对人工智能的五大误解（包括专家）
julien-tromeur-6UDansS-rPI-unsplash
过去几十年，人工智能技术的历史在人们的极度乐观和希望破灭间循环往复。当今的AI系统已经可以在广泛的领域中执行复杂的任务，例如数学，游戏和逼真的图像生成。但是当我们接近AI的一些早期目标时，如家庭机器人和自动驾驶汽车，巨大的失望接踵而来。
圣达菲研究所戴维斯复杂性教授，《人工智能：人类思维指南》的作者梅拉妮·米切尔（Melanie Mitchell）说，人工智能的“失望循环”部分是由于人们对AI和自然智能的错误假设 。
米切尔（Mitchell）在题为“为什么AI比我们想象的更难”的新论文（链接在文末）中提出了关于AI的五个常见谬论，这些谬论不仅在公众和媒体之间，甚至在专家之间引起误解。这些谬论给人一种错误的信心，使我们对实现人工智能，可以与人类的认知和一般问题解决技能相匹配的人工智能系统盲目乐观 。
误解一：专用AI到通用AI只是规模不同
我们今天拥有的那种AI可以很好地解决狭窄的问题。他们可以在围棋和国际象棋上超越人类，以超乎寻常的准确性在X射线图像中发现癌变模式，并将音频数据转换为文本。但是设计能够解决单个问题的系统并不一定会使我们更接近解决更复杂的问题。米切尔（Mitchell）将第一个谬论描述为“狭义情报与普通情报是连续的”。
米切尔在论文中写道：“即使人们在狭窄的区域内看到一台机器在做奇妙的事情，他们通常会认为该领域对通用AI的发展要远得多。”
例如，当今的 自然语言处理 系统在解决许多不同问题（例如翻译，文本生成以及对特定问题的问答）方面已经走了很长一段路。同时，我们拥有可以将语音数据实时转换为文本的深度学习系统。每一项成就的背后都是数千小时的研发（以及在计算和数据上花费的数百万美元）。但是AI社区仍然没有解决创建能够参与开放式对话而又不会长时间失去连贯性的座席的问题。这样的系统不仅需要解决较小的问题，还需要解决更多的问题。它需要常识，这是AI尚未解决的关键挑战之一。
误解二：简单的事情总能被自动化取代
对于人类而言，我们通常认为只有聪明人才能完成那些困难的事情，而且需要多年的学习和实践。例如解决微积分和物理问题，棋艺达到大师级水平，或背诵很多诗之类的任务。但事实表明这些困难的问题恰恰是AI所擅长的。
数十年来的AI研究证明，那些需要自觉关注的艰巨任务更容易实现自动化。恰恰是那些简单的任务，我们认为理所当然的事情，却很难自动化。米切尔（Mitchell）将第二个谬误描述为“容易的事情很容易，而艰难的事情很难。”
“我们人类不加思索地做的事情——观察世界，了解我们所看到的东西，进行对话，在拥挤的人行道上走而不会撞到任何人，这对机器来说是最艰巨的挑战，”米切尔写道。相反，让机器去做对人类来说非常困难的事情通常会更容易；例如，解决复杂的数学问题，精通国际象棋和围棋之类的游戏以及在数百种语言之间翻译句子对于机器来说都变得相对容易了。”
例如，视觉。数十亿年来，生物体已经开发出用于处理光信号的复杂设备。动物会用眼睛观测周围的物体，导航周围的环境，寻找食物，检测威胁并完成许多其他对生存至关重要的任务。我们人类从祖先那里继承了所有这些能力，并且下意识地使用它们。但是，其基本机制确实比那些让高中和大学里感到沮丧的大型数学公式更为复杂。
举个例子：我们仍然没有像人类视觉一样通用的计算机视觉系统。我们设法创建了 人工神经网络 ，可以大致模拟动物和人类视觉系统的各个部分，例如检测物体和分割图像。但是它们很脆弱，对许多不同种类的干扰都很敏感，并且它们无法模仿生物视觉可以完成的全部任务。例如，这就是为什么无人驾驶汽车中使用的计算机视觉系统需要使用激光雷达和地图数据等先进技术进行补充的原因。
另一个被证明是非常困难的领域是感觉运动技能，如果不进行明确的培训，人们将掌握这些技能。想想如何处理物体，行走，奔跑和跳跃。这些是您可以在没有意识的情况下完成的任务。实际上，在走路时，您可以做其他事情，例如听播客或打电话。但是，对于当前的AI系统而言，这些技能仍然是一项巨大而昂贵的挑战。
米切尔写道：“人工智能比我们想象的要难，因为我们在很大程度上意识不到自己思考过程的复杂性。”
第一时间获取面向IT决策者的独家深度资讯，敬请关注IT经理网微信号：ctociocom
除非注明，本站文章均为原创或编译，未经许可严禁转载。
相关文章：
关于作者Cashcow
隐私已经死去，软件正在吃掉世界，数据即将爆炸
