怎么刷网站点击量,上线了小程序,百度网址大全网址导航大全,事业网站网站建设方案来源#xff1a;AI前线作者#xff1a;Ben Dickson译者#xff1a;Sambodhi策划#xff1a;凌敏本文给当今人工智能界推崇深度学习的现象泼了冷水#xff0c;指出了人工智能的盲点#xff1a;溯因推理#xff0c;并提醒人们不要忽视深度学习的种种问题#xff0c;否则将… 来源AI前线作者Ben Dickson译者Sambodhi策划凌敏本文给当今人工智能界推崇深度学习的现象泼了冷水指出了人工智能的盲点溯因推理并提醒人们不要忽视深度学习的种种问题否则将会因为深度学习又面临第三次“人工智能的冬天”。最近深度学习领域的进步再次激发了人们对那些通用人工智能新机器的兴趣。这一想法认为通过构建更大、更好的神经网络我们就能够获得越来越接近于人类大脑的数字化版本。但这是一个神话计算机科学家 Erik Larson 认为所有的证据都表明人类和机器所拥有的智能有本质的不同。Larson 的新书《The Myth of Artificial Intelligence: Why Computers Can’t Think the Way We Do》目前尚无中译本本文暂译为《人工智能的神话为什么计算机不能像我们这样思考》讨论了广泛宣传的关于智能和推理的误解是如何将人工智能研究引向狭窄的道路限制了创新和科学发现。《人工智能的神话》 Erik J. Larson 著。Larson 警告说除非科学家、研究人员和支持他们工作的组织不改变方向否则他们将注定“屈服于机器世界的扩张在机器世界中真正的发明被边缘化转而支持那些鼓吹现有方法的未来主义言论而这正是来自根深蒂固的利益集团。”人工智能的神话以科学的观点来看人工智能的神话是假定我们将通过在应用领域取得进展来实现 通用人工智能Artificial General IntelligenceAGI例如对图像进行分类、理解语音指令或玩游戏。但是这些 狭窄的人工智能系统 的基础技术并不能解决通用智能能力所必须解决的更大挑战例如进行基本的对话、完成简单的家务活或者其他需要常识性的任务。Larson 写道“当我们成功地应用了更简单、更狭窄的智能版本并从更快的计算机和大量的数据中获益时我们并没有逐步取得进展而是在摘取低垂的果实。”人工智能神话的文化后果就是忽视了 智能的科学奥秘无休止地谈论 深度学习 和其他当代技术的不断进步。这个神话阻碍了科学家们思考新的方法来应对智能的挑战。“如果我们选择忽视一个核心奥秘而不是正视它我们就无法获得创新”Larson 写道“健康的创新文化强调探索未知而非夸大现有方法的延伸……关于人工智能必然成功的神话往往会扼杀真正进步所需要的发明文化。”演绎、归纳和溯因推理当你走出家门时你发现街道是湿的。你首先想到的是一定是下雨了。但现在是晴天人行道是干的所以你立即排除了下雨的可能性。当你往旁边看时你看到一辆洒水车停在街道旁。你就断定街道之所以是湿的是因为洒水车冲洗了街道。上面是一个“推理”的例子即从观察到结论的行为也是智慧生物的基本能力。我们不断地根据我们所知和感知的事物来推理。它们大多发生在潜意识中。Larson 写道“任何能够进行推理的系统都必须具有一些基本的智能因为利用已知和观察到的事物来更新信念的行为本身必然与我们所指的智慧相关联。”人工智能研究人员将他们的系统建立在两种类型的推理机上演绎式和归纳式。演绎式推理是利用先验知识对世界进行推理。这是符号人工智能 的基础也是人工智能早期几十年研究人员关注的重点。工程师通过赋予它们一组预先定义的规则和事实来创建符号系统人工智能利用这些知识来推理它所接收到的数据。溯因推理是通过经验获取知识在过去十年中溯因推理在人工智能研究人员和科技公司中获得了更多的关注。