智能制造網APP
智能制造網手機站
智能制造網小程序
智能制造網官微
智能制造網服務號
智能控制
機器人
儀器儀表
物聯(lián)網
3D打印
工業(yè)軟件
回放
ASCO防爆電磁閥VCEFCM8551G401MO/H401MO
電磁滑閥,工業(yè)自動化設備 醫(yī)療,通斷 流量 壓力調節(jié),551系列 黃銅不銹鋼,換向閥 三通/五通 防爆品牌
ASCO
AI或將遭遇“艱難轉型” 解決“機器問題”是關鍵
很多人表達過這類擔憂，比如物理學家史蒂芬·霍金。更讓人驚訝的是，伊隆·馬斯克，火箭公司SpaceX和 電動汽車制造商Tesla的創(chuàng)始人，也有同樣的想法。與Carlyle相似,馬斯克警告人類：“我們正在用人工智能召喚惡魔。”他的特斯拉汽車可以利用新的人工智能技術實現(xiàn)自動行駛，但馬斯克卻擔心未來的人工智能霸主可能會太過強大，失去人類的控制。
1.機器問題重現(xiàn)
從初的屢屢失敗，到現(xiàn)在的朝氣蓬勃，人工智能會導致大面積失業(yè)甚至讓人類滅絕嗎?或許歷史會給我們一些有用的線索。
有些人害怕機器會搶走所有人的工作，而只是有選擇地讓少數人受益，并終徹底顛覆社會。然而在歷史上，類似的一幕曾出現(xiàn)過。兩個世紀前，工業(yè)化的浪潮席卷英國，與今天同樣的擔憂曾引發(fā)了激烈的爭論。那個時候，人們不說“工業(yè)革命”而大談“機器問題(machinery question)”。1821年，經濟學家David Ricardo個表達了這種看法，他重點關注“機器對于不同社會階層的利益的影響”，特別是“勞動階級懷有的意見，他們認為使用機器通常會不利于他們的利益”。1839年，Thomas Carlyle (蘇格蘭哲學家，被看作是那個時代重要的社會評論員)對所謂“機械惡魔(demon of mechanism)”予以了抨擊 ，他寫道，“機械惡魔”破壞性的能力將會擾亂整個工人團體。
現(xiàn)在，這個“機器問題”卷土重來，雖然它偽裝成了另外一副樣子——人工智能(AI)技術正突飛猛進，機器得以執(zhí)行曾經只有人才能勝任的各種任務。科學家，經濟學家和哲學家正在熱議人工智能技術的潛在影響。這種影響可能是非常深刻的。因為人工智能技術，之前看起來不可能自動化的工作——從放射科到法律工作——現(xiàn)在也同樣面臨著危機。
2013年， 牛津大學的Carl Benedikt Frey和Michael Osborne進行了一次調查研究，其結果后來被人們廣泛引用，該研究發(fā)現(xiàn)美國有47% 的工作有很高的可能性會在不久后被“計算機資本取代”。更近的一個報告是：美國美林銀行預測，2025年以前，人工智能的“每年產生的創(chuàng)造性破壞的影響”可能會達到14到33萬億美元，其中包括因人工智能實現(xiàn)了知識工作自動化，導致雇傭成本減少的9萬億美元，制造業(yè)和醫(yī)療護理開銷減少的8萬億美元，以及部署無人駕駛汽車和無人機后因效率提升增加的兩萬億美元。智囊機構麥肯錫研究院(McKinsey Global Institute)說，人工智能正在促進社會發(fā)生轉變，這種轉變比工業(yè)革命“發(fā)生的速度快10倍，規(guī)模大300倍，影響幾乎大3000倍”。
跟兩個世紀前的人們一樣，很多人擔心機器會讓幾百萬人下崗，引發(fā)不平等問題和社會動亂。Martin Ford曾寫過兩本關于自動化威脅的書，他擔心中產階級的工作將會消失，經濟流動性將(即個人，家庭或團體提高經濟水平的難易程度)停止，財閥們會“將自己關在封閉式小區(qū)或精英城市里，還可能有自動化軍事機器人和無人機在旁保護。”還有人則擔心，人工智能會威脅人類的生存，因為超級智能計算機可能不會認同人類的目標，轉而攻擊創(chuàng)造它們的人類。
