观点 | UC伯克利教授Goldberg:决定未来的不是技术奇点,而是技术合作

AI 科技评论按:自己的工作会不会被越来越强大的人工智能取代,这种担心一直盘踞在人类的心中。人脸识别、医学图像诊断,包括曾经被认为不可能被人工智能攻破的围棋,现在人类都已经败给了人工智能。

来自UC伯克利大学工业工程与运营研究部的机器人学教授Ken Goldberg日前撰文表达了他的看法。在他看来,人类未来更应该、也更可能形成联盟而不是对手。谷歌的人工智能首席科学家李飞飞博士表示对文章观点非常认同,她也认为未来AI驱动的世界中,人与机器的协作是关键。

那么, AI 科技评论就带你一起了解一下他们对人类和人工智能关系的见解。

(以下为Ken Goldberg教授原文翻译)

人类又已经被机器打败了一次。上个月,抽象棋盘战略游戏围棋的顶尖选手输给了Google的AlphaGo程序。鉴于游戏的复杂性,这标志着机器学习的重大成就。 然而,更重要的事情人们注意得却不多:差不多这时候,一些世界顶级的围棋选手开始在比赛中与AlphaGo组成人机团队,并肩作战。选手们观看AlphaGo以前的比赛,学习到了新的策略,而且他们说跟AlphaGo一起比赛给了他们新的信心。这为我们思考即将到来的人工智能时代提供了一种新的思维。 大多数计算机科学家都表示,关于机器人抢走人类工作的预测是非常夸张的。相比于担心即将到来的技术奇点,更需要思考的是这个问题:各种各样的人和机器共同工作来解决问题,我们称作“多重性”。 多重性可不是科幻概念。机器学习,群体智慧和云计算已经共同成为美国人每天进行工作的基础:搜索文档、过滤垃圾邮件、语言之间的翻译、查找新闻和电影、导航,以及整理照片和视频。 可以谈一谈谷歌的搜索引擎。它运行在一组算法上,这些算法有大量的人类用户输入,而他们在每次点击或跳过链接时都会分享有价值的反馈。垃圾邮件过滤器也是如此。每当有人将邮件标记为垃圾邮件或者更正自动分类的结果时,它有助于微调系统以确定哪些内容是相关的。 亚马逊利用多重性推荐书籍,Netflix用多重性介绍电影,Facebook用多重性组织信息流。数百万人的偏好是通过点击体现出来的,然后一个可以预测用户需求的统计模型就可以用这些数据就进行构建和维护。这其中的关键是把人和产品聚集到一起,在“相似的人有相似的口味”的假设下,算法就可以给人做出推荐。源源不断的人类互动也确保了随着新鲜事物的出现和人们品味的改变,系统可以随之发展。 虽然科学家们仍然不太了解多重性,但他们发现机器多重性的好处越发毋庸置疑。研究人员已经开发了一系列叫做“集体学习”的技术,其中各种专用算法可以协同工作,输出单个结果。其中被称为“随机森林”的一个变体是由加利福尼亚大学伯克利分校的Leo Breiman和Adele Cutler开发的,他们证明了,在数据带有噪声的复杂问题中,一群“决策树”总是比单独一个树要好,只要这些决策树充分多样化。 同样的道理,人类多重性的好处和挑战已经在政治学、经济学和社会学领域得到认可。小组解决问题的实验表明,参与人员的多样性比他们的总智商更重要。也许最令人激动的机器学习领域是深度学习,其中数百万个参数是根据非常多样化的人工标记文本或者图片进行选联调整的。

