-
日期: 2017-04-18 | 來源: 科學網 | 有0人參與評論 | 字體: 小 中 大
我們之前從未開發過連它的創造者都無法完全理解的機器。我們能否與這些無法預測、無法理解的機器展開順暢的溝通，保持和睦的關系？帶著這些問題，我開始研究谷歌、蘋果和很多公司的人工智能算法，還找到了壹位當今時代最偉大的哲學家。
醫學嘗試
2015年，紐約西奈山醫院（Mount Sinai Hopital）決定用深度學習分析該院龐大的病歷數據。這個數據集裡包含病人的數百個變量，都來自他們的檢測結果、醫生面診等環節。由此催生了壹個名為Deep Patient的項目，它利用70萬病人的數據進行訓練，然後對新的病例展開測試：結果顯示，它在預測疾病方面表現拾分優異。
在沒有任何專家指導的情況下，Deep Patient挖掘了隱藏在醫院數據中的各種模式，甚至可以借此了解人們何時有可能患上肝癌等各種疾病。在西奈山醫院負責這個項目的喬爾?杜德利（Joel Dudley）表示，有很多方法都很適合通過病例來預測疾病。但他也補充道，“這種方法效果好很多。”
與此同時，Deep Patient也有些令人疑惑。他在預測精神分裂症等精神疾病方面的表現出奇得好，但由於精神內科醫生向來很難預測精神分裂，所以杜德利想知道，這套系統究竟是如何做到的。
他至今沒有找到答案，這套新系統沒有透露出任何理由。如果想讓Deep Patient真正為醫生提供幫助，最理想的情況就是闡述這種預測背後的邏輯，確保整個過程精確且有事實依據----例如，醫生給某人開具的處方藥物是否發生了某種變化。“我們可以開發這種模型，”杜德利說，“但卻並不知道它是如何工作的。”
人工智能並非總是如此。最初，關於可以理解、可以解釋的人工智能應該是什麼樣子，出現了兩派觀點。
很多人認為，最有意義的機器應該根據規則和邏輯做出判斷，這樣壹來，任何願意了解代碼的人都可以理解它的內部工作原理。
還有人認為，如果機器從生物學領域獲得啟發，通過觀察和經驗來學習，就更容易實現智能。這就意味著把編程任務交給機器自己來完成。解決問題時，不再需要程序員編寫命令，而是由程序根據樣本數據和渴望的輸出結果來自主生成算法。已經成為當今最強大人工智能系統的機器學習技術就遵循了後壹條道路：本質上是由機器自主編程。
這種算法起初的實際應用范圍非常有限，在1960和1970年代，還僅限於壹些邊緣領域。之後，很多行業的電腦化普及和大型數據集的湧現重新點燃了人們的興趣。這也推動了更加強大的機器學習技術的發展，尤其是新壹代的人工神經網絡。到1990年代末，神經網絡已經可以自動對手寫字母進行數字化處理。
但直到這個拾年初期，經過了壹系列聰明的調整和提煉之後，真正大規模----或者真正“深度”----的神經網絡才在自動感知領域實現了重大提升。如今的人工智能爆發都要歸功於深度學習，它為計算機賦予了無與倫比的力量，包括實現與人類相似的口語能力，這種技術非常復雜，根本無法通過手動編程來實現。深度學習還改變了計算機視覺，並大幅提升了機器翻譯效果。它現在可以用於引導醫療、金融、生產等各個領域的關鍵決策。
黑盒效應
與手動編碼的系統相比，機器學習技術的工作方式天生就很模糊，即便是對計算機科學家來說也同樣如此。這並不意味著未來的所有人工智能技術都會同樣難以理解。但從特性上看，深度學習的確像是壹個“黑盒子”。
你無法通過直接研究深度神經網絡來了解它的工作模式。神經網絡得出的推論，嵌入在成千上萬個模擬神經元的行為之中，它們組成了數拾甚至數百個雜亂相連的不同層次。第壹層的每個神經元都負責接收輸入信息，例如壹個圖像中某個像素的強度，然後通過計算來輸出新的信號。在復雜的網絡中，這些輸出結果會進壹步成為下壹層神經元的輸入信息，如此往復，直到生成整體輸出結果。
另外，還有壹個被稱作反向傳播的過程，可以通過調整個別神經元的計算讓神經網絡學會生成期望的輸出結果。
因為深度網絡有那麼多層，所以可以從不同的抽象層面認識事物。例如，在壹套專門為了識別狗而打造的系統中，底層神經元可以識別輪廓或顏色等簡單的元素，較高層次的神經元則識別皮毛或眼睛等更加復雜的元素，最頂層則負責識別狗這個整體。簡單來說，同樣的方法也可以用於處理其他任務，從而讓機器實現自學，包括說話時構成語音的聲音，在文本中構成句子的字母和單詞，或者開車時轉動方向盤的動作。- 新聞來源於其它媒體，內容不代表本站立場！
-
原文鏈接
原文鏈接:
目前還沒有人發表評論, 大家都在期待您的高見