很多人表達過這類擔憂，比如物理學家史蒂芬·霍金。更讓人驚訝的是，伊隆·馬斯克，火箭公司SpaceX和 電動汽車制造商Tesla的創(chuàng)始人，也有同樣的想法。與Carlyle相似,馬斯克警告人類：“我們正在用人工智能召喚惡魔。”他的特斯拉汽車可以利用新的人工智能技術實現(xiàn)自動行駛，但馬斯克卻擔心未來的人工智能霸主可能會太過強大，失去人類的控制。他說：“馬可·奧勒留(羅馬帝國賢君)當國王挺好的，但如果國王是卡利古拉(羅馬帝國早期的典型暴君)情況就不太樂觀了。”
有人看到風險，有人洞見機遇。投資者正在不斷涌入這個領域，科技巨頭們則在不斷收購人工智能創(chuàng)業(yè)公司，并爭先吸引學術界的研究人才。根據數據分析公司Quid的研究數據，在2015年，人工智能企業(yè)的成本創(chuàng)下85億美元的記錄，幾乎為2010年的四倍。投資公司Playfair Capital的Nathan Benaich說，2015年人工智能企業(yè)的投資輪數比上一年多16%，而與此同時科技產業(yè)整體投資輪數減少了3%。Playfair Capital是一家基金管理機構，該公司在人工智能的投資組合達到25%。“XX+人工智能”取代了“XX行業(yè)的Uber ”，成為創(chuàng)業(yè)公司默認的商業(yè)模式。
谷歌，F(xiàn)acebook，IBM，亞馬遜和微軟都想方設法在云端建立人工智能服務的生態(tài)系統(tǒng)。“這項技術將會用在各行各業(yè)中，只要這個行業(yè)有任意種類的數據，圖像，語言等數據類型都可以。”MetaMind的創(chuàng)始人Richard Socher說，“人工智能將遍地開花。”MetaMind是一家人工智能創(chuàng)業(yè)公司，近被云計算巨頭Salesforce收購。
這意味什么?本篇特別報道將會審視這項新科技的崛起，探索它對工作，教育，政策的潛在影響，思考它在道德和監(jiān)管方面的作用。同時，本文還思考了能從機器問題初的答案中學到的東西。AI引發(fā)的擔憂和熱情不相上下，同時帶來了很多問題，然而值得記住的是，其中的很多問題我們在以前都曾問過，并已經有了答案。
2.技術：從無法工作到神經網絡
人工智能的繁榮基于傳統(tǒng)與現(xiàn)代想法的結合。
人工智能如何從剛開始的傲慢與失望，突然成為科技界熱門的領域呢?人工智能(artificial intelligence)這個術語早被寫在1956年的一份研究計劃中，該計劃聲稱“如果一個精心挑選的科學家小組花一個夏天一起研究，就能使機器解決各種人類無法解決的問題……”，從而實現(xiàn)重大的進步。那被證明只是過度地樂觀，人工智能雖然偶有突破，但其承諾的遠比其所能提供的多得多。終，大多研究者都避免使用這個術語，而更喜歡用“專家系統(tǒng)”或“神經網絡”。現(xiàn)在“人工智能”的名譽恢復和重新興起要追溯到2012年被稱為ImageNet挑戰(zhàn)賽的在線競賽。
