首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >CCAI 2017 | AAAI 执委 Toby Walsh: AI 是中性技术,如何用它更好地为人类服务

CCAI 2017 | AAAI 执委 Toby Walsh: AI 是中性技术,如何用它更好地为人类服务

作者头像
AI科技大本营
发布2018-04-28 10:26:40
5870
发布2018-04-28 10:26:40
举报

澳大利亚新南威尔士大学教授、AAAI 执行委员会成员 Toby Walsh

文/CSDN

7 月 22 - 23 日,在中国科学技术协会、中国科学院的指导下,由中国人工智能学会、阿里巴巴集团 & 蚂蚁金服主办,CSDN、中国科学院自动化研究所承办的 2017 中国人工智能大会(CCAI 2017)在杭州国际会议中心盛大召开。

在本次大会上,澳大利亚新南威尔士大学教授、AAAI 执行委员会成员 Toby Walsh 发表了主题为《人工智能如何造福人类》的演讲。

在 Toby Walsh 看来,虽然埃隆马斯克、霍金等大佬对人工智能心存怀疑,但这并不影响人工智能造福人类。Toby Walsh 用“食物银行”和“器官银行”两个案例证明,人工智能在解决贫穷、医疗等问题时,大有可为。

本文根据 Toby Walsh 主题演讲整理,略有删减:

在中国,人工智能技术非常有潜力,而且我相信这种潜力是无法预估的,因为每次我来到中国,都会惊异于中国人工智能的发展是多么如火如荼。

今年的 IJCAI 会议在澳大利亚举办,我是会议主席,今天早上我看了会议投稿系统,发现现在向 IJCAI 提交论文数量最多的国家是中国,中国学者向 IJCAI 提交的论文数量已经超过了欧美。会议的注册人数已经达到历史最高水平,至少有 2000 人,很多参会者都来自中国,希望下个月在墨尔本能够与在座的诸位再次见面。

相信大家都关注过 AlphaGo 的新闻,来自中国和韩国的顶级棋手最终都败在了它的手下,结果令人惊讶。2014 年,法国研究人员写出了围棋程序,他当时预测:要让计算机打败专业棋手还需要花费几十年时间。然而事实证明他的预测错了,我们只花了几年的时间就实现了这一点。Google 在 AlphaGo 项目所花费的精力是其他项目的十倍,取得的结果令人惊叹。

我们只花了几年的时间就实现原本要十几年才能实现的目标,这得益于快速增长的计算能力,拥有这样的能力,不管是围棋还是其他的领域(比如肺病的诊断),我们都能通过程序来实现,然而现在人工智能技术并没有非常广泛的应用。再例如,在胚胎移植过程中,我们可以用深度学习技术和程序来找到最佳的移植细胞,这将比任何医生都要做得更好。

在英国,我们可以用聊天机器人获得医疗服务,它能够为你诊断病情,告诉你头痛是否真的病情严重,还是只需要吃点止痛药就可以了。

有时候软件做得要比人更好,比如说最近日本有一家人寿保险公司,采用了 IBM 的Watson ,用它来替代公司数十名雇员。

如果说你要在 Expedia 这样的网站上预定航班,也可以通过机器学习技术来找到最适合你的航班组合。

所以,我们看到人工智能技术已经应用在很多的领域,这并不让人感到意外。那到底人工智能要走向何方?未来机器是否会取代很多人的工作,甚至取代人类?我的演讲就是要解决这样的一些担忧,我们要想想到底人工智能和机器对我们产生了什么样的影响。

人工智能是中性技术

在澳大利亚,我们建立了一个新研究所——Centre on Impact of AI and Robotics,我是其中的研究员。我们想了解技术到底发展得多快,它会走向何方,以及会带来什么样的挑战。

先讲讲未来人工智能对伦理会产生什么样的影响。我们能从工业变革中学到一些东西,因为在未来人工智能会改变社会,而社会又将做出什么样的改变?答案是,从心理学和社会学角度,生活的方方面面都会受到影响。因此要开展这样的对话,来迎接这样的变化。

其实还有很多的领域也是相当重要。第一个就是教育,如果未来要和机器抢饭碗,人类要做好准备,其中将改变的一个领域那就是教育。教育毫无疑问是我们能够在未来生存,能够在这样的变革中维持人类繁荣中很重要的一点。工作是不是存在,或者说工作是不是被机器取代,还是说机器是否带来更多的工作?而在未来,能确认的一点是新工作、新技能需要交互,所以教育是我们在这样一个过渡时期需要非常关注的一个领域。

