类似的图片)是研究神经网络/深度学习算法的人经常会看到的图片。它能够比较清晰的反应各个隐藏神经元层与上、下层以及输入、输出层之间的连接关系。它的实现原理大致可以这么描述:在学习一份数据的时候,将需要训练的数据输入神经网络的输出层,并且获取网络的输出层数据,经过“激励函数”(一般是Sigmoid函数,现在还有很多不同的,例如RELu、tanh等。)的调整,输出最终数据,将神经网络的输出与实际应该的输出进行对比,计算出来数据的差异,并且对每个神经元里面的权重(weight)进行调整,直到输出数据较为准确(网络收敛)。而这个调节就像人脑学习的过程,如果事物之间有联系,那么这些神经元之间的连接将会加强(权重提升),反之亦然。

神经网络的基础有了,但是人们在研究的过程中却遇到了很多问题,例如“训练时的局部最小值鞍点”等,都是非常棘手的问题。训练神经网络的方法也成为了大家关注的对象,在这其中,比较突出的训练方法有“BackPropigation”(BP算法)等。而深度学习算法里面也有很多分支,例如针对图像识别的“CNN”(卷积神经网络)算法以及针对其他数据的“RNN”(循环神经网络)算法等。这些比较核心的技术原理在这里暂且不表,我们来看看深度学习的应用方面。

深度学习算法的应用

生活中,深度学习算法其实已经无处不在了。从你打开手机,浏览网页(百度等搜索引擎)、打开QQ、打开微信、再到诸如Flyme6的Onemind,深度学习算法都在发挥着他的作用。例如,百度识图可以将你需要的图片输入,并且返回给你这张图片的来源信息(不过这个技术是基于ComputerVision的),或者说淘宝将你过去购买的物品的各种信息(例如种类、价格、购买的时间)结合你的消费区间以及性别、家庭等数据通过神经网络的计算,将你可能喜欢以及购买的商品推荐给你。这些都是看的到的变化,你可以很明显的感受到——近年来生活越来越便利了。当然虽然这并不全部是深度学习的作用,但是,它将在你的日常生活中发挥更大的作用。

最直观的体验就在上面,但是别忘了现在是网络时代,而带宽已经没有什么限制了,大数据的作用也会慢慢地显现出来。因为你现在的使用习惯,将会被记录作为训练的样本,并且会慢慢地优化神经网络的“拟合效果”,使数据更加准确,这就是一个完美的良性循环,你几乎不用付出什么,但是却可以得到越来越智能的生活体验。

得不偿失?大错特错!

从上文中大家应该也算是基本了解了深度学习的作用以及最基础的原理,那么,你还会认为人工智能发展只会有弊而无利么?人工智能的发展是大的潮流、大的方向。其实从根本上看,这些所谓“超过人类”的AI们,都只是在某一方面能够做到极致。不同的神经网络架构能应对的工作是不一样的,例如RNN就不太适合图像的分类、识别,所以说,一个真正集大成于一体的AI距离我们还非常遥远。并且科学家们至今没有攻破一个问题:机器如何能够模拟人的意识。这个问题没有攻破,那也就无从谈起真正的强人工智能了。

很多科幻小说、电影里面出现的“人类反被AI统治”的事情可以说是很难发生的。因为基于目前的计算机技术,人类对于AI们有完全的控制能力,如果超出程序强行限制范围的命令(前提是AI拥有意识),依然是不会被执行的,因为这是被写死在AI的程序里的。所以,目前的AI技术只会为生活带来更多的便利,并没有很多人想象的那么可怕!