人工智能还不错，人工智障就算了

 

大家好，这里是Data星球！

在星际日期 24 世纪的 47025.4，一位名为戴塔的星际机器人中尉指挥官被他的反叛机器人“兄弟”洛尔征召加入了反叛人类的阵营。这个情节在电影《星际迷航》中引起了人们的关注和恐慌，因为这似乎意味着机器在不久的将来可能会废黜人类的统治。虽然这只是科幻电影中的情节，但在现实生活中，智能机器已经开始逐步接管人类的一些工作，这让人们不由得感到担忧。

机器学习作为人工智能的一个具体领域，已经在多个领域中发挥着重要作用，从医疗诊断到寻找新的亚原子粒子。其中，深度学习作为机器学习中最强大的技术之一，已经被广泛应用于语音识别、语言翻译、图像识别、自动驾驶、新材料设计和股市趋势预测等领域。计算神经科学家塞尔在一篇文章中写道，由于计算机可以轻松处理大量数据，深度学习不仅能够改变现代社会，还可能引发从粒子物理学和有机化学到生物学研究和生物医学应用等学科的科学革命。

近年来，越来越多的科学文献报道了关于机器学习、深度学习和人工智能的研究成果。这些研究涵盖了医疗保健、流行病学、材料科学、基础物理、量子计算、分子作用模拟、流体力学、临床心理学、经济学、视觉科学以及药物发现等多个领域。

这些论文总结了机器学习目前已经取得的重要成就，并对未来的发展做出了预测。然而，许多研究也指出了智能机器的局限性。例如，一些机器所作出的正确答案只是通过学习“捷径”，而不是真正理解问题。

此外，智能机器也容易被误导，因为它们的学习是基于数据的，而数据本身可能存在误导性。此外，大部分智能机器只能在特定领域高效地完成特定任务，而缺乏人类的灵活性和普遍认知能力。比如，虽然一台电脑能在象棋比赛中战胜大师，但它却无法玩扑克。

计算机学家梅兰妮・米歇尔在她的书《人工智能：人类思维指南》中指出：“与人类相比，当今大多数人工智能的‘学习’不能在不同任务之间转换。”

米歇尔进一步解释说，要想深入探索人工智能，还有很多障碍需要克服。例如，机器无法像人类一样对世界进行全局的思考和推理。

米歇尔认为，“人们往往高估了人工智能的先进性，同时低估了自身智力的复杂性。”人们害怕超级智能机器接管世界，但这种担忧可能是不合理的。行为经济学家曾说过：“我们应该害怕的不是智能机器，而是机器在我们无法理解的方向上作出的决策。相比于机器的智能，我更害怕机器的愚蠢。”

机器学习进步迅速

机器学习是一种通过算法训练计算机来自动识别模式和进行预测的方法。这种技术依赖于各种计算系统，其中包括神经网络，这些网络的处理单元模仿了人类大脑中的神经细胞。神经网络通过修改各层神经元之间的关联强度来传递输入信号，最终将识别到的信息传递到输出层。

在过去的十年中，主流的机器学习方法是深度学习，它基于多层神经网络，并可用于模式识别和分类任务。这种方法已经被广泛应用于许多领域，包括医学、工业和科学。在一些系统中，机器学习是基于监督学习的，这意味着训练机器所使用的是带标签的数据；而非监督学习则是在机器未被告知数据集含义的情况下进行的，机器需要自行发现分类或行为的模式。此外，还有一种称为强化学习的方法，它通过奖励机制来帮助机器学习，例如在游戏中获胜或在文件中获得高分。在围棋比赛中，强化学习已经展示了它的强大实力。

虽然机器学习在围棋方面取得了很多成就，但是在医学、工业和科学等领域的实际应用也非常令人瞩目。例如，训练有素的深度学习系统可以在CT扫描中识别出被放射科医生忽略的癌症信号，这为临床医生提供了重要的支持。

在医药领域，机器学习已经成为帮助研究人员改善治疗效果标准测试的重要工具。传统的医学试验测试疾病治疗效果通常依赖于测试结果平均值来判断治疗是否有效，但这种方法可能会忽略对个别患者有益的因素。举例来说，某项减肥治疗并没有减少糖尿病患者心脏问题的发生，但根据传染病学家维姆肯和计算机科学家凯利的研究，机器学习算法成功识别出了某一小部分患者在减肥过程中心脏问题得到了改善。

此外，机器学习在发现新药物的测试方面也有所突破。在最近的药理学和毒理学年度回顾文章中，化学家朱浩表示：“深度学习在药物发现方面具有广泛的应用。在这个大数据时代，深度学习所支持的人工智能的进展为药物发现带来了巨大的前景。”

类似于药物发现，机器学习在发现新型工业材料方面也展现出了高效性：通过机器学习算法，可以简化寻找耐磨耐拉的“超硬”材料的过程。材料学家斯巴克斯指出：“这个研究体现了机器学习在新结构材料的发现方面扮演着重要角色。”

比起机器智能，我更怕机器智障

机器学习不仅在实际应用领域引起了广泛关注，还为基础科学研究提供了极大的便利。例如在大型高能粒子加速器，如大型强子对撞机（LHC）中，当质子相撞时会产生包含其他亚原子粒子的复杂粒子流，科学家需要从这些数十亿次质子相撞的流中精确地挑选出有价值的内容。这就好比在用消防高压水枪喝水时决定吸入哪些分子，机器学习可以帮助科学家从背景噪声中分辨出有价值的事件，而其他机器算法则可以帮助识别撞击碎片中的粒子。

物理学家盖斯特及其同事指出：“深度学习已经对 LHC 的数据分析产生了影响，开创了机器学习和粒子物理学领域之间的新合作浪潮。”量子物理学家卡利欧在另一篇文章中提到，机器学习的方法不仅在粒子物理领域有应用，还在宇宙学、量子计算等其他基础物理研究领域中得到应用。

“随着机器学习技术在实际应用领域的兴起，科学家们开始探索机器学习在基础研究中的潜力。”卡利欧和他的合作者在去年的一篇综述中写道。

学习的局限性

机器学习是一项令人印象深刻的技术，但也存在着缺陷。科学家们不应该因其成就而被蒙蔽，而是需要持有健康和批判性的态度，既要分析这些方法的突破点，也要认识它们明显不擅长的地方。

机器学习的“智能”是受其所学数据性质的限制的。例如，通过训练的机器可以根据历史歧视数据对特定人群产生偏见，这可能会影响其求职筛选的结果。此外，机器的准确性通常是指其前五个猜测中是否有正确答案，而不是真正理解问题。

有时候，看似聪明的机器能够准确地完成任务，并非因为其像人类一样理解问题，而是找到了获得正确答案的捷径。这些捷径可能导致机器被欺骗，因为它们容易被敌对方针对。此外，人类也难以解释机器的错误，因为深度神经网络的运行原理很难被理解。

虽然机器的智能方式与人类不同，但科学家需要更完整地理解人类智能，以研究更强大的人工智能替代品。因此，我们不必过于担心机器将会很快超越人类。总的来说，机器学习是一项令人兴奋的技术，但也需要谨慎和批判性的态度来评估其潜力和局限性。

 

关注"Data星球"公众号，回复"电子书"获取免费python基础教程书籍，回复‘gpt’免费使用chatgpt