人工智能研究

近十年来，随着系统在诸如图像识别，自然语言处理和游戏之类的长期AI挑战中迅速发展，人工智能已成为头条新闻。高科技公司已经将机器学习算法植入搜索和推荐引擎以及面部识别系统中，OpenAI的GPT-3和DeepMind的AlphaFold有望提供从书写到编码到科学发现的更多实际应用。

确实，我们正处在AI之春中，在技术蓬勃发展方面投入了很多资金，乐观情绪地压倒一切以及在何时何地可以实现的可能性。

由于前面提到的实际应用以及狭窄的AI向我们许多人每天使用的技术（例如我们的智能手机，电视，汽车和吸尘器等）的扩散，因此这次的感觉可能与以前的AI弹簧有所不同。但是我们也有可能在AI方面取得短期进展，这将很快成为自1956年成立以来一直是该领域特征的进步，资金和情绪波动的一部分。

人工智能在过去几十年中没有做出许多预测。以2020年为例，因为无人驾驶汽车将开始填满道路的那一年，在他们坐下来欣赏旅程的过程中，无缝地将乘客运送到周围。但是这个问题比预期的要困难得多，最先进的项目仍在试验中，而不是成群的机器人出租车。同时，一些业内人士认为，在没有一系列关键突破的情况下，AI的主要形式（一种基于神经网络的机器学习）可能很快就会枯竭。

上周在arXiv预印服务器上发表的题为“为什么AI比我们想象的更难”的论文中，现任圣达菲研究所波特兰州立大学计算机科学教授Melanie Mitchell辩称，人工智能陷入了起伏流程的循环主要是因为我们还没有真正了解人类智能的本质和复杂性。Mitchell将这一总体观点分解为围绕AI的四个常见误解，并讨论了它们对于该领域的未来意味着什么。

1.狭义情报方面的进步是通向一般情报方面的进步

AI令人印象深刻的新成就通常伴随着一种假设，即这些相同的成就正在使我们更接近达到人类水平的机器智能。但不仅如此，正如米切尔（Mitchell）所指出的那样，狭义的和一般的情报与爬树与登月相比有很大的不同，而且即使狭义的情报也仍然主要依赖于大量的任务特定数据和人工训练。

以GPT-3为例，有人认为它已经超越了“狭”的”智能：该算法经过训练，可以编写文本，但可以学习翻译，编写代码，自动完成图像和数学等任务。但是，尽管事实证明GPT-3的功能比其创建者所预期的要广泛，但其所有技能仍处于受过训练的领域内：即语言-口语，书面和编程。

精通非语言技能而无需培训会发出一般情报，但GPT-3并非如此，其他任何新近开发的AI也并非如此：它们本质上仍然狭窄且尽管它们本身具有重要意义，但不应将其与全面理解通用情报所需的步骤混为一谈。

2.对人类来说容易的事应该对机器也容易

是AI更聪明不是一个四十岁？在大多数的感觉，答案是否定的，那是因为技能和任务，我们认为为“易”实际上要复杂得多，我们给他们的信贷，一个S ^莫拉维克悖论音符秒。

四岁的孩子非常擅长根据与周围世界的互动来找出因果关系。例如，如果他们触摸炉子上的锅子并烧了一根手指，他们会明白烧伤是由锅子热而不是圆形或银色引起的。对人类而言，这是基本常识，但是算法很难进行因果推理，尤其是在没有大型数据集或与受训者背景不同的情况下。

在人类的潜意识层面上发生的感知和选择取决于一生的经验和学习价值，即使在诸如“触摸高温物体会灼伤您”这样的基础层面上也是如此。因为我们达到了这种知识可以反思的程度，甚至不需要有意识地思考，所以我们将其视为“轻松”，但恰恰相反。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没有意识到自己思考过程的复杂性。”

3.人类语言可以描述机器智能

从动物到无生命的物体再到机器人和计算机，人类都有拟人化非人类事物的趋势。这样做时，我们使用与讨论人类活动或智力相同的词语-除非这些词语不太适合上下文，并且实际上可能使我们对AI的理解更加混乱。米切尔（Mitchell）使用1970年代计算机科学家创造的“如意助记符”一词。诸如“阅读”，“理解”和“思考”之类的词被用来描述和评估AI，但是这些词并不能使我们准确地描述AI的运行或发展方式。

米切尔说，即使“学习”也是用词不当，因为如果一台机器真正地“学习”了一项新技能，它将能够在不同的环境中应用该技能。在数据集中找到相关性，并使用确定的模式进行预测或达到其他基准是很重要的事情，但这并不是人类学习的“学习方法”。

那么，为什么所有这些对单词的大惊小怪，如果它们都是我们所拥有的，而它们却能传达出要旨呢？米切尔说，好吧，这种不准确的语言不仅会误导公众和媒体，还会影响AI研究人员对系统和工作的看法。

4.智慧掌握在我们所有的头脑中

米切尔（Mitchell）的最后一点是，人类的智慧不仅仅包含在大脑中，还需要身体。

这似乎是不言而喻的。我们用自己的感官吸收和处理信息，我们与身体中的世界互动并在世界中穿行。然而，人工智能研究的主要重点是大脑：了解它，复制其形式或功能的各个方面以及使AI更像它。

如果智力只存在于大脑中，那么我们可以通过建立具有与大脑具有突触连接的相同数量的参数的神经网络来接近达到人类水平的AI，从而复制大脑的“计算能力” 。”

在“智能”是指按照一组规则进行操作以实现既定目标的情况下，例如在下棋游戏或对蛋白质折叠方式进行建模时，可以采用这种相似的方式，这两种计算机都已经可以做到出色地。但是其他类型的智力则更多地受到情感，偏见和个人经验的影响，并受其影响。

回到GPT-3的示例：该算法使用它使用大量规则和参数创建的“主观”情报（自己编写），这些规则和参数是使用大量预先存在的主观情报（人类编写）数据集创建的。GPT-3被誉为“创意”，但其写作依赖于人类写作中单词和词组之间的关联，其中充满了偏见，情感，既有知识，常识以及作者对GPT-3的独特体验。世界，都是通过身体经历的。

米切尔认为，人类思维和操作方式的非理性，主观方面并不妨碍我们的智力，但实际上是其基础和推动者。龙头强人工智能专家本戈尔策尔同样提倡“全机体结构，”令状ING，“人类是身体尽可能的头脑，所以实现人类一样AGI将能够在日常与之交互的物理系统需要嵌入AI系统细致入微的人类世界。”

从这里到哪里？

这些误解使AI研究人员和开发人员不应该做的事情毫无疑问。尚不清楚的是如何前进。米切尔说，我们必须从对智力的更好理解开始，这不是一项小任务或简单任务。但是，人工智能研究人员可以看到的一个好地方是在其他研究情报的科学学科中。

无论如何，为什么我们如此打算创建人工智能的人工版本？它已经发展了数百万年，非常复杂和错综复杂，但仍然存在其自身的缺点。也许答案是我们没有试图建立一个像我们一样好的人造大脑。我们正在尝试建立一个更好的解决方案，这将有助于我们解决当前无法解决的问题。

人类进化历时约六百万年。同时，它已有65年了AI成为STU的领域DY，并且它写类似人类的文字，制作假面孔，拿着自己的辩论，使医疗诊断，以及更多。尽管还有 很多东西需要学习，但看来AI在事物的宏伟计划中进展非常顺利-进一步推进AI的下一步就是加深我们对自己思想的理解。

更多关于芯片制造的知识，请搜索“众壹云”