如何看待和学习人工智能?这是五位哈佛博士生的AMA

最近,五位哈佛的在读博士生集体来到著名社区reddit,展开一场围绕人工智能和认知科学的AMA(Ask Me Anything)。

简单介绍一下这几位博士生:Rockwell Anyoha来自分子生物学系;Dana Boebinger、Kevin Sitek来自哈佛-麻省理工语音和听力项目;Adam Riesselman、William Yuan来自医学院,他们使用机器学习等展开相关研究。

这次总时长两个小时的在线交流,得到了reddit网友的热情参与,量子位从中节选了一些精彩的问答进行了编译摘录。如下。

提问:我们需要担心人工智能和自动化发展速度过快么?

回答:我们应该为生活在充满AI和自动化的世界做好准备。许多工作在不久的将来会变得过时。既然我们知道这天一定会到来,整个社会就应该制定有效的政策。

伊隆·马斯克的“AI末世论”遭到很多人反对,特别是AI从业者。正如吴恩达所说:“我认为工作岗位流失是一个巨大的问题,但我希望大家可以专注于解决这个问题,而不是关心那些科幻小说一样的东西”。

提问:AI会在哪个领域(医疗、金融等)率先立足,为什么?

回答:AI已经在医学图像处理领域得到了长足的进步。例如,在通过图片识别皮肤癌这件事上,人工智能机器已经达到了人类医生的水平。

金融和银行部门也会更快的实现自动化。通常股票的购买是一个复杂的决策过程,最终这些交易将由各种数据决定,算法正在取代人的决策。

但我们仍然不知道人工智能会如何影响我们的经济和工作,只有时间会说明一切。

提问:机器学习是当前的热门话题。AI的下一个大事件会是什么?

回答:从纯机器学习的角度来说,无监督学习会是下一个大事。研究人员现在给机器“喂”数据的方式被称为监督学习,这些数据不但知道类型(例如图片),而且还打了标签(例如图中是一只猫)。监督学习领域,有很多伟大的成功。

如何让机器自学成才?这就是无监督学习要干的事情。一个婴儿出生后,父母不必教授每一件事情,婴儿会自己学习。当然无监督学习是一个棘手的事情,AI研究者正在为此而努力。比方Yann LeCun最近就一直在讲无监督学习。

提问:你们可能低估了无监督学习,在这个AI问题上已经研究了几十年,但没有任何进展。这不是一个新的研究焦点。

回答:感谢回复。我们这里想说的是无监督学习的具体算法框架。生成模型被用来解决这个问题,因为它可以某种方式探测数据中潜在的变量,而且可以生成新的数据。

以前曾经使用Wake-Sleep算法解决这个问题,但是并没有获得太大的成功。然后是限制玻尔兹曼机以及深度信念网络。但是这些技术在应用到现实世界时,都遇到了极大的挑战。

最近,变分自编码器和生成对抗网络等模型已经取得突破。使用这些模型可以快速、简单的对非结构化数据执行复杂的任务,包括创建人物素描、生成句子以及自动为图片着色等。

没错,人们在这个领域已经努力很久了。而通过上述新技术,我想我们正在接近一个新的领域——让机器自己了解我们的世界。

提问:你们觉得政府应该为AI制定什么具体的法律法规么?

回答:有个阿西莫夫机器人三定律。

第一定律:机器人不得伤害人类个体,或者目睹人类个体将遭受危险而袖手不管。

第二定律:机器人必须服从人给予它的命令,当该命令与第一定律冲突时例外。

第三定律:机器人在不违反第一、第二定律的情况下要尽可能保护自己的生存。

认真的说,应该有一些法律规范人工智能的应用,也许还需要一些机构进行代码评估,已确定人工智能是否会被用于不道德的领域。我脑子里想到那个无人车需要面对的“电车难题”:是否应该为了拯救10个人牺牲掉另外的1个人。

在这方面我们不是专家。

提问:最近Facebook的工程师关掉了机器学习的翻译程序,据说是因为这些AI创造了自己的语言。你们怎么看待这件事?

回答:我觉得这没有什么可怕的。

机器学习中的一个大问题,就是生成与人类相似的反应或者反馈。一个解决之道是让机器生成人类的句子,然后你告诉机器它干得好不好。这个方式非常困难,因为耗时费力。即便是能够自学的算法,也需要上百万的语料才有可能正确工作。另一条道路是让一台机器生成语句,另一台来判断是否符合人类的语言。

Facebook的工作是想制造一台能够谈判协商的机器,但结果显示他们的方式不会奏效,所以关闭了这项研究。

提问:我对AI和机器学习感兴趣已经两年了。希望未来能有机会从事AI安全相关的工作。能给我一些建议么?我应该做什么活着学点什么?多谢!

回答:Google的人写过一篇非常有趣的文章,来说明AI安全问题。他们给出了五个要点:

1、避免有害副作用:机器人如何才能在追求效率的同时避免造成连带损伤?

2、避免激励机制漏洞:如何才能防止机器人投机取巧?

3、弹性监督:如何让机器人能自主验证目标,正确完成任务,而不需要让用户花极高的时间成本与机器人反复核实?

4、安全探索:如何避免机器人在探索陌生环境、学习新技能时对人类造成损害?

5、切换环境后的可靠性:我们如何能保证机器人在切换环境后,能将已经习得的技能无缝迁移到新环境中,避免造成不必要的麻烦?

