有关 AI 的四个最普遍的谬论

5 月 9 日消息 现如今的 AI 系统软件能够在普遍的行业中实行繁杂的每日任务，比如数学课，手机游戏和真实的图象转化成。可是在我们贴近 AI 的一些初期总体目标时，如大管家智能机器人和无人驾驶车辆，这种总体目标仍将慢慢消退。

圣达菲研究室理查德森多元性专家教授、《人工智能：人类思维指南》的创作者梅拉妮・拉塞尔（Melanie Mitchell）说，错过了这种总体目标的不断循环系统的一部分是因为对 AI 和当然智能化的不正确假定 。

拉塞尔（Mitchell）在名为“为何 AI 比大家想像的更难的缘故”的新毕业论文中明确提出了有关 AI 的四个普遍谬误，这种谬误不但在群众和新闻媒体中间，并且在权威专家中间造成误会。这种谬误给人一种不正确的自信心，使大家对完成人工智能技术，能够与人们的思维能力和一般解决问题工作能力相符合的人工智能技术系统软件有多大的自信心 。

狭小的 AI 和一般的 AI 经营规模不一样

目前的 AI 能够很切实解决狭小的难题。例如在中国围棋和象棋上超过人们，以无法比拟的精确性在 X 放射线图象中发觉病变方式，并将声频数据交换为文字。

可是，设计方案能够处理单独难题的系统软件并不一定会使大家更贴近处理更繁杂的难题。拉塞尔（Mitchell）将第一个谬误叙述为“范畴情报信息与一般情报信息是持续的”。

拉塞尔在毕业论文中写到：“即便大家在狭小的地区内见到一台设备在做奇特的事儿，她们一般 会觉得该行业对通用性 AI 的发展趋势要远得多。”

比如，现如今的 自然语言理解解决系统软件在处理很多不一样难题（例如翻译，文字转化成及其对特殊难题的解答）层面早已离开了较长一段路。

另外，大家有着能够将视频语音数据信息即时变换为文字的深度神经网络系统软件。每一项造就的身后全是千余钟头的产品研发（及其在预估和数据信息上耗费的数百万美元）。可是 AI 小区依然沒有处理建立可以参加敞开式会话而又不容易长期丧失衔接性的坐席的难题。那样的系统软件不但必须处理较小的难题，还必须处理大量的难题。

它必须基本常识，它是 AI 并未处理的重要挑戰之一。

简易的事儿难以自动化技术

当牵涉到人们时，大家期待一个优秀的人去做艰难的事儿，这必须很多年的学习培训和实践活动。事例很有可能包含例如处理高等数学和物理问题，在高手等级下象棋，或记诵许多诗这类的每日任务。

可是数十年来的 AI 科学研究证实，这些必须全自动关心的严峻每日任务更非常容易完成自动化技术。简易的每日任务，大家觉得理所应当的事儿，却难以自动化技术。拉塞尔（Mitchell）将第二个缪误叙述为“非常容易的事儿非常容易，而艰辛的事儿难以。”

“大家人们不假思索地做的事儿 – 放眼全球，掌握大家所见到的物品，开展会话，走在拥堵的人行横道上而不容易撞倒所有人，这对设备而言是最严峻的挑戰，”拉塞尔写到。

反过来，让设备去做对人们而言十分艰难的事儿一般 会更非常容易；比如，处理繁杂的数学题目，熟练象棋和中国围棋这类的手机游戏及其在数百种语言表达中间翻译句子针对设备而言都越来越相对性非常容易了。

比如，考虑到视觉效果。数十亿年来，植物体早已开发设计出用以解决光信号灯不亮的繁杂机器设备。小动物会用双眼汇总周边的物件，导航栏周边的自然环境，找寻食材，检验威协并进行很多别的对存活尤为重要的每日任务。大家人们从先祖那边承继了全部这种工作能力，而且在沒有观念的状况下应用他们。可是，其基本上体制的确比使普通高中和高校觉得消沉的大中型公式更加繁杂。

适当的事例：大家依然沒有  像人们视觉效果一样通用性的人工智能算法系统软件。大家想方设法建立了 神经网络算法 ，能够大概仿真模拟动物和人类视觉识别系统的每个一部分，比如检验物件和切分图象。可是他们很敏感，对很多不一样类型的影响都很比较敏感，而且他们没法效仿微生物视觉效果能够进行的所有每日任务。比如，这就是为何自动驾驶车辆中应用的人工智能算法系统软件必须应用毫米波雷达和地图信息等优秀技术性开展填补的缘故。

另一个被证实是十分艰难的行业是觉得运动技能，人们不用历经确立的学习培训就可以把握这种专业技能。想一想如何处理物件，走动，飞奔和弹跳。这种是您能够在沒有观念的状况下进行的每日任务。事实上，在行走时，您能够做别的事儿，比如听播客或通电话。可是，针对当今的 AI 系统软件来讲，这种专业技能依然是一项极大而价格昂贵的挑戰。

拉塞尔写到：“人工智能技术比大家想像的要难，由于我们在非常大水平上观念不上自身思索全过程的多元性。”

