AI 金秋將至

最近一段時間，「AI 寒冬將至」、「AI 泡沫即將破裂」的聲音此起彼伏。AI 的發展也確實遇到了一些瓶頸，以至於不少人對通用人工智慧的實現望洋興嘆。本文作者也認可這些侷限的存在，但同時他也指出，如果努力發展以人為中心的人工智慧應用，這一領域也將結出碩果。

我們周圍關於人工智慧的炒作正在逐步降溫，接下來我們要關注是將以人為中心的機器學習技術應用於重要問題的大豐收！

我喜歡對關於人工智慧的炒作吐槽，下面是前幾天的一篇推文：

MIT 展示了一個會玩疊疊樂的機器人（參見：MIT 的機器人會玩疊疊樂了！手殘的你怕不怕？）

機器人不會教它自己怎麼玩疊疊樂（Jenga）遊戲。我到現在也沒有讀過這篇文章，但有些人決定教機器人去玩 Jenga。人類付出巨大努力開發了一個讓機器人能夠利用某種資料進行學習的系統。最有可能用到的資料來自於人類的試驗，或者可能人們建立了適當的強化機制讓機器可以透過「自己玩遊戲」來學習。

類似的，在 2020 年之前，汽車也不會自動駕駛。語音識別語音識別也沒有達到與人類相媲美的水平。亞馬遜的「Alexa」也不是一個對話性的系統。目前的計算機視覺技術不能解決任意的視覺問題。我們還沒有面臨具有自我意識的殺手機器人的危險。

一些人看到一個又一個曾經的預言失敗了，就認為另一個「人工智慧的冬天」可能即將到來，但這並不會發生。當年人工智慧之所以進入寒冬，是因為儘管有大量的炒作，但是其背後還沒有太多的理論支撐。近一段時間以來，在這樣的炒作之下也誕生了很多重要的工作。人們認為 Alexa 是一種對話式的智慧體，但它實際上只是一個更好的麥克風，是一種在工程中已經被普遍應用的基於規則的系統，而且它確實在某種程度上是由深度神經網路賦能的更好的語音識別系統。「連線」雜誌表示，深度學習是貪婪的、脆弱的、不透明的、膚淺的，這些說法沒有問題，但是即使有這些限制，很多重要的東西還是可以實現的。

目前實用性的人工智慧技術更多地是探討我們如何形式化定義問題以及我們能收集到什麼資料，而不是以新奇的模型為出發點——在技術層面上，今天的「人工智慧」是與網路、系統以及資料庫息息相關的，正如它與新演算法緊密相關一樣。最終，人工智慧技術還是圍繞人類展開的。

人類的表現是「被過度炒作」的人工智慧技術的對比基準（也就是說有些方法已經在某些問題上可以與人類相媲美）。然而，被過度炒作的人工智慧技術卻在很大程度上忽視了與人相關的因素。不過，它們也無法再被忽視了，因為當人工智慧技術朝著更實際的應用方向發展而不能取得進展時，與人相關的因素又會重新回到前沿。考慮到人的因素時，炒作就會減弱。當你考慮到除了在光照良好、路況熟悉的道路上行駛，系統還要顧及人類駕駛員面臨的其他狀況時，自動駕駛汽車似乎不太可能實現。人類駕駛員會尋找乘客，他們會去加油，有時還會去修車，他們要確保喝醉的乘客沒有危險，他們要送老年乘客去醫院，等等。

我們已經越過了炒作「使用人工智慧模仿人類的表現」的時代，轉向更實際的以人為中心的機器學習應用。如果炒作是冰山一角的快速融化，那麼以人為中心的偉大的應用工作就是漂浮在下方、支撐一切的巨大冰山。

統計模式識別和非確定性的人類

幾天前，我在推特上沉思道：如果我們不再將這個領域稱為「人工智慧」，轉而使用更加具體和準確的術語「統計模式識別」，那麼現在的這種炒作是否會消失呢？

其他人則有不同的看法——Judea Pearl 認為我們需要能夠進行因果推理的新方法，Pedro Domingos 正在尋找「終極演算法」，其他人則希望能夠超越「與動物相類似的能力的認知功能最佳化」，並促使我們朝著與人類同等水平的智慧進發。

不管它是如何構建的，這些討論之所以發生，是因為「人工智慧」傳達了一種智慧的概念——人類的智慧，這是目前的方法無法滿足的。我們的系統往往缺乏常識、跨領域類比的能力、推理因果關係的能力，以及與非確定性的人類進行流暢的模仿和互動所必需的智慧的其它組成部分 [1]。

統計模式識別是一個非常強大的工具。為了充分利用這一優勢，我們需要進行艱苦的工作，找出既足夠重要又足夠有針對性的問題，從而使統計模式識別（SPR）方法能夠很好地發揮作用。發現重要的問題，將它們對映到從計算的角度來說容易處理的解決方案，收集有意義的資料集，設計對人們有意義的互動，這些都是以人為中心的智慧（HCI）及其內在方法的亮點。

HCI 是我認為人工智慧這次遭遇的將不是冬天而是秋天的原因。能夠應用機器學習技術來解決實際人類問題的人將成為最重要的技術人員。越來越多的易用庫能夠提供功能強大的機器學習技術；如果你想保持領先，你需要我們在 HCI 課程中教授的技能。

