人工智能如何帮助我们理解社交媒体

翻译 互联网数据官（iCDO）志愿者 齐云涧

如果你是X战警漫画系列的粉丝，你熟悉Cerebro，一个虚构的设备，可以进入人类的脑波，并有能力通过个人的想法和经验来识别突变体。如果Cerebro是真的，那将是可怕的一件事情？如果我们可以沉迷于全球范围的阅读？

虽然我们还没有发现那些能力 - 神经量子纠缠任何人？ - 考虑到社交媒体帖子揭示了大约20亿个人的内部工作。四分之一的人们的最深刻的见解可用于分析。 我们所缺乏的是有效的方法来检测这些隐喻的脑波，并使它们有意义。

在许多方面，软件已经可以满足需求，特别是在表达个人声音方面。现在有工具可以快速展示消费者和企业之间的社交帖子和对话。这些工具使企业能够通过开放、真实的对话吸引客户群并了解他们的需求和关注。

然而，仍然有很多分析留下，特别是在总计。 作为一个行业，社交网络和工具表面意见很大程度上从房间里最响亮的声音。 我们不推论。 我们的技术收集人们明确说的话，而不发现为什么。 这是因为“为什么”的原因很难解开，因为他们往往不是自愿要求复杂的推理或危险的假设。

实际上，我们得到的是词和短语的趋势，而不是深刻的理解。展开正在被讨论的话题远不能准确定位特定的群体和人口统计特征对所述话题的感受和原因。对话和拥有它们的人是三维的，代表的不仅仅是单词的表达。

微妙之处在于，连接潜在的人、问题和因果基础的细节被最好的算法和最好的从业者错过了。例如，复杂的民意调查，专家和分析家没能预测最近的美国总统选举，现在正在加紧解释它。可能的答案隐藏在数十亿的社交帖子中？

想象一下，AI总是在听你说话。 一个数字研究助理，每秒不断地听到和理解成千上万的帖子，提供关键的概要。

人工智能能完成这项任务吗？

不是今天。

我们的AI系统抓住头条新闻，但他们只擅长狭窄领域的艰巨任务。Uber和其他授权的汽车通过感知环境足以使其下一个转弯或躲避行人，但他们永远也学不会长出翅膀飞行。谷歌创造了一台机器，可以在一个令人难以置信的复杂的游戏中击败一个高度熟练的人类玩家，但该机不能回答有关游戏的历史问题或独立学习玩另一个游戏。

今天的人工智能仍然是一个误称。牛津英语词典（通过谷歌）将智力定义为“获取和应用知识和技能的能力”，而AI还不存在。以麻省理工学院（MIT）数字经济的研究员和这个领域的思想领袖汤姆·达文波特（Tom Davenport）的话来说，“深度学习并不是深刻的学习”。或者引用另一位专家奥伦·埃佐尼（Allen Institute of AI）的话，“AI只是简单的、巨大规模的数学执行。”以我们对人类的期望，AI今天是一种方法，使计算机更有能力，但还没有智能。

然而，有一天，AI可能达到所需的自给自足的智力水平吗？

幸运的是，人工智能的研究是在正确的道路走向更深层次的理解。历史上的一个主要目标是使机器能够伪装成人类，通过图灵测试。我们现在以更困难的问题挑战这些研究人员，例如那些由一个新的测试为代表，Winograd模式的挑战。

Winograd模式是有趣的，因为它揭示了艺术的状态，证明我们没有像外行可能认为的那样远离真正的人工智能。要理解这个测试，让我们来看一个例子，今年的O ' reilly AI会议。

• The large ball crashed right through the table because it was made of styrofoam.（大型球撞在桌子上,因为它是塑料做的。）
• The large ball crashed right through the table because it was made of steel. （大型球撞在桌子上,因为它是用钢做的。）

在每个句子中，“it”这个词是指什么？ 答案是大多数7岁的孩子可以集合的。 然而对于机器，回答是很难的。现在采取这个到每个发布的tweet之间的变化。

当人工智能更接近人类的深度学习和理解水平时，人工智能能够有效地理解人类大脑无法有效处理的数量庞大、复杂的数据集。

测试像Winograd模式可能推动人工智能期待更好的理解影响和联系。然而相当基本的语言理解是通往智慧和独立获取和应用信息的能力的前一步。

我们的基准只比图灵的测试略有提升。还有很多工作要做。