机器学习算法 是溯因推理引擎一个在相关实例上训练的机器学习模型将找到输入映射到输出的模式。最近几年人工智能研究人员利用机器学习、大数据和先进的处理器对超出符号系统能力的任务进行模型训练。第三种推理类型即溯因推理是由美国科学家 Charles Sanders Peirce 在 19 世纪首次提出的。溯因推理是一种能够提出直觉和假设的认知能力作出比随机猜测真相更好的猜测。美国科学家 Charles Sanders Peirce 在 19 世纪提出了溯因推理。资料来源纽约公共图书馆公共领域。举例来说街道潮湿的原因可能有很多包括一些我们从未直接经历过的但是通过溯因推理我们可以选择最有希望的假设迅速排除错误的假设寻找新的假设并得出可靠的结论。正如 Larson 在《人工智能的神话》一书中写道“我们从实际上无限可能中猜测哪些假设看起来是可能的或可信的。”溯因推理就是许多人所说的“常识”。这是我们看待事实或数据的概念框架也是结合其他推理类型的“粘合剂”。这能让我们时刻注意大脑中大量的信息以及我们从感官接受到的海量数据中的相关内容。但问题在于人工智能界对溯因推理的关注还很少。人工智能与溯因推理20 世纪 80 年代和 90 年代由于溯因逻辑程序Abductive Logic Programming的尝试溯因进入了人工智能的讨论中但是这些努力都存在缺陷最终被放弃。Larson 告诉 TechTalks“它们是对逻辑编程的重新表述是演绎的一种变体。”Erik J. Larson《人工智能的神话》一书作者。溯因在 2010 年代得到了另一个机会那就是 贝叶斯网络它是试图计算因果关系的推理引擎。但是与早期的方法一样较新的方法也有一个缺陷它不能捕捉到真正的溯因Larson 说贝叶斯和其他图形模型都是“归纳法的变种”。他在《人工智能的神话》一书中称它们为“名副其实的溯因”。在很大程度上人工智能的历史都以演绎和归纳为主导。“当早期人工智能先驱 Alan Newell、Herbert Simon、John McCarthy 和 Marvin Minsky 开始着手解决人工推理人工智能的核心问题时他们认为编写演绎式规则就足以产生智能思维和行动”Larson 说“事实上事实并非如此在关于我们如何做科学的讨论中这一点应该更早被认识到。”“这太奇怪了没有人真的停下来明确地说‘等等这是行不通的’” Larson 说“这将使研究直接转向溯因或假设的生成或者说‘上下文敏感推理’。”在过去的二十年里随着数据和计算资源的日益丰富机器学习算法——特别是 深度神经网络——已经成为人工智能领域的研究热点。深度学习技术开启了以前超出计算机极限的应用。这也吸引了 世界上一些最富有的公司 的兴趣和资金。Larson 说“我认为随着万维网的出现经验式或归纳式以数据为中心的方法占据了上风而溯因法和演绎法一样基本上被遗忘了。”但是机器学习系统也存在严重的局限性包括缺乏因果关系边缘情况处理不好和对数据的需求过多。同时随着研究人员尝试将机器学习应用到医疗和金融等敏感领域这些限制正变得越来越明显问题也越来越多。溯因推理与人工智能的未来之路包括强化学习先驱 Richard Sutton 在内的一些科学家认为我们应该坚持使用能够随着数据和计算的可用性而扩展的方法即学习和搜索。举例来说随着神经网络的规模越来越大数据也越来越丰富它们最终会超越极限带来新的突破。Larson 驳斥了数据驱动的人工智能的大规模应用认为“作为一种智能模型其本质是有缺陷的”。他重申尽管搜索和学习都可以提供有用的应用但是它们是基于非溯因推理。“如果没有推理思维的革命搜索就无法扩展到常识或溯因推理中而这还没有发生。