本文的作者是 Jamie Beach，在自學人工智能 100 天以后，他分享了自己對人工智能的 5 個感悟，以下是他的全文。

 

 

我根據(jù) Max Tegmark 的 Life 3.0 的第一章——The Tale of the Omega 畫的

2019 年 1 月底，我突然意識到，我對人工智能的理解不足。它正日益影響著我們的每一天。人工智能保護我們的收件箱免受垃圾郵件的攻擊，它支持來自 Alexa 的天氣更新，它使亞馬遜能夠向我們推薦商品，讓 Netflix 給我們推薦電影。每次我們打開 twitter 或 facebook，都是人類與比我們更了解自己的人工智能的較量。但我是一個專業(yè)的技術(shù)人員，卻對人工智能的真正含義知之甚少。

《連線》雜志創(chuàng)辦人 Kevin Kelly 在一個名為「未來思考者(Future Thinkers)」的播客上接受采訪時，談到過 AI 相關(guān)的話題。他認為，我們的人工智能技術(shù)還處于起步階段，如果有人花一點時間學習人工智能和機器學習，超越只是了解的水平，他們會發(fā)現(xiàn)自己只是一小部分人中的一部分。那天下班回家后，我開始了為期 100 天的「人工智能學習潛水」。

我將需要學習的所有東西都進行了分類。由于在職，很難找到業(yè)余時間，但我確實在 100 天內(nèi)完成了近 200 個小時的工作。我讀了 9 本書，上了 2 門 Coursera 課程(已經(jīng)開始學習第三門課)，聽了很多播客，看了盡可能多的輔助教程。

以下是我在那段時間總結(jié)出的 5 個觀點：

1.人工智能是舊的也是新的

人工智能這個詞并非出自某部科幻小說。1956 年，在達特茅斯學院的一個暑期研討會上，許多聰明人聚集在一起研究如何讓機器思考。在這次聚會中產(chǎn)生了「人工智能」這個概念。雖然這次會議并沒有研究出具有思維的機器人，但它帶來的思想和技術(shù)仍然是當今人工智能的基礎。

研討會之后，人們對人工智能的不同子領域的興趣增強。神經(jīng)網(wǎng)絡似乎很有前途，但在當時這項技術(shù)一片空白，大多數(shù)研究最終放棄了這一概念。這個時期被稱為「AI 寒冬」，它持續(xù)了幾十年。然而，近年來，算力和可用數(shù)據(jù)的指數(shù)增長，加上深度學習的最新進展，極大地提高了機器學習的有效性。AI 被 Andrew Ng 等專家稱為「新的電力(new electricity)」。

2.人工智能等同于機器學習，但它并不是終結(jié)者

「人工智能是用 powerpoint 完成的，機器學習是用 python 完成的(「AI is done in PowerPoint and machine learning in Python」)」

 

 

終結(jié)者，在流行文化中是超智能的縮影

人工通用智能(Artificial General Intelligence，簡稱 AGI)是一種假想的機器，它的思維方式和人類一樣, 比如終結(jié)者就是這種機器人。超智能是超越人類思維能力的機器(如果讀過 Nick Bostrom 的 Superintelligence，你可能會有點害怕它)，但在現(xiàn)在，還沒有這樣的事物出現(xiàn)。到目前為止，AGI 只是一種幻想，它在未來，并且有點遙不可及。這并不意味著沒人在做這件事，這也不意味著像 Max Tegmark 和 Ray Kurzweil 這樣的聰明人不會廣泛地談論它并期待它。但目前人工智能的形式幾乎就是機器學習——一個 AI 的子領域。

機器學習的基本原理如下：

第一步：把一個問題變成一個預測問題。換句話說，給定輸入?yún)��?shù)(特征)，預測結(jié)果。你可以預測一棟房子的價格，或者是拍攝時給定的攝像位置。

第二步：定義算法或者系統(tǒng)，做出決策。這里有很多方法，如線性回歸，神經(jīng)網(wǎng)絡，深度學習，支持向量機，遞歸神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡，生成性對抗網(wǎng)絡等等。每種算法都可以用于一種特殊的預測問題。要預測房屋成本，線性回歸模型就足夠了;預測電影劇本將使用一個遞歸神經(jīng)網(wǎng)絡(RNN);預測不存在的人的面部圖像使用生成性對抗網(wǎng)絡(GAN)。

第三步：獲取大量的訓練數(shù)據(jù)。通常情況下，數(shù)據(jù)越多，效果越好。對于房價，要獲取數(shù)千行數(shù)據(jù)，其中包含這些房屋出售的特征和實際價格(標簽)。對于字符識別，需要獲取大量的字符圖片并相應地進行標注。

第四步：訓練模型。提供訓練數(shù)據(jù)，計算誤差，調(diào)整并重復，直到誤差最小化。梯度下降和反向傳播是這里的重要概念。

假設誤差已經(jīng)達到最小，模型就可以接受新的特征，并預測結(jié)果。這個結(jié)果通常非常準確——比人類更精確。

3.沒有魔法，只有數(shù)學

 

 

