人工智能(AI)已達到臨界點,它利用我們生活中每個應用程序,網站和設備收集的海量數據來代表我們做出越來越復雜的決策。AI正在我們的收件箱中進行分類和阻止電子郵件。它通過語音助手處理并處理我們日益復雜的請求。它通過聊天機器人補充了客戶支持,并極大地實現了復雜流程的自動化,從而減少了知識工作者的工作量。顯然,設備可以即時適應人類行為。那么人類是否真的適用人能智能?到底是人類智能還是人工智能呢?
未來已經來臨,但這并不意味著我們已經為此做好了準備。最近兩年充斥著許多故事,這些故事使普通消費者對AI在他們的生活中所扮演的角色三思而行。畢竟,要使AI有效,就需要數據。對于公司來說,要獲取數據,他們需要從已經成為世界上最有價值商品的用戶那里收集數據,無論他們是否意識到。如果有效,那對于現在可以由機器處理的數百萬個工作意味著什么?
數不清的數據泄露,對AI系統失去工作的擔憂以及Cambridge Analytica丑聞使所有這一切成為一個發人深省的觀點。我們是否真的希望記錄和分析我們生活的方方面面,以便獲得更智能的計算機系統?
如果我們這樣做了,我們如何在這些收益與眾多可理解的恐懼之間取得平衡?首先要敏銳地理解人類情報在我們實施AI中所扮演的角色,以及如果沒有一個,另一個注定要失敗。
自我意識機器的演變以及下一步
警惕是可以理解的,但請暫時考慮一下AI的功能。我們從未在這個宇宙中發現任何像人類大腦一樣具有延展性和潛力的東西。除了現在,我們看到計算機在我們設計的一些最復雜的游戲中擊敗了人類,比任何人類駕駛員更安全,更高效地駕駛汽車,并增強了醫療保健系統以檢測疾病并更準確地治療人類。
所有這一切的最終目標是創造一個自我意識的機器。Alan Turing同名測試的主題是確定計算機在復制人類方面的有效性。這是在不到30年的時間內對人類AI奇異性進行積極但越來越合理的預測的重點。這也是成千上萬部電影,小說和令人窒息的論文的主題,這些論文涉及自覺AI對人類的風險。
實際上,使人類真正與眾不同的是我們的大腦講述其觀察結果的故事,解釋我們周圍世界的方式-通常是錯誤的。機器并不需要真正意識到這一點。但是,觀察和評估決策影響的能力不僅是我們自己,而且是我們周圍環境的本質。這是機器可能永遠無法復制的東西,這就是為什么人類智能對于AI方程式如此重要的原因。
機器如何實際思考
因此,如果機器不像我們那樣觀察世界,它們如何“思考”,我們將如何影響這些過程?
在過去的五年中,機器學習一直是AI行業的活動中心,代表了所有行業生產和價值的巨大增長。機器學習(ML)涉及為算法提供所需的工具,以提高性能,而無需明確的人工輸入。
在人工神經網絡(ANN)的支持下,機器學習在過去的十年中發展迅速,以模仿人類如何尋找和評估我們周圍世界的模式。這使計算機能夠識別人臉,對語音提示做出響應并在高度復雜的活動中與人競爭。
在商業上,基于ANN的深度學習在2016年成為AlphaGo擊敗人類圍棋冠軍的主流-AI專家預測這還需要幾年的時間。
四年后,深度學習被用于改善數百萬個企業和計算機系統中的流程。但是,該領域的研究人員對深度學習是否能夠真正達到人類智能水平保持警惕。
他們在決策過程中缺乏透明性,并且尚不清楚單個系統在觀察和學習新任務方面的可移植性。
另一個主要問題是任何一個單獨的AI系統背后的開發人員和創建者。即使在深度學習系統的情況下,也存在固有的偏差。亞馬遜停止了一項招聘算法,該算法優先考慮男性簡歷中常用的短語和語言。
麻省理工學院的研究人員發現,面部識別算法通常在訓練上不足以識別少數民族,尤其是少數民族婦女。由于操作員和開發人員會向他們設計的算法提供信息,因此可能會存在固有的偏差。
2018年對硅谷公司的一項研究發現,該地區的十家大公司在2016年沒有雇用一名黑人女性,三名根本沒有黑人雇員。多樣性的缺乏會直接影響輸入這些系統的數據。
人與機器必須協同工作
人工智能是社會的永久組成部分。它太有效了,已經對它產生了太大的影響,無法更改。可以理解的是,人們對如何收集數據以及這些系統的偏見仍然存有疑慮。但是可以說,人們最擔心的是這些算法使工作變得更有效的工作發生了什么,有效地減少了對工人的需求。
盡管AI會取代一些可以完全由自動化系統取代的工作例如數據輸入,跟蹤和許多客戶服務工作但它會創造同樣多的工作,并擴大數百萬個工作。為了使人工智能發揮作用,它需要人類的智慧。勞動不再是忙碌的工作,而是被轉移到更具生產性的角色上,這些角色通常與人工智能一起支持或協同工作。
越先進的技術,就需要更多的人來生產和管理它。類似于取代了某些類型的工作但創造了更多工作的工業革命,AI是一種工作引擎,它將僅與人工輸入協同工作以捕獲數據,管理數據,提供操作系統的算法等等。
通過上述介紹,人類智能還是人工智能相信大家已經知曉了吧,想了解更多關于人工智能的信息,請繼續關注中培偉業。