1. 挑戰
1.1. 不同的目標和功能需要不同的訓練技術
1.2. 我們必須關注人工智慧的潛在風險
1.2.1. 應對日益盛行的人工智慧將帶來的風險,是一項必須與該領域的進步並行的任務
1.3. 我們不能將其開發或應用隨便交予某個群體,無論這個群體是研究人員、公司、政府還是民間社會組織
2. 機器學習的三種形式
2.1. 監督學習
2.1.1. 監督學習是一種卓有成效的方法,可以用於建立一個模型來預測響應新輸入的輸出
2.1.2. 人工智慧開發人員使用了一個包含示例輸入的資料集,並且這些示例根據期望的輸出或結果分別進行了標記
2.1.3. 發現Halicin的人工智慧便是由監督學習產生的
2.2. 無監督學習
2.2.1. 在無監督學習中,訓練資料只包含輸入
2.2.2. 在只有大量資料的情況下,開發人員可以使用無監督學習來提取可能有用的見解
2.2.3. 無監督學習允許人工智慧在沒有任何結果資訊的情況下識別模式或異常情況
2.2.4. 透過無監督學習訓練的人工智慧可以識別出人類可能因為模式間的微妙差別、資料規模過大或兩者兼有而錯過的那些模式
2.2.5. 此類人工智慧也和人類自學者一樣,可能給出古怪荒謬、毫無意義的結果
2.3. 強化學習
2.3.1. 在強化學習中,人工智慧不是被動地識別資料之間的關係,它是受控環境中的“智慧體”,會觀察並記錄環境對其行為的反應
2.3.1.1. 強化學習需要人類參與建立人工智慧訓練環境(即使人類在訓練過程中不提供直接反饋):人類定義了模擬器和獎勵函式,人工智慧則在此基礎上進行自我訓練
2.3.2. 即使是在模擬的、簡化的環境中,比如一場國際象棋比賽,一步走棋也可能引發一連串的機會和風險
2.3.3. 在裝配線上精準模擬機器人的操作顯然比在擁擠混亂的城市街道上更容易
2.3.4. 其結果便是,指導人工智慧在人工環境中自我訓練通常並不足以產生最佳表現,還需要有反饋
2.3.5. 獎勵函式的任務就是提供這種反饋,為的是向人工智慧表明它的方法有多成功
2.3.5.1. 作為替代,程式設計師將這種獎勵函式自動化,謹慎而又精確地指定該函式如何執行及如何模擬現實的性質
2.3.5.2. 在理想情況下,模擬器提供真實的體驗,獎勵函式則促進有效的決策
2.3.5.3. 為了獲得有意義的結果,對模擬器和獎勵函式的周密規範至關重要
3. 機器學習的力量
3.1. 在農業領域,人工智慧使得農藥的精確管理、疾病的檢測和作物產量的預測更為便利
3.2. 在醫學領域,人工智慧促進了新藥的發現、現有藥物新應用的鑑定,以及對未來疾病的檢測或預測
3.2.1. 人工智慧已透過識別細微的放射指標,比人類醫生更早地發現了乳腺癌
3.2.2. 透過分析視網膜照片發現了失明的原因之一是視網膜病變
3.2.3. 透過分析病史預測糖尿病患者的低血糖
3.2.4. 透過分析遺傳密碼發現了其他遺傳性疾病
3.3. 在金融領域,人工智慧被用來幫助推進貸款批准(或拒絕)、收購、合併、破產宣告和其他交易流程
3.4. 千百年來,人類一直無法跨越文化和語言鴻溝進行清晰的溝通
3.4.1. 由於存在語言之間的理解誤差,而且無法用一種語言向另一種語言的使用者傳達資訊,人類彼此之間產生了誤解,阻礙了貿易,甚至引發了戰爭
3.4.2. 在巴別塔的故事中,這種語言的阻隔是人類不完美的象徵,也是對人類傲慢的痛苦懲罰
3.5. 機器翻譯水平突飛猛進
3.5.1. 與其說是因為應用了神經網路或機器學習技術,不如說是這些方法全新的、創造性的應用催生了這一進步
3.5.2. 從機器學習的基本構建模組開始,開發人員能夠以巧妙方式繼續創新,並在這個過程中解鎖新的人工智慧
3.5.3. 要將一種語言轉換為另一種語言,譯者需要捕捉特定的模式,即順序依賴關係
3.5.4. 與傳統的監督學習相比,語言翻譯研究人員採用了“平行語料庫”(parallel
corpora)技術,這種技術在訓練中不需要輸入和輸出之間有具體對應關係