关于AI的最常见谬论之一:简单的事很难自动化

标签:AI自动化
分享到:

人工智能的历史,以看好和极有希望为开端,紧接着是幻灭与失望为结果,一直周而复始循环着。 今的AI系统可以在广泛的领域中执行复杂的任务,例如数学、游戏和逼真的图像生成。 但是当我们接近AI的一些早期目标时,如管家机器人和无人驾驶汽车,离这些目标仍仍然渐行渐远。《人工智能:思考人类的指南》的作者梅拉妮·米切尔(Melanie Mitchell)说,错过这些目标的持续循环的一部分是由于对AI和自然智能的错误假设。

对人类而言,我们希望一个聪明的人去做难以解决的事情,这需要多年的学习和实践才能实现。例如解决微积分和物理问题,完成大师级别的下棋挑战,或背诵大量诗歌之类的任务。

但是经数十年来的AI研究证明,那些需要自觉关注的复杂工作更容易实现自动化。而简单的工作,我们认为理所当然的事情,很难实现自动化。米切尔将这个设想翻译为“容易的事情很容易,而艰难的事情很难。” 米切尔解释道:“我们人类不加思索就能做到的事情:例如看世界,了解我们所看到的东西,对话沟通,在拥挤的人行道上走而不会撞到其他人,这对机器来说是最艰巨的挑战。相反,让机器去做对人类来说非常困难的事情通常会更容易; 例如,解决复杂的数学问题,精通国际象棋和围棋之类的游戏以及在数百种语言之间翻译句子,这些对于机器来说都变得相对容易了。”

就拿视觉来举例,数十亿年来,生物体已经进化出用于处理光信号的复杂器官。动物用它们的眼睛锁定周围的物体,观察周围的环境,寻找食物,检测威胁并完成许多对其生存至关重要的任务。我们人类从祖先那里继承了所有这些能力,并且在没有意识的情况下使用它们。 但是,其基本机制确实比使高中和大学要学习的数学公式更为复杂。

当前的现状是:我们仍然没有像人类视觉一样通用的计算机视觉系统。我们设法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各个部分,例如检测物体和分割图像。但是人工神经网络很脆弱,对许多不同种类的干扰都很敏感,并且它们无法模仿生物视觉可以完成的全部任务。因此,像在自动驾驶汽车中使用的计算机视觉系统需要使用激光雷达和地图数据等先进技术进行补充。

另一个被证明是非常困难的领域是感知和运动技能,例如行走,奔跑和跳跃,人类无需经过明确的培训即可掌握这些技能,这些是可以在没有意识的情况下完成的任务。实际上,在走路时,人类还可以做其他事情,例如回信息或打电话。但是,对于当前的AI系统而言,这些技能仍然是一项巨大且昂贵的挑战。

米切尔写道:“人工智能比我们想象的要难,因为我们在很大程度上意识不到自己思考过程的复杂性。”

继续阅读
智慧城市的中场战事:用边缘AI撬动25万亿市场

2017年底时,麦肯锡全球研究院发布了一则《数字时代的中国:打造具有全球竞争力的新经济》报告,其中指明中国的数字化进程正在加快,例如2013年美国各个行业的数字化水平是中国的4.9倍,到2016年时已缩小到3.7倍。

自动化是云原生应用程序安全的关键

采用云优先策略的企业正在以惊人的速度发展。规模较大的企业可能每天进行数千次部署,同一时期的代码更改次数可能达到数十万次。

人工智能在自动化航运物流中的应用

在冠状病毒疫情发生之后,为了克服供应链的复杂性和劳动力短缺的挑战,企业考虑采用各种技术流程。在这种不确定的环境下,人工智能已经在简化航运物流以适应新常态方面发挥了重要作用,并且影响广泛。

未来,比人类更强大的不是AI,而是掌握了AI的人类

目前,AI已在汽车、教育、医疗等领域深度赋能。比如在汽车领域,去年有近600万辆汽车安装了科大讯飞的智能语音系统,通过语音就可以直接和汽车对话,实现导航、听歌等功能,这在万物互联时代还会越来越普及。

为什么说好的AI训练数据平台对人工智能至关重要

人工智能技术正应用到各个行业当中,并对推动人类科技经济发展起着加速作用。麦肯锡全球研究所(McKinsey Global Institute)的一项预测显示,随着人工智能技术越来越成熟,能力越来越强,预计它将极大地推动世界经济,到2030年将创造约13万亿美元的附加价值。