关于人工智能的四大问题
发布时间：2021-06-10 13:27:56 所属栏目：大数据 来源：互联网
导读：在人工智能的发展历史上，通常是最初充满乐观和希望，随后带来的是幻灭与失望，而这样的过程循环反复。当今的人工智能系统可以在广泛的领域中执行复杂的任务，例如数学、游戏以及逼真图像的生成。但是当接近人工智能的一些早期目标时(例如管家机器人和自动驾
|
如今，研究人员致力于开发像人类视觉一样多功能的计算机视觉系统。并且成功地创建了人工神经网络，可以大致模拟动物和人类视觉系统的某些部分，例如检测物体和分割图像。但是它们很脆弱，对各种各样的干扰都很敏感，而且它们不能模拟生物视觉所能完成的全部任务。这就是需要采用其他技术的原因。例如，用于自动驾驶汽车的计算机视觉系统需要采用先进的其他技术，例如激光雷达和地图数据。
另一个被证明是非常困难的领域是感觉运动技能，人类无需经过特别训练即可掌握这些技能。例如行走、奔跑和跳跃。这些是人们无需特意思考就可以完成的任务。实际上，人们在走路时可以做其他事情，例如听音乐或打电话。但是，对于当前的人工智能系统而言，这些技能仍然是一项巨大而复杂的挑战。
Mitchell写道：“人工智能比我们想象的要难，因为我们很大程度上不了解自己的思维过程的复杂性。”
3.采用拟人化术语描述人工智能
将当代的人工智能系统与人类智能进行类比，会对人工智能的发展现状产生错误的印象。
人工智能领域通常充斥着一些术语，使其与人类智能处于同等水平。我们使用诸如“学习”、“理解”、“阅读”和“思考”之类的术语来描述人工智能算法的工作方式。尽管这种拟人化的术语通常是帮助传达复杂软件机制的称呼或简写，但可能会误导人们认为当前的人工智能系统的工作方式与人类的思维方式类似。
Mitchell将这一误区称为“如愿记忆法(wishful mnemonics)”，他指出：“这种称呼或简写可能会误导试图理解这些结果的公众(以及报道这些结果的媒体)，并且还会无意识地影响甚至人工智能专家的思考方式，以及他们开发的人工智能系统与人类智能的相似程度。”
“如愿记忆法”也导致人工智能社区以令人误解的方式命名算法评估基准。例如，考虑由人工智能中一些权威组织和学术机构开发的通用语言理解评估(GLUE)基准。通用语言理解评估(GLUE)提供了一组任务，这些任务可以帮助评估语言模型如何将其功能推广到更广的范围。但是，与媒体所描述的相反，如果人工智能代理获得的通用语言理解评估(GLUE)得分高于人类，则并不意味着它的语言理解能力要高于人类。
Mitchell写道：“虽然在这些特定基准上机器的性能优于人类，但人工智能系统仍然远远不能与我们与基准名称联系在一起的人类能力相匹配。”
“如愿记忆法”的一个典型例子是Facebook人工智能研究公司在2017年开展的一个项目，其中科学家训练了两个人工智能代理以基于人类对话的任务进行谈判。研究人员在他们的博客文章中指出，“更新两个人工智能代理的参数会导致与人类语言的差异，因为代理开发了自己的语言来进行交互。”
这导致行业媒体撰写了一系列文章提出警告，指出人工智能系统可能变得比人类更智能，并且正在以自己的语言进行交流。而在四年后的今天，这些先进的语言模型仍然难以理解大多数人在幼年时就能理解的基本概念。
4.与身体分离的人工智能
智力能与身体相互分离存在吗?这是科学家和哲学家几个世纪以来一直困惑的问题。
（编辑：惠州站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
