神助攻or猪队友:靠AI“僚机”脱单到底有多难?

640?wx_fmt=gif

640?wx_fmt=jpeg

随着AI技术的发展,它在哪个领域出现都不足以引发“震惊部”的关注了。

比如《黑镜》第四季中,就描绘了这样的情节:在未来的世界里,用户可以和“AI相亲系统”进行交互,系统会比对各种数据信息,最终通过算法找到匹配率99.8%的完美对象。

AI配对听起来简单高效、心动率高,而且,这项技术距离我们并不遥远。

640?wx_fmt=png

国外的Viola.AI、Coffee Meet Bagel、Bernie、Loveflutter,国内的世纪佳缘、百合网、陌陌、网易花田等,都拥有自己的人工智能匹配系统,能够根据用户输入的年龄、住址、年薪、兴趣、消费习惯等大数据来进行速配。

不过真正应用起来,AI匹配也有挺多无语之处。

靠AI找真爱:看起来很美

目前市面上的主流AI约会平台,大致有两种匹配手段:一种是通过对社交网络和用户提交的数据进行充分挖掘和预测,从而提高配对水平。一种是结合通过面部识别、DNA检测等生物手段,来缩小线上和线下吸引的差距。

两者结合起来破译恋爱密码的更为常见。比如Pheramor这家公司的核心业务是通过用户的DNA来促成匹配,同时也会训练人工智能挖掘用户的社交媒体,以此了解双方的性格。

但现实并没有企业官网上描绘的那样尽善尽美、简单易上头。

首先,社交媒体数据有一定的失真成分。由个人提供或网络上呈现的信息,难免会与真实的性格出现差异,AI在语义理解方面无法全面深入地进行用户画像,匹配的精准度自然也经不起推敲。

640?wx_fmt=png

更何况,在线约会平台并没有动力去创造和优化完美的匹配算法。因为如果算法匹配度很高,用户们往往会在一见倾心之后“奔现”离开,平台也就失去了盈利空间。所以商业上最佳的方式就是允许一定的偏差率,介绍那些可能足够好、但并不非常完美的对象,在数次约会不如意之后,用户会再次回到平台上开启下一段尝试。

而如果真有大爱无疆的约会平台,怀抱着将每一对缘分cp送入婚姻殿堂的信仰而努力呢?从线上匹配,到建立联系、互相了解,再到线下约会,最终走入婚姻,这显然是一个链条极长、充满了不确定性的过程。只在匹配阶段做功,很难说AI能为人类的婚恋品质带来什么颠覆性的帮助。Bernie.AI就在进行了约10万次筛选配对后停止了项目。

那是否有更有用的AI工具,能够深入到更关键的亲密关系环节呢?

一见倾心,可能需要一个“AI僚机”

出门相亲社交被品头论足,并不是什么愉快的经历,搞得当代“社恐”年轻人对找对象这事儿都不怎么积极了。日本政府对希望结婚的3980位男女做了问卷调查,结果显示,超过半数的人没有采取任何行动。20岁以上年轻单身男性,都在坐等另一半出现。

这种背景下,甚至出现了由机器人代相亲业务,事先输入所有问题的答案,见面时的自我介绍、问好聊天都由机器人来搞定,完全不用担心说错话,还可以轻松得到对方的讯息。就是画面诡异了一点……

640?wx_fmt=png

这个机器人,就有点像恋爱高手经常使用的秘密武器——僚机(wingman)。

僚机原本指的是在飞行编队中待在规定位置、执行长机命令的飞机,而在约会过程中,“僚机”常常要做的就是为主角加分。

比如担心自己留下的印象不好,就让“僚机”出马先交流一轮,为想要搭讪的人铺垫进一步接触的机会。一旦出现冷场,“僚机”就要做那个打破僵局的人。如果主人公聊得很嗨,“僚机”自然就要化身安静的美少女/男。

有一个靠谱的“僚机”,确实能化解不少尴尬,关键时候还能帮助两个素不相识的人加深了解,显然比简单的条件匹配起到作用要大得多。

但人类的感情交流实在是复杂莫测,“僚机”更需要“读懂空气”(指对气氛比较敏感)的能力,AI能承担好这一重任吗?

