人類能控制AI嗎?

人性化的人工智能通信:物聯(lián)網(wǎng)設(shè)備聽(tīng)起來(lái)更好

剛剛在紐約結(jié)束的奧萊利人工智能大會(huì)上，觀眾中有一種有趣的融合。除了通常的“獨(dú)角獸”(即數(shù)據(jù)科學(xué)家)群體之外，還有一個(gè)規(guī)模足夠大的管理層群體，足以填滿高管會(huì)議的會(huì)場(chǎng)。隨著人工智能充斥著媒體和大眾，你必須生活在巖石下才能不熟悉人工智能的話題，即使這些定義和機(jī)器合成的邏輯一樣模糊。高管們想知道這個(gè)新的董事會(huì)流行語(yǔ)是關(guān)于什么的。

《麻省理工斯隆管理評(píng)論》(MIT Sloan Management Review)執(zhí)行主編戴維•克龍(David Kiron) 2017年對(duì)3000名高管進(jìn)行了研究，結(jié)果顯示，高管們肯定聽(tīng)說(shuō)過(guò)人工智能，但他們的組織仍處于實(shí)施人工智能的早期階段。只有23%的公司真正部署了人工智能，而5%以上的公司已經(jīng)開(kāi)始在他們的企業(yè)中嵌入人工智能。房間里有一些不同意見(jiàn)，認(rèn)為調(diào)查可能抽樣不足，因?yàn)楦吖芸赡芘c人工智能領(lǐng)域的開(kāi)創(chuàng)者沒(méi)有密切接觸。但麥肯錫(McKinsey)去年進(jìn)行的一項(xiàng)規(guī)模類似的3000份樣本顯示，只有20%的公司使用人工智能相關(guān)技術(shù)，其中約12%的案例被商業(yè)采用。

成功并不難找。富國(guó)(Wells Fargo)超越了聊天機(jī)器人，利用人工智能來(lái)改善欺詐檢測(cè)，并為客戶體驗(yàn)添加上下文。谷歌發(fā)現(xiàn)，建立一個(gè)跟蹤G套件試用版使用情況的ML模型，可以使他們?cè)谧疃虄商靸?nèi)預(yù)測(cè)誰(shuí)可能在45天的免費(fèi)試用結(jié)束后成為付費(fèi)用戶?？悼ㄋ固厥褂蒙疃葘W(xué)習(xí)來(lái)提供更多的上下文服務(wù)，同時(shí)它還跟蹤客戶設(shè)備的工作狀態(tài)。

但是，當(dāng)我們?cè)诔晒Φ墓适潞头椒ㄕ摰纳罹恐邪仙鏁r(shí)，我們想知道人類如何才能掌握這種新發(fā)現(xiàn)的力量。雖然分析已經(jīng)擴(kuò)展了我們獲取洞見(jiàn)的能力，但人類仍然在如何解釋數(shù)據(jù)上做出決定。有了人工智能，這一負(fù)擔(dān)得以分擔(dān)。我們注意到幾點(diǎn):首先是對(duì)數(shù)據(jù)的基本信念——數(shù)據(jù)越多，機(jī)器學(xué)習(xí)或深度學(xué)習(xí)模型就越好。事實(shí)上，數(shù)據(jù)爆炸是人工智能從冬天走向春天的因素之一。下一個(gè)被問(wèn)責(zé)。

對(duì)于人工智能來(lái)說(shuō)，數(shù)據(jù)并不是季節(jié)從冬天變到春天的唯一原因。云計(jì)算降低了進(jìn)入門檻(您不需要購(gòu)買自己的HPC網(wǎng)格);優(yōu)化硬件(如gpu、TPUs);連通性;開(kāi)源(你不必重新發(fā)明輪子來(lái)設(shè)計(jì)算法)當(dāng)然也在發(fā)揮作用。我們看到人工智能被用來(lái)幫助從業(yè)者進(jìn)行人工智能——見(jiàn)證了新一代的非專業(yè)友好服務(wù)，如亞馬遜SageMaker，或Oneclick等工具。人工智能，你可能不總是需要數(shù)據(jù)科學(xué)家來(lái)做人工智能火箭科學(xué)的工作。

但令人困擾的問(wèn)題是，在什么情況下，不斷增長(zhǎng)的數(shù)據(jù)量會(huì)給人工智能帶來(lái)越來(lái)越少的回報(bào)?在存儲(chǔ)方面，Hadoop社區(qū)已經(jīng)開(kāi)始處理我們?cè)趯彶镠adoop 3時(shí)提到的擦除編碼問(wèn)題。正如互聯(lián)網(wǎng)和電子郵件最初并沒(méi)有考慮到安全性一樣，在Yahoo、Facebook和其他公司基于已發(fā)布的谷歌研究開(kāi)發(fā)HDFS時(shí)，信息需要生命周期的意識(shí)并不是考慮因素之一。