与机器学习类似学习方法的数据驱动特性意味着推理必须来自数据可以说人们经常进行的许多智能推理显然不是这样的”Larson 说“我们不会仅仅通过观察过去比如说从大型数据集中获取的数据就能弄清楚对未来的结论、思考或者推理。”另一些科学家认为混合人工智能 将符号系统与神经网络结合起来将有望克服深度学习的缺陷。IBM Watson 就是一个例子它在 《危险边缘》Jeopardy!美国电视智力问答节目中击败了世界冠军而闻名。最新的概念证明了混合模型在单独的符号人工智能和深度学习表现不佳的应用中 有很好的效果。Larson 认为混合系统可以填补仅靠机器学习或仅靠规则方法的空白。身为自然语言处理领域的研究人员他目前正致力于将大型与训练语言模型如 GPT-3与知识图谱形式的语义网方面的旧工作相结合以便在搜索、问题回答和其他任务中创造更好的应用。“但是演绎 - 归纳组合并不能让我们达到溯因因为这三种类型的推理在形式上是不同的所以它们不能相互还原也不能结合起来得到第三种。”他说。Larson 在《人工智能的神话》一书中将规避溯因的努力称为“推理陷阱”。他写道“不管计算机的速度有多快单纯的归纳启发技术比如机器学习还是不够的。像 Watson 这样的混合系统也达不到一般的理解”“在一个开放的场景如 语言理解这需要关于世界的知识而溯因是核心和不可替代的。正因为如此将演绎与归纳策略相结合的尝试总是注定要失败……这一领域需要一个关于溯因的基础理论。与此同时我们却被困在了陷阱里。”人工智能的商业化人工智能社区对数据驱动方法的狭隘关注使得研究和创新集中于那些拥有 海量数据存储和雄厚财力 的少数组织。当深度学习成为一种将数据转换成有利可图的产品的有效方式大型科技公司正陷入雇佣人工智能人才的激烈竞争他们通过给研究人员提供丰厚的薪酬使得他们离开学术界。这一转变使得非营利性实验室和小公司难以参与到人工智能的研究。Larson 说“当你将人工智能研发与大型数据集的所有权和控制权联系在一起时初创企业就会面临进入壁垒因为他们并不拥有数据。”他补充说数据驱动的人工智能从本质上讲就是在商业领域创造了“赢家通吃”的局面。反过来人工智能的垄断也阻碍了科学研究。由于大型科技公司集中精力创造可以利用其巨大的数据资源以保持竞争优势的应用没有什么动力去探索其他人工智能方法。这一领域的工作开始倾向于狭隘而有利可图的应用而忽视了可以带来新发明的努力。“目前没有人知道如果没有如此庞大的集中式数据集的情况下人工智能将会是什么样因此对于那些想要通过设计出不同、更强大的人工智能来竞争的企业家来说没有什么真正的机会。”Larson 说。Larson 在他的书中警告了当前的人工智能文化“它在不断编织人工智能神话的同时从低垂的果实中榨取利润。”他写道通用人工智能进展的假象可能会导致另一个 人工智能的冬天。不过尽管人工智能的冬天可能会抑制人们对深度学习和数据驱动的人工智能的兴趣但它也能为新一代的思想家探索新的途径开辟道路。Larson 希望科学家们开始超越现有的方法。Larson 在《人工智能的神话》一书中提供了一种推理框架它揭示了当今该领域所面临的挑战并帮助读者看穿通用人工智能或 奇点 进展的夸大说法。“我的希望是非专业人士有一些工具与这种非科学的必然想法作斗争我的同事和其他人工智能科学家将此视为解决这一领域所面临的现实问题的警钟。”作者介绍Ben Dickson软件工程师也是 TechTalks 的创始人作家撰写关于科技、商业和政治方面的文章。原文链接https://bdtechtalks.com/2021/09/20/myth-of-artificial-intelligence-erik-larson/未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