ImageNet是一個擁有數百萬張圖片的在線數據庫，所有圖片都有人工做的標簽。對于任何給定詞，例如“氣球”或“草莓”，ImageNet里都能找到上百張對應的圖片。每年的ImageNet競賽鼓勵該領域的人在計算機識別和自動標記圖片上進行比賽，并衡量他們的進展。這些系統(tǒng)首先使用被正確標記的圖片集進行訓練，然后挑戰(zhàn)標記之前沒見過的測試圖片。在后續(xù)的研討會上，優(yōu)勝者會分享并討論他們的技術。2010年獲勝的系統(tǒng)可以正確標記72% 的圖片(人類平均有95% 的準確率)。2012年，多倫多大學的Geoff Hinton帶領的團隊實現(xiàn)了85% 的準確率，這要歸功于一項叫“深度學習”的新技術。這帶來了一種長遠快速的改進，在2015年的ImageNet競賽上，一個深度學習系統(tǒng)以96% 的準確率次超過了人類。
2012年的成果被認為是一項突破，但Yoshua Bengio說，他們依靠的是“結合以前已經有了的東西。”Yoshua Bengio是蒙特利爾大學的計算機科學家，他與Hinto 以及另外幾個人被稱為深度學習的。大體上，這項技術使用了大量的計算和訓練數據，對來自人工智能發(fā)展初期的一個舊思路進行改進，這個舊思路也就是人工神經網絡(ANN)——這是生物學啟發(fā)的人工神經元(腦細胞)網絡。
在生物大腦中，每個神經元都能被其它神經元觸發(fā)，將輸出的信號饋送給另一個神經元，而且此神經元的輸出也能繼續(xù)觸發(fā)其它神經元。一個簡單的ANN 網絡有一個輸入神經元層，在這里數據被饋送進網絡中;還有一個輸出層輸出結果，中間可能還會有三兩個隱藏層對信息進行處理。(實際中，ANN 網絡全部在軟件中模擬。)網絡中的每一個神經元都有一系列的“權重”和一個“激活函數”控制著輸出的信號發(fā)射。訓練一個神經網絡涉及到對神經元權重的調整，以便一個給定的輸入產生期望的輸出。ANN 在20世紀90年代早些時候就已經實現(xiàn)了一些有用的結果，例如識別手寫數字。但在完成更為復雜的任務上，ANN 陷入了困境。
在過去的十幾年中，新技術的出現(xiàn)和對激活函數的一種簡單調整使得訓練深度網絡變得可行。同時，互聯(lián)網的興起產生了數十億可用于目標訓練的文檔、圖片、視頻數據。這所有的一切都需要大量的數字操作能力，而2009年左右當幾個人工智能研究團體意識到個人計算機和視頻游戲機上用于生成精致畫面的GPU 也同樣適用于運行深度學習算法之后，計算能力也不再是個問題了。斯坦福大學由吳恩達帶領的一個人工智能團隊發(fā)現(xiàn)GPU 能夠幾百倍地加速深度學習系統(tǒng)。然后，訓練一個四層的神經網絡突然就變得很快了，由之前需要花費幾周的時間變成了不到一天時間。GPU 生產商NVIDIA 的老總黃仁勛說這是一個令人高興的對稱：GPU 這一游戲工作者用于為游戲玩家構建幻想世界的芯片也能用于幫助計算機通過深度學習理解真實世界。
ImageNet 的結果顯示了深度學習的能力。突然間，深度學習就獲得了關注——不只是在人工智能界，而是在整個科技產業(yè)界內!深度學習系統(tǒng)因此變得更加的強大：20或30層的網絡變得很常見，微軟的研究人員曾建立過152層的網絡。更深層的網絡能進行更高水平的抽象并產生更好的結果，事實證明這些網絡擅長解決眾多領域的難題。
“讓人們激動的是這一領域的一種學習方法：深度學習，能夠應用于眾多不同的領域，”谷歌機器智能研究部門負責人、如今負責搜索引擎的John Giannandrea 表示，谷歌正在使用深度學習提升其網頁搜索結果的質量、理解智能手機端的口語指令、幫助人們在他們的照片中搜索特定的圖片、推薦電子郵件的自動回復、改善網頁的翻譯服務，并且?guī)椭鼈兊淖詣玉{駛汽車理解周圍環(huán)境。
學習如何學習