机器人技术方面也是一样,令人兴奋的进步可以归功于多重性,特别是在自动驾驶中。来自各种人类驾驶员的大量数据可以综合起来展示不同状况下的正确应对方式,并且可以训练多种在分布式硬件上运行的统计机器学习算法。随着人类期待的提高,这些系统需要根据道路、天气和交通状况的变化不断更新和微调。所有这一切都需要人类作为核心进行持续的反馈循环。 与 AI 协作形成的集体智慧使得许多当前最先进、最高效的系统得以应用。如果人们停止提供输入,这些系统将会很快过时或者崩溃。尽管人们已经在人为因素和人机界面方面进行了多年的研究,但是我们还需要更多的研究来找到让各种各样的人和各种各样的机器携手工作的最佳方式。真正重要的问题不在于机器人什么时候能超越人类智慧,而是人类如何用新的方式和它们一起工作。 多重性是协作而不是斗争。世界中的人类劳动者不必为机器人的到来觉得沮丧,这一片新领域其实会让人类变得更强。

via The Wall Street Journal, AI 科技评论编译

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-06-13

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据科学与人工智能

【机器学习】机器学习人才发展全面指导手册(含学习路径和职业规划)

文 | 王俊宏 机器学习的学习路径 一、为什么是列出一堆可以探索的书,而不是要去寻找一条路 机器学习的研究和应用已经有很长的时间了。随着人类的发展,数据和计算能...

2658
来自专栏华章科技

【斯坦福AI百年报告2017】重磅发布人工智能与机器学习全景式概览

“AI Index”(AI指数)是斯坦福大学AI百年研究的一个项目,它是一个开放的非营利性项目,旨在追踪人工智能的活动和进展。它的目的是促进以数据为基础的对AI...

822
来自专栏新智元

【MIT TR 深度】人工智能困境:机器何时才能理解语言

【新智元导读】随着人工智能系统变得越来越高端复杂,我们也愈发难以想象不通过语言,而使用其他方法与计算机沟通。不仅如此,能够简单地与人类交流会让人觉得计算机无比神...

37614
来自专栏逸鹏说道

一位从后台转向AI的独白

刚开始接触 AI 的时候会有这样的一些坑。第一个我把它叫做碎片化时间陷阱,大家一直以为碎片化可以学到很多东西,于是我也关注了一堆的AI 公众号,每天看一下公众号...

1363
来自专栏机器人网

机器人学会了灵活抓握,抓娃娃机还有市场吗?

你知道夹娃娃机吗?那些骗你零花钱的把戏。它们可能是你所知的最接近机器人的东西。当然,它们并不是真正的机器人,但是它们的确和机器人有相似之处。比如说,它们没办法敏...

3995
来自专栏用户3246163的专栏

[脑书笔记]《刻意练习》(中):在工作和生活中应用刻意练习!

美国在越战初期的空战水平是击落9架敌机,要损失10架战机;但是在越战后期可以达到结果12.5架敌机,才损失1架战机。帮助美军完成这个巨大改变的就是“王牌飞行计划...

1044
来自专栏CDA数据分析师

果断收藏!机器学习人才发展全面指导手册(含学习路径和职业规划)

机器学习的学习路径 一、为什么是列出一堆可以探索的书,而不是要去寻找一条路 机器学习的研究和应用已经有很长的时间了。随着人类的发展,数据和计算能力都在不断的增加...

1996
来自专栏AI科技大本营的专栏

观点 | 除了自动驾驶、图像识别,AI能做的还有很多

作者|DANIEL TERDIMAN 阅读时长:3分钟 提到人工智能,大部分人会想到当前非常热门的领域,比如“人机大战”,自动驾驶、图像识别,语音识别等...

4058
来自专栏思影科技

脑磁图研究:大脑多时间尺度并行抽取声音信息

阿牛哥喊你来关注思影科技,做个scientist! 我们对声音的感觉总是连续和平滑的。听人说话,听音乐,在大街上听到各种周围的声音,我们感觉起来都好像流水连续...

3556
来自专栏工科狗和生物喵

【我读《Big Data》】大数据时代的思维变革

正文之前 大数据是个很玄乎的东西,如果体系成熟,那么基本会波及到生活中的方方面面。只要能够获取数据,那么其他的过程基本只要算法模型得当,成本相当之低,但是如果能...

3746

扫码关注云+社区