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

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胡永波

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!

原文发布于微信公众号 - 人工智能头条(AI_Thinker)

原文发表时间:2017-07-23

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

来自专栏人称T客

微软关闭Skype 转型遭遇的“拦路虎”

作者:T客汇 窦悦怡 关键词:微软 关闭Skype 转型失败 拦路虎 网站:www.tikehui.com 导语:面对市场的持续变迁,微软、惠普、戴尔、E...

3537
来自专栏镁客网

那些年,“砖家”发表的所谓科技预测

1305
来自专栏新智元

【马斯克为 AI 怼上扎克伯格】人工智能威胁人类文明,历史争论总结

【新智元导读】扎克伯格与马斯克就人工智能威胁的争议已经火遍全球。这不是马斯克第一次因为说 AI 威胁人类生死存亡而与人怼起来。你并不能说马斯克不懂 AI——实际...

3538
来自专栏科技向令说

响铃:数千亿级汽车后市场,拼什么才能领先?

据官方数据,截至6月底全国汽车保有量达2.05亿辆,其中私家车达1.56亿辆,占76.32%,2016年下半年以来月均增加164万辆,呈持续快速增长趋势。在此情...

1045
来自专栏镁客网

VR线下体验店,爆点可期,先得求变

1643
来自专栏科技向令说

响铃:企业SaaS上演“三国”杀,谁才是决定生死的变量?

如果我们把2015年O2O从火热到遇冷再到此起彼伏的兼收并购看做是2C市场日益饱和逐步冷静的信号,那2015年阿里钉钉、和创、金蝶友商网、大象盯盯、高速波等专...

1352
来自专栏大数据文摘

吴军:机器智能时代,如何成为最先受益的2%?

2104
来自专栏镁客网

顶级投行高盛VR/AR报告全文中文翻译 Part II

2573
来自专栏人工智能

人工智能将应用医疗,前景广泛

IT之家 12月25日消息 近期一档人工智能节目中,人工智能阅片机器人的表现,引起了广大网友的关注,智能阅片机器人单挑15名来自全国三甲医院的有着数十年阅片经验...

2225
来自专栏达观数据

对话达观数据陈运文:文本智能处理潜力无限,“AI员工”将为企业处理90%的文本工作

1723

扫码关注云+社区

领取腾讯云代金券