本文作者仅代表个人观点。雷竞技手机版
人工智能(AI)被普遍接受的定义是计算机在没有人为干预的情况下进行决策的能力。让我们思考一下:如果我教一台计算机2加2等于4,那么从那一刻起,这台计算机将能够回答“2加2等于几”这个问题,而无需人工干预。
这是否意味着它具有人工智能能力?有点像,但这有点像作弊,因为人类干预确实发生过,只是在过去。计算机只能解决它被指示回答的特定问题。
在过去的50年里,人类以算法的形式为计算机提供了数百万条指令。因此,今天的计算机可以在许多明确定义的情况下工作,例如计算宇宙飞船的轨迹、纳税申报单、会计余额等等。
那么,这是人工智能吗?形式上是的,但这并不是人们现在说人工智能的真正意思。
每个人都在谈论的真正神奇之处在于,计算机能够学习如何思考并自行解决问题——而无需提供具体的指令。
这是人工智能中最有趣的部分,称为机器学习(ML)。
就像人一样,计算机需要训练如何学习新事物并在新情况下采取行动。与人脑类似,计算机神经网络在做决定时需要训练使用一些最优路径。这就是所谓的训练。
今天的计算机是如何学习的?
通常,人们听到ML时会想到一种即插即用的方法。他们尝试了,但并不奏效。
好吧,让我们公平地对待电脑。想象一下,教孩子一些复杂的概念,却不先教他们阅读和写作等基本知识。即使是最聪明的孩子也会失败。
不幸的是,有些人就是这样对待电脑的。我们用复杂的(真实的)数据来训练计算机,这会使计算机感到困惑。我们在教人们的时候不会这样做——那么,为什么我们只是简单地把计算机扔进深渊呢?
原因之一是我们需要并希望立即看到结果。更重要的是,许多公司根本没有足够的数据、专业知识或资源,无法让一台计算机完成适当培训所需的所有步骤。
一些公司已经朝着正确的方向迈出了一步,它们建立了人工数据来训练计算机,包括生成式教学网络而且学习进步方法。在Andrew Ng这位谷歌Brain联合创始人在最近的会议上强调了更加重视数据准备的好处。
显然,该领域内的每个行业和项目都需要培训。这一层训练可以比作大学水平的知识,应该建立在早期学习的基础之上。
那么,ML训练应该是什么样的才能真正起作用呢?
第一步:从基础开始。
在学生学习代数之前,他们需要会数数。
计算机训练ML也应该从简单的数据开始。想想电脑日托吧。慢慢地,数据的复杂性增加了,直到使用真实数据。
第二步:打基础。
孩子们通常被教导“陌生人的危险”,这鼓励年轻人相信父母和某些权威人士,而不是他们不认识的人。对于机器来说,关键是要理解并非所有数据都是平等的。应该指导ML如何识别可信源。
第三步:专业化。
进入日托所的孩子们都带着一张“白纸”。他们都被教授同样的基本知识:字母表中的字母、如何数数以及应该相信谁。到他们上学的时候,他们可以拿起一本简单的书,进行基本的算术。
慢慢地,在他们的教育历程中,每个孩子开始在特定的学科中发展更多的知识。一个孩子更擅长科学,而另一个则擅长艺术。在大学阶段,学生们在一个狭窄的领域内深入学习一个主题。
类似地,在训练ML应用程序时必须应用这种测量方法。要在银行、零售或医药等特定领域训练计算机,首先必须在简单的人工数据上建立基础,添加新的信息层,直到应用程序最终准备好为特定行业进行训练。
对下一个万亿美元业务的预测。
虽然ML训练的第一步似乎很清楚,但并不容易实现,因为:
- 我们没时间了
- 我们没有资格为计算机开发幼儿教育程序
- 这是一项非常昂贵的事业
更重要的是,复杂性只会随着ML训练过程中的每一个额外步骤而增加。
综上所言,我预测下一个万亿美元的公司将是ML的公共教育机构系统,这是未来计算机进入劳动力市场的培训场所。