如果你的目標是熬過人工智慧的冬天，希望有一天能開發出真正智慧的人工智慧，那麼就打破深度學習和實際應用的束縛，勇敢前行。

如果你的目標是收穫豐厚的回報，那麼就去學習 HCI 技術吧。

HCI 如何在人工智慧的豐收中獲利？

HCI 的優勢來自對多個學科的結合——至少涉及到電腦科學、設計和行為科學（心理學、認知科學等）。精通 HCI 的人可以使用各種以人為中心的方法來理解現在，設計和實現未來，並驗證這些未來的設想。就像在大多數領域一樣，從業人員是專門化的。例如，有人可能專門研究當前人們使用的技術，或者專門設計預測性的或刺激性的未來，或者為人們使用的未來技術系統構建原型。

下面，本文將給出一些我認為 HCI（以及相關的）研究和實踐將在人工智慧的秋天收穫頗豐的一些領域，無論未來幾十年在真正的智慧機器方面會有什麼進展，它們都將扮演一定角色：

支撐人類的智慧應用

隨著機器學習方法被更好的理解，並被更好地打包成工具，最大的挑戰將轉變為如何將它們應用於實際的與人類相關的問題。這就是 HCI 的優勢所在！

在人工智慧發展的早期，智慧機器的關注點在於智慧增強（IA），正如 Vannevar Bush 在「As We May Think」中所描述的那樣。我們將 Douglas Engelbart 奉為「滑鼠之父」，但他在「Mother of All Demos」中著重討論了計算技術如何才能夠普遍地增強人類智慧。Engelbart 對此進行了廣泛的討論。有一段時間，該領域被稱為「智慧使用者介面」，這也成為了該領域的一個著名會議的名稱。現在，隨著人工智慧（以及不切實際的通用人工智慧）的侷限性逐漸凸顯，「人類增強」的概念正變得越來越流行，閱讀這本較老的著作是值得的，因為其中的許多見解都具有深遠的相關性。

HCI 正在努力解決支援人類的難題——收集和擴充套件新的資料集；找出人和機器協作的新方法；創造出使裝置和世界能更易被理解的系統，無論人的能力如何；為互動和健康建立機器學習技術賦能的感測系統；並致力於打造能夠幫助人們更好地建立機器學習模型的系統。

這一領域的挑戰和影響與這樣一個事實有關，即它的根本目的是創造和解決新的問題，而不是改進現有問題的解決方案。因此，整個過程可以被視為發現和驗證一個問題、迭代地提出潛在的解決方案、對這些解決方案進行原型化和精細化、最後驗證該解決方案是否解決了預期的問題。

隨著機器學習演算法被商品化，那些能夠在整個機器學習的應用過程中發揮作用的演算法將是最有價值的。

設計和人工智慧

HCI 的從業人員一直站在前沿，思考人類將如何與人工智慧互動，以及如何做一些工作來讓人類有效地與人工智慧互動。你可以在 90 年代 Pattie Maes 和 Ben Schneiderman（HCI 先驅）之間的「智慧體 vs 直接操作」（agents vs. direct manipulation）的辯論中看到這一點。Ben 接著建立了資訊視覺化領域，從方法論的層面回應人類如何與日益豐富的資料和複雜的世界直接互動。

在人工智慧和 HCI 的交叉領域工作的人們很久以前就意識到，構建包含「人工智慧」元素的使用者介面有一些不同之處，尤其是由於人工智慧是不確定的，而且常常是不正確的。Eric Horvitz 和其他人將其稱之為「混合主動互動」（Mixed-Initiative Interaction）。你可以在一篇發表在 1999 年的 CHI 會議上的經典論文《Principles of Mixed-Initiative User Interfaces》中讀到這一點，儘管我也喜歡下面的這個版本《Mixed-initiative interaction》，其中包括 James Allen 等對話式人工智慧大牛的一些評論。Eric 和 Saleema Amershi 等新作者在他們的 CHI 2019 的論文《Guidelines for human-AI Interaction》中對此進行了新的論述。

從某種程度上說，人類往往只在火燒眉毛時才思考，那就太遲了。一位我不確定是否應該提及的同事這樣描述：「很多工作都在研究如何給人工智慧豬塗口紅」。因此，如今設計和人工智慧的研究前沿是理解設計師如何才能使用機器學習作為設計材料。其中很大一部分是教設計師如何思考機器學習。這不僅關乎如何將使用者接入不確定的人工智慧結果：它考慮的是應該解決什麼問題；什麼機器學習方法與人類預期的問題相匹配；針對於特定的用例，哪些問題可以被很好地解決。

設計正迅速成為同類產品之間的差異所在；因此，那些最擅長機器學習的設計師將提供最大的價值。

計算社會科學

機器學習正在我們所做的每一件事中發揮作用，因此我們需要仔細思考機器學習的意義，以及我們可以做些什麼來減輕它的負面影響。計算社會科學家為我們帶來的方法往往更傾向於面向對人類的研究，使用 HCI 中教授的各種技術，並借鑑心理學和認知科學等基礎領域的方法（如調查、訪談、日誌分析和人種學）。

這些技術已經對使用者如何理解（或誤解）與之互動的演算法產生了難以置信的深遠影響（例如，Facebook 的新聞 feed 流；YouTube 的推薦系統如何鼓勵極端主義；社交媒體虛假新聞的識別機制；使用者介面的元素如何影響線上言論；使用者對線上隱私的認識，等等）。

HCI 技術在識別或解決此類問題上並沒有處於壟斷地位，但考慮到我們也是開發者和設計師，它在揭露和干預這些問題上確實有獨一無二的地位。

結語

「埋頭苦幹做好高質量的工作，一切都會好起來，對嗎？！」... 總的來說，在人工智慧領域，越來越明顯的現象是：人工智慧的秋天即將到來，為了做好準備，你需要在 HCI 可以大展身手的領域和方法上有所提升