中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

我們目前并不需要過多擔心被人工智能搶走飯碗，更應該考慮的是：如何運用人工智能幫助我們更高效的工作？我們是否需要更多的人工智能訓練師，而不是醫生、工程師？如果人工智能預測錯誤，誰來承擔責任……

AlphaGo打敗李世石已經有兩年多的時間了，在這兩年中，人工智能從各個角度入侵我們的生活，從各種語音助手到智能音箱，從智能手表到智能家電，從機器翻譯到刷臉支付。落地應用一波未平一波又起，人們接觸得多了，了解了人工智能有多智障，便也不再擔心是否會被人工智能搶去飯碗了。

但，真的是這樣嗎？人工智能走什么時候能走出智障的圈子？

這還要從人工智能的三大流派說起。

三大流派

符號學派

1956年，在達特茅斯學院，香農（Claude Shannon，信息論創始人）和其他幾個年輕學者，一起討論了如何用機器來模仿人類在各個方面的智能，并在討論中提出“人工智能”一詞，這年就是人工智能的元年。此后的40年間，人工智能所取得的輝煌成績都與符號學派密不可分。

當時人們認為“機器要像人一樣思考才能獲得智能”，而人類的認知都是基于符號的，思維只是在符號表示上的一種運算。所以應該先研究清楚人類的認知系統，進而用機器模仿人類的認知過程，并將代表認知的符號輸入這些機器，來達到模擬人類智能的目的。

符號學派認為人的物理能力和心智能力是分開的，而人工智能就是要用計算機程序來模擬心智能力，而不是物理能力。正因此，智能應該是一種特殊的軟件，與實現它的硬件并沒有太大關系。這就好比一個會開車的人，他不能讓一個沒有輪子的車跑起來，但你不能因此說他不會開車。這個人具有的開車的能力，就是智能（軟件），與車能不能開（硬件）無關。

基于這些理念，符號學派在經歷了一些波折后，在國際象棋上（1997年）和《危險》（2011年）中戰勝了人類（《危險》是一個美國電視節目，主持人會給參賽者一系列線索，參賽者要用最短的時間猜出主持人描述的人或事物）。

連接學派

智力活動在符號學派看來是一款軟件，這款軟件的運作需要從外界獲得大量的知識輸入，這樣的輸入在20世紀80年代相當的費時費力，成為了制約符號學派發展的瓶頸。另外一群人認為，把智力看成是一款軟件是遠遠不夠的。

人類智力是在大腦的活動下產生的，而大腦是由上百億個神經元細胞通過錯綜復雜的連接構成的。所以人們很自然的想到，我們是不是可以模擬大量神經元的信號傳輸方式來模擬大腦的智力呢？

連接學派通過算法模擬神經元，并把這樣一個單元叫做感知機，將多個感知機組成一層網絡，多層這樣的網絡互相連接最終得到神經網絡。我們可以根據要解決的實際問題來構建神經網絡，進而用數據不斷訓練這一網絡，調整連接權重來模擬智能。

現在炙手可熱的深度學習，可以看做是連接學派的延伸，已經在語音識別、圖片處理、模式識別等領域取得突破性進展。

行為學派

與上面兩個學派不同的是，行為學派把目標聚焦在相對低等的生物身上，他們發現即便是昆蟲這種比人類簡單得多的生物，也表現出了非凡的智能，比如可以靈活地行走并躲避障礙物，快速精準地捕食獵物。從這點出發，行為學派模仿動物的身體，在不需要大腦干預的情況下，僅憑四肢和關節的協調來適應環境。

另一方面，生命體在演化的過程中會不斷變異，而環境會對這些變異進行選擇，讓更適應環境的變異繁衍下去，同時淘汰不適應環境的變異。在這一變異和選擇的過程中生物逐漸從簡單走向復雜，從低級走向高級。

基于此，霍蘭（John Holland）提出了遺傳算法：在計算機中，用一堆二進制串來模擬自然界的生物體，改變這些二進制串來模擬基因突變，用適應度函數來模擬大自然的優勝劣汰，最終找到最優解。

這一學派在機器人領域成果卓著，例如美國波士頓動力公司研發的“big dog”，“開門機器人”

What-How-Why：“是什么”、“該怎么”、“為什么”