至少,已经有不少人正在试图抵达它。

去年夏天,约会平台Match就与谷歌合作,创建了一个名为Lara的约会机器人。它每天提取一个潜在对象的个人资料,如果系统察觉双方有共同兴趣,会进一步提供在哪里喝一杯、某人最重要的第一篇社交文档是什么,以及如何安排第二天行程之类的建议。

来自英国的约会平台Loveflutter,同样会利用人工智能,在分析用户的推特和聊天记录之后,来指导用户如何在线下见面中更舒适地交流。

640?wx_fmt=png

而ICA旗下的一家初创公司AIMM,则会通过用户之间的动态交流来进行指导。当用户表示对某个潜在对象感兴趣时,AIMM会先给你打个电话,让人工智能对具体要说些什么进行指导,有时让你保持冷静,有时会告诉你对方是什么样的人,喜欢怎样的生活方式。如果某人经常提到钱,系统就会推断经济能力对他们比较重要。

在对话结束之后,AI会根据总体感觉提供反馈。如果用户对这次交流做出了高度评价,系统会跟进并设定一个新的日期,轻轻地刺激你“继续前进”。如果对方喜欢“传统”,AI可能会建议你们去公园散步,而对一个“潮流派”,可能攀岩更适合。

在鼓励方面,AIMM家的AI也很善良,不会直接对男性们说“女孩不喜欢你”这种负面的话。还会在安排好第一次约会时,告诉用户“别担心,每一步我都会和你在一起,我会努力让吸引对方这件事会变得不费吹灰之力。”

640?wx_fmt=png

(《黑镜》剧照:男女主通过恋爱系统进行第一次约会)

听起来是不是有点接近《黑镜》中那个帮助主角复盘和模拟感情路线的语音助理Coach呢?

英国班戈大学数字媒体教授Andrew McStay也认为,人工智能是约会的未来,而基于语音的约会程序可能更“自然”。 用AIMM创始人凯文·特曼的话来说,“传统的在线约会行业已经破产了”。

AI“僚机”的出现,还有哪些问题

当然,你可能会问,AI真的不会将好不容易凑成的约会搞砸吗?靠谱的“AI僚机”,自然就需要其在一些基础能力上达到一定的准确率,否则将对方的意思理解错了,那对单身社畜来说伤害不要太大哦。

那么,要让这个神助攻表现完美,都需要哪些技术端的锤炼呢?

1.精益求精的情绪识别

“AI僚机”与其说是约会问题,不如说是人机交互问题。随着自然语言处理技术水平的提高,特别是情感分析在多模态交互上的应用,能够从主观上给予有效的指导。比如AIMM上就加入了视频组件,可以调动摄像头分析双方的面部反应,并结合语音来判断对下一步动作的兴趣水平。如果一个人在配对时,因为工作一天疲惫地说出“我感兴趣”,很可能被系统误判为缺乏兴趣,而表情信息的加入可以有效补充情绪推断的相关细节。

整体来看,机器在根据人们的表达来解释情绪方面表现并不高,一些情感的细微差别需要人类的输入、背景和历史来综合判断,这些机器学习暂时还很难做到。

640?wx_fmt=png

2.易被忽视的算法偏见

目前主流的智能约会软件大多是为一个男人约一个女人出去而设计的,因此算法很容易被网络文本大数据调教成一个潜在的歧视者。AIMM的人工智能往往就只为第一次约会提供男性的信息和相关建议。还有一些设计对LGBTQ群体也很不友好,而这群人反而更倾向于使用在线约会寻找伴侣。从技术上消除这些偏见,无疑能够帮助在线约会程序在竞争中争取优势。

3.难以双全的终端计算

在AI辅助恋爱关系的过程中,终端硬件承载了实时识别、判断、决策等众多所需要的计算,换句话说,想要解决复杂的情感互动问题,算力需求前所未有地增长。在终端上,计算资源和功耗都很受限,比如许多约会AI都是通过家庭场景中的智能设备来支撑服务的,比如Match的恋爱助理Lara就是由谷歌Home来激活。这里面就涉及两个关键问题,一个是计算成本,将数据上传到云端计算能够大幅度降低计算成本,避免音箱上智能芯片的高投入;另一个则是风险,约会恋爱等等涉及大量个人隐私,云端计算如何保障用户信息安全,对平台来说难度自然变得更大。谁能够把两者有机地融合到一起,让终端在任何时候都能安全高效地支撑用户所需的约会指导服务,就能抢占市场先机。

640?wx_fmt=png

总的来说,在AI的下沉阶段,新技术的出现需要讨论的,往往不是“AI行不行”这样的是非题,而是“AI能做到多少分”的议论文。

想要用AI搭建出一条通往爱的桥梁,需要的或许不是创意,而是一步步探索清楚技术的边界、成本、产品化路径等等工程上的细节。人类约会的一小步,却是AI的一大步。

640?wx_fmt=jpeg

640?wx_fmt=jpeg

640?wx_fmt=gif

640?wx_fmt=jpeg

深度学习是机器学习的一个子领域,它基于人工经网络的研究,特别是利用多层次的经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **经网络(Neural Networks)**:深度学习的基础是人工经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个经元组成,经元之间通过权重连接。 2. **前馈经网络(Feedforward Neural Networks)**:这是最常见的经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值