这里有一份教育白皮书,是澳大利亚刚刚发布。来看看教育在发生什么样的变化,要做什么。如果要和人工智能技术在未来 20 年内共存,要应对怎样的变化?小孩要应该具备怎样的技能,当他们以后工作的时候才会适应人机共存的这样一个时代?现在已经有很多人来谈劳动力的教育了,现有劳动力的教育又该怎样?所以教育和工作是分不开的,人工智能一定会带来巨大的变革,特别是工作方式的改变。

以后驾驶会被越来越多的机器所掌控,现在数百万人死于车祸,其实大多都是人为错误导致的。如果机器能够更好地干预驾驶系统,将会更加安全,但是前提是要有一个可靠的系统。

自动驾驶技术也能降低经济开销,里斯本有这样一个预估,只需要原来 1/10 的车辆就能满足整个城市的交通;而且到后面,私人小汽车会变得越来越便宜,这对于绝大多数人来说这是好消息。而且在车里面的时间你可以工作,可以看书,看一部电影,回邮件。机器可以帮助我们做更多的工作,我们就可以休息、享受,这是一方面;但是另外一方面,是不是对某些人来说他们就没有工作了?人工智能在多大程度上会影响到生活?可能有些人说我没办法相信机器人。

看待这个世界的观点一定是变化的。我们和其他监督委员会成员在纽约的联合国开了这样的会议:人工智能和机器人如何改变生活?我们是否需要担心呢?我觉得担心是必要的,担心是否会人机大战,就像核弹、核武器完全被机器控制,机器完全取代和控制了整个社会,下个月联合国关于人机道德的会议将会有新的消息出来,大家可以拭目以待。

现在人们对人工智能有些担心和反馈,所以我们要考虑好、准备好,要未雨绸缪。接下来我想从研究学者的角度来谈,如何找到“人工智能好的一面”。

人工智能是中性技术,它可以用于好的方面,也可以被坏人利用。它可以让生活更加美好,提高经济繁华度、降低贫穷,提升医疗质量、教育质量,可以极大地提升生活质量,但是同一个技术也可以引发战争,可以带来伤害,可以带来大规模的失业等。

同样的一个技术它亦好亦坏,作为研究人员,我也很荣幸能够在这么多的问题当中选择一个研究点,而我所选择的这一点,就是能不能让 AI 带来很好的社会效益。上个月我在日内瓦的联合国大会参加了一次会议,也代表了 AI 界来谈一谈对 AI,对于社会和我们所生活的星球的畅想,其实 AI 可以让每个人的生活更好,可以实现联合国新千年的目标。

所以我想跟大家谈一谈,能不能通过人工智能改变人们的生活。

食物银行

我来自于澳大利亚非常小的城市。澳大利亚只有 2300 万人,我知道 2300 万人不算什么,特别是对中国来说。但是有 220 万人是在生活在贫穷之中的,贫穷是说 220 万人没有达到平均的水平,其中有超过 10 万人无家可归,10% 是儿童。

我们有一个很好的慈善的项目,是和新南威尔大学合作的,其实不是谈多少钱投入的问题,而是希望改善人们的生活。这个项目叫“食物银行”,我们希望利用技术让社会变得更加美好,而且它也获得了微软的 Imagine Cup 的奖项,让这些项目和 AI 结合来改善生活。现在,我们把项目拓展到了俄罗斯和美国,希望借鉴这个项目,让他们当地在扶贫和解决社会问题上有很大的进展。

“食品银行“怎样做的呢?其实在超市和餐馆里,每天都会有很多的食品,其中肯定是有剩余的。“食品银行“将会选择不同的剩余食品来进行捐献,并自动地配送给不同的慈善机构和教会,而这需要解决去哪儿把食物收集起来,然后怎样配送给需要的穷人。其实就是把不同慈善机构的信息放在一个平台上,而且它解决了不同的慈善机构收集到的不同量的食品的问题。我们把这样一个研究项目变成具有实际意义的项目,所以只要我们能够解决公平性的问题,那我们就知道这个食物是什么,这个食物分配给谁。其实从本质上来看的话,这就是在解决线上不透明的问题。

在我们谈食品配送的时候,一定要先考虑食物或者是货品的公平分配问题,所以我们就开发了这样一个模型,来保证食品是一个接一个地按顺序去送达,也就是说我们能够看到,一份食品配送以后,进行下一个食品的分配,就是0和1的问题:有和没有。