舉一個醫療診斷的例子

有一種癌癥，叫黑色素瘤，這是皮膚腫瘤中惡性程度最高的瘤種，容易出現遠處轉移，可以致死，所以早期的診斷非常重要。但是，它的初期表現，跟皮膚上長了一個普通的“色素痣”一樣。想要在早期診斷黑色素瘤，最穩妥的方式是做活組織切片檢查，可你總不能每長一個痣就去動刀。

好在黑色素瘤和普通色素痣的外觀還是有區別的，總結說來，有以下四個特征：

• 一般都非對稱
• 邊緣不規則
• 顏色可能不統一，更富于變化
• 直徑通常大于6毫米

一個皮膚科醫生，要學習上面四個規則，來給患者進行診斷。那計算機不是也可以學習這些規則，然后取代人類嗎？

“是什么”和“該怎么”

1945年，英國心理學家吉爾伯特·賴爾（Gilbert Ryle）在演講中提到了這兩種知識：

一個孩子知道自行車有兩個輪子，輪子里面都是空氣，轉動把手就可以拐彎……他只是知道了“是什么”，但還是不會騎車；如果一個孩子在幾次摔倒之后學會了騎車，這時候，他就知道了“該怎么”。知道“是什么”是基于事實和概念；而知道“該怎么”是基于技能和經驗。知道“該怎么”，可不一定知道“是什么”，你讓一個會騎車的人講解一下他是怎么騎車的，可能他根本說不清楚。

我們要把一件事物“是什么”告訴計算機，一種方法是把這個事物方方面面的描述都告訴計算機，它就知道了“是什么”，至少理論上是這樣的。比如，你要讓計算機來判斷這是一個色素痣還是一個黑色素瘤，你只要把那幾個特征告訴計算機就可以了。

可事實遠比這復雜得多，因為把上面的四個特征翻譯成算法語言，本身就不太容易——到底多不對稱才叫“不對稱”？怎么不規則才算“不規則”？而且符合那四個特征的也未必是黑色素瘤，不符合的也可能是。所以最后算下來，計算機的準確度還是不如人類專家。

還有第二種方法，就是深度學習。通過深度學習，我們甚至不用去制定規則，只要找出一套合適的模型，然后用大量的數據進行訓練，模型自己就能學會判斷。事實上，這種方式訓練出的神經網絡，已經在黑色素瘤的識別準確率上遠高于人類專家。

這樣說來，在“是什么”這一塊，計算機已經可以超越人類了；而像騎自行車這類“該怎么”就是行為學派擅長的東西，可能未來也會超越人類。但人工智能有個致命的問題，就是不知道“為什么”。

“為什么”

神經網絡可以在黑色素瘤的識別這件事上做得比人類好，但只不過是依靠算法給出輸入和輸出之間的對應關系，它本身根本不理解病變。人類醫生不僅僅會告訴你這里有一個病變，他還會告訴你用藥的時候要注意周圍的危險區域，他還會發現沒有癥狀、但是已經產生的腫瘤……因為人類能理解病變。

人類比計算機更厲害的地方在于，我們不僅能理解，我們還會問“為什么”。

為什么會有這些病變？為什么黑色素瘤邊緣是不規則的？為什么會變顏色？為什么容易出現遠處轉移？正是因為我們能問出為什么，我們才能不斷深入研究，不斷獲得新的知識，不斷找到新的治療方法，不斷地知道新的“是什么”和“該怎么”。

人工智能只能解決一個問題，但是不能創造一個問題。

共生

盡管AlphaGo Zero可以在自我對弈的前提下戰勝所有人類，但AlphaGo Zero還是在有限的棋盤上，在有限的規則下計算。它只知道“該怎么”，而不知道圍棋“是什么”，更不知道“為什么”。

更何況真實的世界有無限多的自由度，沒有明確規則，你沿著任何一個方向深入下去都會碰到各種各樣新的可能性。這些新的東西，才更有價值。

我們目前并不需要過多擔心被人工智能搶走飯碗，更應該考慮的是：如何運用人工智能幫助我們更高效的工作？我們是否需要更多的人工智能訓練師，而不是醫生、工程師？如果人工智能預測錯誤，誰來承擔責任……

我們需要人工智能，但拓展知識的邊界，還得靠我們自己。

參考文獻：

[1]《科學的極致：漫談人工智能》. 集智俱樂部.

[2]The algorithm will see you now. Siddhartha Murherjee. The New Yorker. April 3, 2017. （https://www.newyorker.com/magazine/2017/04/03/ai-versus-md）

本文由 @吹個大氣球 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自網絡