謹慎一點是必須的 我們對人工智能能夠信任到什么程度？

• 2017年9月13日 ZhouXun來源：網(wǎng)易智能 516 28
• 繁體

人工智能是典型的軟件主導(dǎo)，而軟件是容易出現(xiàn)漏洞的?？紤]到這一點，我們?nèi)绾沃廊斯ぶ悄鼙旧硎亲銐蚩煽咳ネ瓿晒ぷ鞯?或者更確切地說，我們對于人工智能的成果能夠信任到什么程度?

這些問題表明，在各種與人工智能相關(guān)的算法和技術(shù)之間存在必要的設(shè)計權(quán)衡。這么多人工智能可替代方法的存在表明，大多數(shù)人工智能架構(gòu)都遠非那么一致或有凝聚力。更糟糕的是，對于推理和學(xué)習(xí)系統(tǒng)來說哦，它們都需要高度的基于上下文的個性化。當然，這也是在說人工智能測試，因為每一種算法和它的個性化實現(xiàn)都會帶來獨特的深度測試的挑戰(zhàn)，即使是在單元級別。

一個高級人工智能測試評估了正確識別和分類圖像的能力。在某些情況下，這項測試已經(jīng)超越了人類做出此類評估的能力。例如，在人面數(shù)據(jù)庫(LFW)中的數(shù)據(jù)集用13000張圖片支持人臉識別技術(shù)的訓(xùn)練，并使用用神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)來校準面部識別機器學(xué)習(xí)工具。新的自動化人工智能圖像識別工具可以使用這個數(shù)據(jù)表在統(tǒng)計學(xué)上超越人類的面部識別能力。然而，眼前的任務(wù)本質(zhì)上是感性的。這些任務(wù)通過數(shù)學(xué)上相關(guān)的幾何圖形來區(qū)分，但沒有任何形式的高階認知推理。此外，盡管它將選擇性識別的準確率與人類能力進行了比較，但在這個測試中，底層代碼基礎(chǔ)的其他關(guān)鍵任務(wù)方面仍未得到檢測。

代碼之外

機器學(xué)習(xí)的測試變得更加復(fù)雜，因為在學(xué)習(xí)環(huán)境中需要大量的數(shù)據(jù)集來“訓(xùn)練”人工智能。不僅人工智能應(yīng)該被證明是無懈可擊的，在訓(xùn)練中使用的數(shù)據(jù)理論上也應(yīng)該具有最高的質(zhì)量。然而，在現(xiàn)實世界中，數(shù)據(jù)集往往是不平衡的、稀少的、不連貫的，而且往往是不準確的。下面的圖片表明，信息經(jīng)常是由解決歧義得到的。即使在受控條件下，使用單個或多個經(jīng)過驗證的數(shù)據(jù)集來訓(xùn)練和測試分類器也會產(chǎn)生顯著的差異。因此，即使是對分類器的受控測試也會變得非常復(fù)雜，必須仔細研究。

其他與信任相關(guān)的因素遠遠超出了代碼的范圍。因為編程既是一種創(chuàng)造性行為，又是一種句法科學(xué)，因此它需要一定程度的翻譯解釋。程序員可以將有意的或無意的文化或個人偏見注入到產(chǎn)生的人工智能代碼中。考慮一下程序員的情況，他們創(chuàng)造了一種非常精確的面部識別程序，但忽略了皮膚色素沉著是識別標準中的一個決定性因素。這一動作會使結(jié)果偏離原本由皮膚顏色強化的功能。相反，罪犯的再犯率扭曲了一些以美國為基地的監(jiān)獄釋放決定。這意味著，一些在押人員比其他人更有機會得到提前釋放的數(shù)據(jù)——而無視了普遍的情況。語義上的不一致性可能會進一步危害人工智能代碼的中立性，尤其是在涉及自然語言處理或慣用語音識別的情況下。