其实我们还有一个非常激动人心的研究,这是新的功能。当我们谈线上分配的时候,其实是资源和人进行匹配的问题,但是另外一个方面,每一天我们都是在解决一个公平性的问题,换句话说,社会变得越来越公平。你想要的东西我们给不到你,我们会说抱歉,因为我们要给到其他的慈善机构,其他的慈善机构更需要,但是明天可以给你更多想要的物资。从长期来看,这是公平性的机制,而且这是合理的,比如说我有鸡蛋,你给我面粉。如果你给我苹果,那我就不需要香蕉了,这是混合多样化的模式,其实这也是在解决存储的问题,我们自己没有分配完的也会存储到仓库,不会随便地把食品处理掉。所有获得食品的慈善机构,并不是得到生态验证的绿色标签食品机构,很多都是小机构,所以品质上、时效日期上需要做更好地掌控,因此我们需要一些新的方法来解决这样的问题。

还有一些例子,我们可以通过点赞的方式来对商品进行评估和打分。对于多数人喜欢的物品,就可以选出来进行竞标,这是一个非常好的工具,但是这个功能另外一个缺陷就在于说这些商品的选择可能是随机的,有时候不走运的话,可能拿不到这个商品,或者说你另外的人抢了这样一个竞标。这一机制有好有坏,也是如何实现平衡,把商品给到最需要的人手上,而不是让这样的竞价导致另外一个失衡。我们希望通过点赞的方式,最起码知道大家对哪些商品需求量是大的。

另外在这样的技术当中,我们还有一个要研究的点,那就是所谓的规范化的功能。对于点赞这样一个方式,其实你没办法掌控大家的意见,因为这是随机的、自主的,我们不希望有人去操控这样的系统,比如说刻意让某一些商品特别热门,点赞只是个人的行为,你喜欢这个商品你就竞价就点赞,所以这是平衡线的问题。

平衡线机制,有些情况下可以做得非常公平,但另外一方面可以让你有机会控制它,有些人可能是真的有意地以一种团队的方式去操纵,比如说某慈善机构说我特别想要这样的物资,然后让很多人来点赞和竞标。所以这更多是一个数学问题,要保证公平性的机制。也就是说,在能够保证你拿到所要的同时,保证其他人也拿到他们想要得到的东西,如果你嫉妒其他人拿到的东西,那我的机制就不对。

在配送过程中,商品的选择是有时效性的,不能说每次都选这样一个商品,这肯定不行,因此要把握时效性和公平性。

器官银行

另外一个是“器官银行“的项目。医院会把一些器官在不同医院当中进行转送,比如治疗肝脏、肾脏方面的疾病可能需要做器官移植,如果有一些濒临死亡的病人,他们可能会把自己的肾捐献出来,去救治另外一个需要换肾的病人。

但是在澳大利亚,这样一个器官库的建立和维护是很大的问题,成本非常高,比如说对于肾病病人而言,他可能必须花十几万的美元才能获得肾脏移植,而从国家层面要看,要花数亿美元。

根据统计,在 1989 年澳大利亚刚开始做器官移植的时候,平均的器官年龄是 32 岁,而现在平均器官年龄是 46 岁,也就是说捐赠者的年龄越来越高,对于医院来,说引发了一种担忧: 能不能把比较老的器官匹配在较年轻的人的身体当中?因为缺少年轻的器官,这就涉及到如何更好地分配器官,就像我们分配慈善机构的食物一样,更多的是线上的问题。

年底的时候我们可以看到有多少器官捐赠,有多少人排队接受器官的移植,你就知道供需之间的关系是怎样的了。我们保证供需最大化的对接,这个问题看上去非常简单,但是其实要考虑的东西有很多,比如说血型上、年龄上的匹配,由于不知道在 24 小时之内匹配出什么样的血型,什么样的器官,因此要收集器官的血型、年龄(尤其是捐赠者的年龄),而且还要考虑到地理位置,比如说可能在新南威尔士城市等待移植的人很多,而偏远地区的人没那么多。

给大家一些例子,看看我们碰到的挑战。这些柱状图可以看到血型的分布,可以看到,在不同的人群当中,不同血型的分布是不一样的,其中 O 型血是比较多的,但是 B 型是比较少的,捐赠者 10% 是 B 型血的人,能够收到的 B 型血器官的人是 14%,还有 10% 的人是在等待,这是一个非常糟糕的消息。

我看到这张图之后,问医生为什么会这样,可能是 B 型血不太容易得疾病。那么怎样使 B 型血的供需分配会更加平衡一些呢?当然我们可以用万能的 O 型血。然而反过来却不行,因为O型血不能用 B 型血,所以这对 O 型血的患者不是很公平。因此可以看到,不同血型上的分配面临着不同的挑战。

我们用了一个 KDPI,就是肾脏捐赠者的指数,我们会对器官捐献者的年龄和其他方面算出来的指数,另外我们对接受器官移植的患者会用 EPTS,也就是预期的移植后的生存率,比如说你是50岁左右的,那可能看到的是处于一个能够在移植后能够存活的比例中的中间值,在年龄上下的生存率不同,比如说你做透析什么的都会对健康产生影响。我们看看 KDPI 和 EPTS 指数,可以看到这两者之间是没有太多的关联性。