深度學習有很多不同的方式。普遍使用的是“監(jiān)督學習(supervised learning)”，這項技術能使用標記樣本集訓練系統(tǒng)。例如，過濾垃圾郵件：收集出郵件信息樣本的大數據集，每一個都標上“垃圾郵件”或者“非垃圾郵件”。一個深度學習系統(tǒng)能夠使用這些數據集進行訓練，重復的進行樣本訓練進而調整神經網絡內的權重，提高評定垃圾郵件的準確率。這一方法的巨大優(yōu)點是不需要人類專家寫出規(guī)則列表，也不需要程序員用代碼編寫這些規(guī)則，系統(tǒng)能直接從有標簽的數據中進行學習。
使用有標簽數據訓練系統(tǒng)也被用于圖片分類、語音識別、信用卡交易欺詐偵測、垃圾和惡意軟件識別以及廣告定位，所有這些應用領域中的正確答案都可通過之前的大量案例獲得。Facebook 能在你上傳一張照片后識別、標記照片里你的朋友和家人，它們近期還發(fā)布了一個能夠為盲人描述照片中的內容(比如兩個人、微笑、太陽眼鏡、戶外、水等)的系統(tǒng)。有大量的數據可用于監(jiān)督學習，吳恩達先生說，這一科技的應用已經使現(xiàn)在的金融服務領域、計算安全領域和銷售領域的公司將自己重新標記為了人工智能公司。
另一項技術是無監(jiān)督學習(unsupervised learning)，其通過將網絡暴露在大量樣本中來對網絡進行訓練，但不會告訴它要尋求什么模式。相反，該網絡學習識別相似樣本的特征和聚類，從而揭示數據中的隱藏分組、連接和模式。
無監(jiān)督學習能在你不知道會是什么樣的情況下被用于事物搜索：例如，監(jiān)控網絡中反常的通信模式，那可能代表著網絡攻擊;或檢查大量的保險聲明以檢測新類型的詐騙方式。一個經典的案例：2011年當吳恩達在谷歌工作時，他領導的一個名為谷歌大腦(Google Brain)項目中的一個大型的無監(jiān)督學習系統(tǒng)本是用于在千部無標記YouTube 視頻中發(fā)現(xiàn)共同模式。一天，吳恩達的一個博士生給了他一個驚喜。吳恩達回憶說“我記得他把我叫道他的電腦前說，‘看這個’”，電腦屏幕上是一個毛茸茸的面孔，從數千的樣本中發(fā)現(xiàn)的模式。系統(tǒng)發(fā)現(xiàn)了貓。
強化學習位于監(jiān)督學習和無監(jiān)督學習之間，它涉及到訓練一個神經網絡與只以獎勵作為偶然的反饋的環(huán)境進行交互。本質上，訓練涉及到調整網絡的權重，從而獲得能帶來更高獎勵的搜索策略。DeepMind 是這個領域的專家。2015年2月，它們在Nature 上發(fā)表的一篇論文描述了一個能夠學習玩49種經典的 Atari 視頻游戲的強化學習系統(tǒng)，它只使用屏幕上的像素和游戲分數作為輸入，輸出則連接到一個虛擬的控制器上。這個系統(tǒng)從頭學起玩游戲，終在其中29種游戲中達到或超過了人類水平。
把系統(tǒng)游戲化
電子游戲是人工智能研究的理想訓練場，DeepMind 的 Demis Hassabis 說，因為“它們是真實世界的縮影，但更純凈和約束化。”
游戲引擎也可以輕松生成大量訓練數據。Hassabis 先生以前從事過電子游戲行業(yè)的工作，后來取得了認知神經學的博士學位并創(chuàng)立了 DeepMind。這家公司現(xiàn)位于倫敦國王十字車站附近，相當于谷歌的人工智能研究分部。