另外,建议你更多的熟悉算法,知道机器如何工作。

提问:未来想要从事AI,现在最佳路线是什么?我现在就读于社区大学,正在攻读一个计算机科学的学士学位。

回答:坦白讲,我认为想要搞好机器学习,需要有很强的数据背景。机器学习的本质上是统计学,只不过披上了花哨的算法外衣。这个领域迅速演变,就像狂野的西部,所以也有人形容机器学习是:牛仔统计学。但我认为机器学习被夸大了,基本的统计学就能解决很多问题。

我觉得你也应该在其他自己喜欢的领域继续研究。如果你不理解手上数据的意思,你也不可能进行很好的建模。我们这些人都会研究一个具体的问题,在他们感兴趣的领域,应用机器学习的方法。当然,你也可以选择搞纯粹的机器学习研究。

总之,数学和你感兴趣的领域,都很重要。

更多问答内容,可以访问这个网址:

https://www.reddit.com/r/IAmA/comments/6qbw5f/we_are_phd_students_from_harvard_university_here/

△ 参与答问的William Yuan

最后,他们还给出一些建议:

  • 编程入门可以借助这个网站CodeAcademy 地址:https://www.codecademy.com/
  • 进阶学习需要Python编程语言 地址:https://www.edx.org/course/introduction-computer-science-mitx-6-00-1x-10
  • 以及计算机科学入门课程(CS50) 地址:https://www.edx.org/course/introduction-computer-science-harvardx-cs50x
  • 概率入门课程(Stat110) 地址:https://projects.iq.harvard.edu/stat110/about
  • 机器学习入门课程 地址:https://www.coursera.org/learn/machine-learning
  • 不知道如何着手使用数据进行预测?以及想跟别人比试比试机器学习水平?可以试试参加Kaggle竞赛。 地址:https://www.kaggle.com/
  • 推荐一本最棒的机器学习教科书:《Machine Learning: A Probabilistic Perspective》 地址:https://www.cs.ubc.ca/~murphyk/MLbook/
  • Sklearn:真正伟大的机器学习算法,开箱即用 地址:http://scikit-learn.org/stable/
  • TensorFlow:先进的机器学习工具包,可以用来构建自己的算法 地址:https://www.tensorflow.org/tutorials/ 教程:https://github.com/aymericdamien/TensorFlow-Examples

【完】

来源:量子位

原文发布于微信公众号 - PPV课数据科学社区(ppvke123)

原文发表时间:2017-07-31

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CreateAMind

AI Insight:放弃幻想,搞 AI 必须过数学关

从2012年“大数据”概念兴起到2016年人工智能大热,已经四五年时间了,该看的热闹看到了,该爆炒的话题炒够了,该沉淀的也沉下来了。现在越来越多的人已经放下质疑...

18430
来自专栏CSDN技术头条

大数据时代需要转变的思维

大数据时代要转变的思维: 要分析所有数据,而不是少量的数据样本 要追求数据的纷繁复杂,而不是精确性 要关注事物的相关关系,而不是因果关系 1. 分析所有数据,而...

22670
来自专栏AI科技评论

开发 | 入门深度学习,读对书很重要

AI科技评论按:本文作者为 Jeffries Consulting 创始人 Daniel Jeffries,他以自己的阅读体验,对当前含金量极高的几本深度学习书...

378110
来自专栏人工智能快报

企业竞相布局人工智能

如今,很多大公司都会利用神经网络来完成一些模拟人类思维的任务。 最初实现的任务是语音识别,但是现在IBM的超级电脑沃森(Watson)及其他各种各样的神经网络正...

35340
来自专栏AI科技评论

学界 |「眼」来助听:谷歌视觉-音频分离模型解决「鸡尾酒会效应」

Google Research 软件工程师发表了可解决「鸡尾酒会效应」视觉-音频语音识别分离模型。 AI 科技评论按:人类很擅长在嘈杂的环境下将其他非重点的声...

46170
来自专栏企鹅号快讯

PyTorch一周年战绩总结:是否比TensorFlow来势凶猛?

选自PyTorch 机器之心编译 今天 PyTorch 刚好一周年。自发布以来,由于调试、编译等多方面的优势,它成为 2017 年热度极高的框架之一。本文内容介...

25080
来自专栏数据猿

2017年十本必读的大数据&人工智能领域书籍,你都读过吗?

【数据猿导读】年关将至,回顾2017,小编记得自己曾在年初的时候给自己定下一个小目标——就是读30本书。然而随着春节的临近,小目标却成了遥不可及的梦。不知道在过...

1K130
来自专栏新智元

Ian Goodfellow:我最大的失败是用无监督解决计算机视觉的监督学习问题

19140
来自专栏新智元

投资专家要小心,机器学习正在入侵VC

【新智元导读】机器学习对于投资管理将变得越来越重要,大多数公司将在 5 年内利用机器学习工具或数据,越来越多的战略创新过程将被自动化。本文还提出了解决过拟合问题...

35440
来自专栏AI科技评论

视频 | 我想跟AI打一架,用人类的方式

AI 科技评论按:这里是,AI研习社编译的 Two minutes paper 专栏,每周带大家用碎片时间阅览前沿技术,了解 AI 领域的最新研究成果。

10030

扫码关注云+社区

领取腾讯云代金券