简单分析广义的人工智能是什么

Rus说：“机器人有几种方法使用牛顿力学等模型来计算如何移动，如何不摔倒，如何抓住物体而不掉落物体。”“如果机器人必须规划一条从A点到B点的路径，机器人可以查看空间的几何形状，然后它就可以弄清楚如何绘制一条不会撞到任何障碍物的线并遵循这条线。”这是一个不使用机器学习的计算机决策的例子，因为它不是数据驱动的。或者，例如，教机器人开车。例如，在基于机器学习的解决方案中，教机器人如何完成这项任务，机器人可以观察人类如何操纵或绕过弯道。它会根据弯道的浅程度学会稍微或很多地转动车轮。相比之下，在学习驾驶的非机器学习解决方案中，机器人只需查看道路的几何形状，考虑汽车的动力学，并用它来计算在车轮上应用的角度，使汽车在路上而不偏离。然而，两者都是人工智能在工作中的例子。“在基于模型的情况下，你看看几何形状，思考物理，然后计算出驱动应该是什么。在数据驱动的[机器学习]案例中，你看看人类做了什么，你记住了这一点，将来当你遇到类似情况时，你可以做人类做的事情，”Rus说。“但这两种解决方案都让机器人在世界上做出决定和移动。”

关于机器学习是如何运作的

Rus说：“当你进行人们等同于人工智能的数据驱动机器学习时，情况就大不相同了。”“机器学习使用数据来计算一个巨大的网络（称为人工神经网络）的权重和参数。”顾名思义，机器学习是软件从数据中学习的想法，而不是仅仅遵循人类编写的规则的软件。内基梅隆大学机器学习系教授Rayid Ghani说：“大多数机器学习算法在某种程度上只是在计算一堆统计数据。”在机器学习之前，如果你想让计算机检测到一个物体，你必须用乏味的细节描述它。例如，如果您希望计算机视觉识别停止标志，则必须编写描述标志表面颜色、形状和特定特征的代码。“人们认为，对于描述它的人来说，这将是详尽无遗的。机器学习中发生的主要变化是人们更擅长举例说明事情，”Ghani说。“人们编写的代码不是为了描述停止符号，而是为了区分A类和B类中的东西[例如，停止符号与屈服符号]。然后，计算机找出了区别，这更有效率。”

我们应该担心人工智能超过人类智能吗？

从某种意义上说，Rus说，人工智能下的研究用于开发工具，而不是那些你可以在世界上自主释放的工具。她指出，ChatGPT令人印象深刻，但它并不总是正确的。她说：“它们是为人们带来见解、建议和想法的工具。”“这些见解、建议和想法并不是最终的答案。”此外，Ghani说，虽然这些系统“似乎很智能”，但他们真正要做的就是查看模式。“它们只是被编码为将过去发生的事情放在一起，并以新的方式把它们放在一起。”计算机不会自己知道摔倒是坏事。它需要收到人类程序员的反馈，告诉它很糟糕。此外，机器学习算法也可能很懒惰。例如，想象一下给出一个男人、女人和非二进制个体的系统图像，并告诉它区分这三个人。它会找到不同的模式，但不一定是有意义或重要的模式。如果所有男性都穿着一种颜色的衣服，或者所有女性的照片都是在相同的颜色背景下拍摄的，那么颜色将是这些系统所体现的特征。“这不明智，它基本上是说‘你让我区分三套。最懒惰的区分方式是这个特征，”Ghani说。此外，一些系统“旨在为许多这些东西提供互联网上的大多数答案。这不是我们在世界上想要的，接受通常种族主义和性别歧视的大多数人的答案。”在他看来，仍然需要做大量工作来为特定用例定制算法，使人类能够理解模型如何根据输入达到某些输出，并努力确保输入数据是公平和准确的。

人工智能的下一个十年会怎样？

计算机算法擅长获取大量信息并进行综合，而人们擅长一次查看一些东西。因此，可以理解的是，计算机往往更擅长浏览10亿份文档并找出反复出现的事实或模式。但人类能够进入一个文档，获取一些小细节，并通过它们进行推理。Ghani说：“我认为被过度炒作的事情之一是人工智能在不受控制的环境中独立运作，在那里也发现了人类。”在非常受控的环境中——例如根据优化利润的最终目标计算一定范围内食品的价格——AI效果非常好。

 

然而，与人类的合作仍然很重要，他预测在未来几十年里，该领域将在旨在协作的系统方面取得很大进展。他说，药物发现研究就是一个很好的例子。人类仍在实验室测试中做大部分工作，计算机只是使用机器学习来帮助他们确定要做什么实验和查看哪些互动的优先级。AI是应该增强和增强我们运营方式的工具，”Rus说。“像任何其他工具一样，这些解决方案本质上不是好或坏。我们选择用它们来做它们。