所以我们需要有一个新的东西,后来我们有了 Box 机制,它有点像词典编写的方法,然后还有在等待的时间,我们就是通过这样一种标准来推导 KDPI 和 EPTS 之间的关联性。

看上面这张图更清楚一些,第一块是更倾向于年轻的患者、年轻的器官,然后是第二、第三块,我们通过这样的机制,可以看到它的效果有多好。

看看上面这张图,肯定能看出来这比原来好很多,它不是随机的,而是在这之间出现了一定的关联性,当然我们还可以做得更好。

我们可以有一个简单的机制方便大家继续学习,让你在两个指数间有一个完美的关联性,现在这张好多了,KDPI和EPTS之间尽可能地缩短,这让结果更加公平。所以我们可以做得更好,让人们的生活更好,让人们的寿命更长。

同时,我们也看到器官银行和食品银行,两者最重要的是他们的机制,我们要用两侧配对的方式,比如说一方面是患者需要器官,另外一方面器官寻找患者,我们要在两者之间寻找关联性。对于患者来说,肯定是想要最年轻的捐献者的器官,因为这样在移植以后寿命更长一些;另外对医来说,他们也希望将器官放在健康的患者身上,这也是非常经典的两侧匹配的方式。两边都是共同的偏好,两边都是希望更年轻的捐献者的器官。所以我们有一个非常唯一性的稳定匹配。

沃夫几年前获得了诺贝尔奖,他研究的是稳定匹配的问题。这里的话,比如说你要的是男性或女性的器官,他们这种匹配都是唯一的,它需要有一个非常特殊的属性,我们排第一位的年轻的患者可以拿到最年轻的器官,这样的话他们就非常满意了,因为他们拿到了最好的器官。然后的话排第二位的器官,我们对患者和器官都进行排列,然后进行配对,但是我说过这是线上的问题,我们不能等一年以后再对所有的患者和器官进行排名,然后再选择最好的配对方式,因为这是一个动态的过程。

平均来说,他们要对人群进行排列,所以我们让 EPTS 和 KDPI 进行匹配的话就能解决这一问题,这也是我们想要达到的效果。所以我们既能够找到独特、稳定的配对,同时也解决了线上的问题。另外,我们每次也能有一些简单的模型,比如说在每个时间点有一些患者来,有一些患者走,有一些器官到,那我们这个器官在到达以后进行配对,每个器官都有 KDPI,每个患者都有 EPTS,我们也能证明这个功能是非常好的。如果有更多的器官到了,这样的话你能够选择的器官可以更多,如果我们增加患者的数量,那患者拿到更好器官的概率就会下降,这样我们可以有一个决策化的功能。

另外,我们可以看到没有任何一个机制能够满足所有的需求。而唯一能够不受操控的机制就需要采用随机方法。为什么这一 点非常重要?在 2012 年,当时德国有一个丑闻,他们发现医生对患者的排列进行了一些操控。所以说澳洲也是非常关注这个系统是否会被人为地进行操控。

我们现在采用这个系统是不会有人为的操控情况,这也是政府非常关心的,他们防止参与其中的人会有腐败的行为,因为之前在德国出现过类似这样的丑闻。患者等待的时间也是非常重要的因素,如果一直等可能会死掉(因为拿不到器官),所以在时间图里面也需要把等待时间放进去,不管采用什么机制,等待的时间基本上是保持一个稳定的状态,所以它的分配是非常公平的,它两头是略微偏离了直线,但是大部分是非常完美的直线,所以不管怎样,等待时间都是差不多的。否则采用其他机制,会对一些年纪比较大的人不是那么公平,所以我们最关注的是配对的公平问题。

再来总结一下,我们看到了非常多的线上分配问题,现在也用到了很多特殊的特征,比如说共同的偏好等。我们也可以做一些非常好的规范化分析,这也是非常有用的,因为我们可以在公平和效率之间取得平衡,我们要知道如何去看待问题。我相信现在人工智能技术已经为社会福祉做了很多工作,如社会安全等、健康、医疗领域等。人工智能技术能够解决社会很多方面的问题,我们要让人过得更加幸福。

如果大家想要了解更多,可以关注我即将出版的新书《机器在思考》(而且是中文版),可以在亚马逊上预定,这本书不是讲人工智能的历史,而是讲我们所面临的挑战以及未来该怎样去做。

非常感谢!

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-07-23,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI科技大本营 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 本文根据 Toby Walsh 主题演讲整理,略有删减:
  • 人工智能是中性技术
  • 食物银行
  • 器官银行
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档