今年三月，AlphaGo 于首爾的五輪比賽中打敗了世界圍棋選手李世石，作為開發(fā)公司的 DeepMind 因此登上頭條。AlphaGo 是一個有著獨特特性的強化學習系統(tǒng)。它由幾個相互連通的模塊組成，包括兩個深度神經網絡，它們各有所長——像人腦中模塊一樣。其中一個通過大量的棋局分析訓練提出一些可能的走法，另一個網絡則負責根據隨機采樣技術來評估這些走法。這個系統(tǒng)把生物啟發(fā)的技術與純機器化的技術結合了起來。人工智能研究者們就哪種技術更優(yōu)越這個問題已經爭論了幾十年，而 AlphaGo 卻另辟蹊徑兩者都用。“這是一個復合型系統(tǒng)，因為我們認為解決智能問題只有深度學習是不夠的”，Hassabis說。
他和其他研究者們已經開始探尋一種叫做遷移學習(transfer learning)的新技術了。這種技術能讓強化學習系統(tǒng)把基礎建立在已習得的知識上，而不用每一次都從頭開始訓練。Hassabis 先生解釋道，人類可以毫不費力地做到這一點。Giannandrea 先生回憶起他四歲的女兒已經能辨別出 penny-farthing(一種前輪大后輪小的腳踏車)就是一種自行車，即使她之前從沒見過這樣的東西。“但計算機無法做到，”他說。
一家近被 Salesforce 收購的初創(chuàng)公司 MetaMind 也在研發(fā)一種相關的技術——多任務學習(multitask learning)，這種系統(tǒng)用同樣的神經網絡架構解決多種不同的問題，在一件事情上獲得的經驗能用來更好地解決其它事情。跟 DeepMind 類似，它也在探尋模塊化的架構;其中一個被稱為“動態(tài)記憶網絡(dynamic memory network)”的系統(tǒng)能消化一系列述，然后回答相關問題，并且推斷出其中的邏輯聯(lián)系(Kermit 是一只青蛙;青蛙是綠色的;所以 Kermit 是綠色的)。MetaMind 還把自然語言網絡和圖像識別網絡融合到一個系統(tǒng)中，它可以回答有關圖像的問題(“這里面的汽車是什么顏色的?”)。這種技術可以用到智能客服聊天機器人中，或者用于 Salesforce 的客戶呼叫中心。
過去，很多有前景的人工智能技術發(fā)展都會逐漸疲軟。但深度學習卻不同。“這東西真的能起作用，” MetaMind 的 Richard Socher 說。人們每天都會用到它，雖然他們并未意識到。Hassabis、Socher和其他人的長遠目標是開發(fā)出“通用人工智能(AGI )”—一種能完成各種各樣任務的系統(tǒng)，有了它就不必再為每個特定問題都專門開發(fā)出一個系統(tǒng)了。人工智能多年來的研究方向都集中在解決專業(yè)化的特定問題上，Socher先生說，但現(xiàn)在研究人員們“正努力用更先進的樂高積木塊拼出不一樣的東西”。即使他們中樂觀的人也認為還需至少十年才能做出人類智力水平的 AGI 。但 Hassabis 說，“我們認為我們已經知道實現(xiàn)接近 AGI 的系統(tǒng)所需的幾十種關鍵元素了”。
同時人工智能已經在發(fā)揮作用了，而且很快會更有用。例如谷歌的智能回復系統(tǒng)，它通過兩個神經網絡推薦郵件回復，從研究項目到產品上線只用了四個月(雖然剛開始它因為對每條信息建議回復的“我愛你”而令人失望)。“在科研期刊上發(fā)表文章剛一個月，就有某個公司正確使用你的系統(tǒng)了，”Socher 說。人工智能公司，不論規(guī)模大小都能都能定期發(fā)表學術文章;人工智能研究者即使在轉行進入公司后也能繼續(xù)在同行評議期刊上發(fā)表研究成果。很多人都是邊為公司工作邊發(fā)表科研文章。“如果你不允許他們發(fā)表，他們就不會為你工作了，”Andreessen Horowitz 的 Chris Dixon 解釋說。
浙公網安備 33010602000006號
智能制造網APP
智能制造網小程序
微信公眾號