我剛在谷歌上找到的公式

在開始這 100 天之前，我知道機器學習會涉及到數(shù)學，但我并不知道會需要多少數(shù)學知識。了解微積分和矩陣代數(shù)對任何人來說都是非常有益的，幸運的是，你不需要是數(shù)學專業(yè)的學生就可以學會這些，而且機器學習的框架也在不斷地迭代，變得越來越易用。

一些重要的框架，包括 Google 的 Tensorflow、Microsoft 的 ML.NET 和 PyTorch 為程序、數(shù)學和算法添加了抽象層。甚至還有額外的抽象層，比如于 Tensorflow 上面的 Keras。

此外，相關(guān)人員正通過提供機器學習模型作為一項服務，或創(chuàng)建自動化的程序(如 AutoML 和 Auto-Keras)，使機器學習更加容易上手。

4.偏差是個大問題

「真正的安全問題是，如果我們給這些系統(tǒng)提供有偏差的數(shù)據(jù)，系統(tǒng)就會有偏差」——John Giannandrea。

機器學習中的偏差是個大問題。Amy Webb 的書「The Big Nine」中有好幾個章節(jié)都提到了這個問題。測試數(shù)據(jù)的全面性和多樣性是非常重要的，但這往往是缺乏的。

 

 

1956 年以來的「人工智能的奠基人」

Amy 使用 ImageNet 語料庫作為有固定偏差的例子，它里面有超過 1400 萬張標記圖片，其中一半以上是在美國產(chǎn)生作的。當然，ImageNet 并不是唯一一個有偏差的例子。

當一個數(shù)據(jù)集中包含了「護士」的女性形象或「首席執(zhí)行官」的男性形象時會發(fā)生什么?當皮膚癌圖像數(shù)據(jù)只使用淺膚色樣本時會發(fā)生什么?如果這些模型真正進入我們的日常生活時，就會產(chǎn)生嚴重的后果。隨著 ML 模型的全民化繼續(xù)進行，我們往往在不知道用于訓練的測試數(shù)據(jù)是什么樣的情況下，就使用預先制作的模型，這種偏差持續(xù)存在，并可能放大。

研究人員很清楚這一問題，九大公司(G-MAFIA + BAT)都有和指導原則來說明減少工程文化偏差的必要性。但這不是故意的。沒有人會故意在模型中加入偏差，即使是出于善意，偏差也是不可避免的。

因此，我們都必須了解機器學習的工作原理，以及它是如何影響我們的——它是如何為 Twitter 和 Facebook 提供能量的，這些能量會攪動我們自己的神經(jīng)元，從而影響我們對世界的看法。

5.機會如此之多

 

 

全球人工智能衍生業(yè)務價值預測(單位：十億美元)，數(shù)據(jù)來源：Gartner(2018 年 4 月)

Kevin Kelly 是對的。我們還處在人工智能和機器學習的早期。是的，有很多應用程序已經(jīng)滲透到我們的生活中，但仍然有很多很多的機會。

機器學習能夠、已經(jīng)和將會徹底改變一切。在過去的 100 天里，我讀過的許多書中有一本叫「Manna」，作者是 Marshall Brian。這是一本科幻小說，它描述了一個近乎烏托邦的社會，機器和自動化承擔了所有的工作，人類可以隨心所欲地生活。不需要 AGI，只需要機器學習。這樣的生活離我們到底還有多遠?

我預見到未來 Instagram 名人和 YouTube 博主甚至都不是真實的，但卻擁有數(shù)以千萬計的追隨者，他們發(fā)布的內(nèi)容完全由 GAN 和 RNN 生成。由機器學習驅(qū)動的新的娛樂模式將會誕生，從電影腳本到栩栩如生的超現(xiàn)實的三維模型都是由機器學習模型創(chuàng)建的。忘了面試工作吧。當你自己的個人數(shù)據(jù)記錄可以與所有當前職位空缺的公司數(shù)據(jù)檔案相匹配時，又何必費心呢?從癌癥治療到餐廳晚餐，再到實時生成的音樂，一切都可以使用 ML 個性化地產(chǎn)生。自動駕駛的出租車、基于 RNN 的文案服務、自動化服務協(xié)議、自動化法庭裁決、個性化生活改善策略、無人機交付、基于人工智能的投資，這些都是無止境的、有形的，而且?guī)缀醵际悄壳暗臒衢T領域。

人工智能和機器學習也可能在全文明水平上影響人類，幫助緩解存在的風險，如氣候變化、戰(zhàn)爭、疾病甚至小行星撞擊地球。

世界即將變得不同。我們可能會注意到這一點，也可能不會。人工智能將推動這一變化，而且它已經(jīng)開始在我們身上蔓延。

正如 Kevin Kelly 所說，

未來發(fā)生得很慢，但會突然爆發(fā)(the future happens slowly and then all at once)。

via：https://medium.com/swlh/top-5-insights-after-i-spent-100-days-learning-about-artificial-intelligence-b14b44a67134

標簽： 人工智能

版權(quán)申明：本站文章部分自網(wǎng)絡，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。