在大會(huì)上，我們沒(méi)有發(fā)現(xiàn)任何演講者提出“何時(shí)數(shù)據(jù)足夠就足夠了”的問(wèn)題，但斯坦福大學(xué)(Stanford University)放射學(xué)副教授格雷格•扎哈查克(Greg Zaharchuk)的一場(chǎng)演講暗示，成功的人工智能可能并不總是需要看似無(wú)窮無(wú)盡的數(shù)據(jù)洪流。在這種情況下，需要優(yōu)化醫(yī)療成像的使用，特別是CT或MRI掃描，保險(xiǎn)公司和患者都喜歡盡量減少，因?yàn)橹委熓前嘿F的和令人不愉快的。因此，你得到了流向大腦的模糊的CT圖像，這是數(shù)據(jù)缺乏的癥狀。理想情況下，最好是讓病人再做一次掃描，或者做一次更長(zhǎng)時(shí)間的掃描，但這并不實(shí)際:對(duì)病人來(lái)說(shuō)，這太不舒服了，保險(xiǎn)公司也要花大價(jià)錢才能得到一張完美的照片。

扎哈切克的團(tuán)隊(duì)正在研究深度學(xué)習(xí)的潛力，以減少病人暴露在昂貴或有害的放射成像過(guò)程中。他們從一個(gè)相當(dāng)小的數(shù)據(jù)集(約100名患者)著手，進(jìn)行了將“參考圖像”數(shù)據(jù)與來(lái)自MRI、CT和PET掃描的實(shí)際患者圖像相結(jié)合的測(cè)試，發(fā)現(xiàn)使用一組深度學(xué)習(xí)方法在填補(bǔ)空白方面提供了希望。最重要的是，它不需要在全國(guó)范圍內(nèi)收集樣本來(lái)獲得可行的結(jié)果。

此外，2018年人工智能對(duì)企業(yè)的價(jià)值將達(dá)到1.2萬(wàn)億美元

至于問(wèn)責(zé)制，期望我們能夠解釋模型的功能及其背后的原理是否現(xiàn)實(shí)?我們回顧了SAS的創(chuàng)始人Jim Goodnight博士，他在幾個(gè)月前的一次分析師會(huì)議上對(duì)ML和DL模型的責(zé)任表示了擔(dān)憂。特別是在使用神經(jīng)網(wǎng)絡(luò)的情況下，多個(gè)模型可能會(huì)協(xié)同工作，建立指揮鏈可能會(huì)很有挑戰(zhàn)性，比如確定負(fù)責(zé)批準(zhǔn)或拒絕貸款申請(qǐng)的實(shí)際算法或數(shù)據(jù)集。這個(gè)問(wèn)題正在得到更多的關(guān)注。如果你正在尋找Netflix推薦一部電影或亞馬遜推薦相關(guān)產(chǎn)品背后的邏輯，那么其中的利害關(guān)系可能并不重要，但如果涉及到像計(jì)劃腦外科手術(shù)這樣的重大問(wèn)題，那就另當(dāng)別論了。

這是一個(gè)社區(qū)仍在努力解決的問(wèn)題。

劍橋大學(xué)(University of Cambridge)機(jī)器學(xué)習(xí)項(xiàng)目教授佐賓·加赫拉馬尼(Zoubin Ghahramani)認(rèn)為，使用算法可能會(huì)涉及法律責(zé)任和隱私問(wèn)題。Kathryn Hume，風(fēng)險(xiǎn)投資家，integration公司產(chǎn)品和戰(zhàn)略副總裁。人工智能是一家為b2c企業(yè)應(yīng)用人工智能與客戶互動(dòng)的初創(chuàng)公司，該公司認(rèn)為，問(wèn)責(zé)制的真正挑戰(zhàn)在于解釋向模型輸入的信息和它們產(chǎn)生的輸出。

“數(shù)據(jù)收集中的盲點(diǎn)可能會(huì)導(dǎo)致更大的問(wèn)題，”她說(shuō)，并補(bǔ)充說(shuō)，關(guān)注結(jié)果(我們是否為正確的目標(biāo)獲得了正確的結(jié)果)可能更貼切。Unity Technologies人工智能和機(jī)器學(xué)習(xí)副總裁丹尼•蘭格(Danny Lange)指出，即便是對(duì)于產(chǎn)品推薦等日常功能，解釋模型也很困難。如何解釋這些模型?“也許我們應(yīng)該從人類心理學(xué)中借鑒一些想法，”他大膽地說(shuō)。