一些人認為，所有的IT從業(yè)者都是網(wǎng)絡(luò)安全從業(yè)者。這也對人工智能的發(fā)展和實施產(chǎn)生了巨大的影響。從網(wǎng)絡(luò)安全的角度來看，“誰知道機器知道什么、機器是什么時候知道的?”的問題就變得尤為重要。機器學(xué)習(xí)的東西往往不是很容易被觀察到的，而是被深度編碼的。這不僅會影響新入網(wǎng)的數(shù)據(jù)，而且——在物聯(lián)網(wǎng)中——這些數(shù)據(jù)會讓執(zhí)行器觸發(fā)激活器，從而將“學(xué)習(xí)”轉(zhuǎn)化為某種行為。由于缺乏具體的刺激身份和出身，整個人工智能引發(fā)的物聯(lián)網(wǎng)刺激反應(yīng)機制也變得同樣不確定。在任務(wù)關(guān)鍵型系統(tǒng)中產(chǎn)生的行為需要嚴格的驗證。

第三次浪潮

Launchbury預(yù)言了一個尚未完善的人工智能第三次浪潮，他將其命名為“語境適應(yīng)”。這項技術(shù)需要更多的工作，將感知、學(xué)習(xí)和推理的優(yōu)勢集中在一起，并支持跨領(lǐng)域抽象的更高水平。

2017年5月，年度本體峰會被命名為“人工智能、學(xué)習(xí)、推理和本體”。印證了Launchbury的觀察，峰會公報草案得出結(jié)論說，到目前為止，大多數(shù)人工智能方法，包括機器學(xué)習(xí)工具和使用的計算技術(shù)都是在運用計算技術(shù)的亞符號水平上運行，是不接近人類思維的。盡管在許多形式的人工智能中已經(jīng)取得了巨大的進步，但在象征層面上對知識表現(xiàn)的全面處理還有待于成熟。相應(yīng)地，本體作為正式的語義組織工具的實用性，對人工智能及其最終測試環(huán)境的優(yōu)勢有限。

語義網(wǎng)絡(luò)涉及到以節(jié)點和弧的圖形形式來表現(xiàn)知識。它提供了一種理解和視覺化符號之間關(guān)系的方式，通常用積極的詞語來表示。在不同的上下文語境中，這些詞表達不同的意思。人工智能在很大程度上是象征性的，它需要以一種更加正式的方式來處理應(yīng)用語義，以實現(xiàn)第三浪潮的狀態(tài)。在這種情況下，人工智能就變成了非線性的，因果關(guān)系通過多個執(zhí)行線程逐漸解耦。這就導(dǎo)致了復(fù)雜的自適應(yīng)系統(tǒng)(CAS)的建立，這種系統(tǒng)往往會受到非線性網(wǎng)絡(luò)行為的影響。

在CAS中，隨著時間的推移，新的行為會基于環(huán)境的情況出現(xiàn)。在這里，可以有多個自組織的路徑通向成功或失敗，所有這些路徑都是由高度多樣化的節(jié)點和弧線所觸發(fā)的，這些節(jié)點和弧線可以隨著時間的推移而變化、增長、收縮和消失。這種網(wǎng)絡(luò)在使用嵌入式軟件時，違背了傳統(tǒng)的遞歸單元測試，而這與數(shù)據(jù)是相關(guān)聯(lián)的。這是因為，在CAS中，整體往往不僅僅是各部分的總和。相反，從應(yīng)用網(wǎng)絡(luò)科學(xué)出現(xiàn)的新方法，提供了一種更好的方法來評估隨時間推移而出現(xiàn)的動態(tài)人工智能行為。與圖論相關(guān)的時間指標逐漸被更好地理解為一種描述動態(tài)行為的方法，這些動態(tài)行為是一些未能遵循線性路徑來達到預(yù)期效果的行為。

除非采用可靠的方法來評估人工智能的信任程度，不然喊口號就必須謹慎。對于尚不那么可靠的技術(shù)，如果盲目信任則有可能會造成誤導(dǎo)，有時甚至?xí)?dǎo)致危險的結(jié)果。

延伸閱讀

推薦閱讀

猜您喜歡