拟人 AI 沒有协助

人工智能技术行业充满了英语词汇量，使手机软件与人们智能化处在同一水准。大家应用例如“学习培训”，“了解”，“阅读文章”和“思索”这类的专业术语来叙述 AI 优化算法的工作方式。虽然该类拟人专业术语一般 作为简单化繁杂手机软件体制的缩写，但他们很有可能欺诈大家觉得当今的 AI 系统软件如同人们的人的大脑一样运行。

Mitchell 将此缪误称之为“一厢情愿的助记符的引诱”，并写到：“这类缩写很有可能会欺诈尝试了解这种結果的群众（及其报导这种結果的新闻媒体），而且还会继续潜意识地危害乃至 AI 权威专家的思索方法。她们的系统软件及其这种系统软件与人们智能化的类似水平。”

一厢情愿的谬误也造成 AI 小区以让人误会的方法取名优化算法评定标准。比如，考虑到由 AI 中一些最受尊重的机构和学术研究组织 开发设计的 通用语言了解评定（GLUE）标准。GLUE 出示了一组每日任务，这种每日任务能够协助评定语言模型如何把其作用营销推广到其已参训的每日任务以外。可是，与新闻媒体所叙述的反过来，假如 AI 代理商得到 的 GLUE 评分高过人们，则并不代表着它的语言表达逻辑思维能力要高过人们。

Mitchell 写到：“尽管在这种特殊标准上设备的特性好于人们，但 AI 系统软件仍远不可以与我们与标准名字关联的更一般的人们工作能力相符合。”

称心算数的一个显著事例是 Facebook 人工智能技术科学研究企业 2017 年的一个新项目，生物学家在该新项目中训炼了2个 AI 代理商以根据人们会话的每日任务谈判。在她们的 网络文章中，科学研究工作人员强调“升级2个代理商的主要参数会造成与人们语言表达的差别，由于 代理商开发设计了自身的语言表达 谈判（注重您是什么意思）。”

这造成了一系列的点一下鱼饵文章内容，他们警示了 AI 系统软件越来越比人们更智能化，而且已经以密秘家乡话开展沟通交流。四年后，最优秀的语言模型依然 难以理解 大部分人到不大的年纪就沒有遭受具体指导的状况下学过的基本要素。

沒有人体的 AI

聪慧能不能与全球丰富多彩的物理学工作经验独立地存有？它是生物学家和思想家好多个新世纪至今一直疑惑的难题。

一种观念派系觉得，智商全在人的大脑中，而且能够与人体分离出来，这也被称作“桶中的人的大脑”基础理论。拉塞尔（Mitchell）称其为“智商全在脑中”的谬误。拥有恰当的优化算法和数据信息，大家就可以建立能够日常生活在网络服务器中并与人们智能化相符合的 AI。针对这类思维模式的拥护者，尤其是这些适用单纯的根据深层学习方法的人，做到通用性 AI 在于搜集适当的数据信息并建立越来越大的神经元网络。

另外，愈来愈多的直接证据说明这类方式 终究会不成功。她写到：“愈来愈多的科学研究工作人员已经提出质疑“全脑开发”信息资源管理实体模型的基本，以了解智能化并建立人工智能技术。”

动物和人的人的大脑早已与全部别的内脏器官一起演变，其终极目标是提升存活机遇。大家的智商与人体的極限和工作能力密切有关。内嵌式 AI 的行业不断扩大，其目地是根据根据不一样的感官刺激与自然环境互动交流来建立可以发展趋势智能化专业技能的行为主体。

拉塞尔（Mitchell）强调，认知科学研究表明“操纵认知能力的神经系统构造与操纵觉得和运动系统的神经系统构造紧密相连，抽象思维能力运用了根据身体的神经系统“图”。”实际上，愈来愈多的直接证据和科学研究证实了来源于意见反馈的意见反馈。人的大脑的不一样觉得地区会危害大家的有目的和潜意识观念。

拉塞尔（Mitchell）适用那样的意识，即感情，觉得，在潜意识中成见和人体工作经验与智商紧密联系。她写到：“在大家的社会心理学或认知科学专业知识上，沒有任何东西能够适用 ‘ 单纯的客观 ‘ 与能够危害大家的认知能力和总体目标的感情及文化成见分离的概率。”

“反过来，大家从反映认知能力的科学研究初中到的是，人们智商好像是一个高宽比集成化的系统软件，具备密切有关的特性，包含感情，冲动，明显的自我认同和主体性及其对全球的基本常识。尚不清楚这种特性是不是能够分离。”

人工智能技术基本常识

发展趋势通用性人工智能技术必须对大家对智能化自身的了解开展调节。大家仍在勤奋界定什么是智能及其怎样在人力和大自然中对其开展精确测量。

“很显著，为了更好地更合理地完成和评定 AI 的发展，大家将必须开发设计出更强的语汇来讨论设备可以做什么，”Mitchell 写到。

“从更普遍的实际意义上讲，大家将必须对智能化开展更强的科学研究了解，因为它反映在大自然的不一样系统软件中。”

拉塞尔（Mitchell）在毕业论文中探讨的另一个挑戰是常识问题挑戰，她将其叙述为“一种现如今最优秀的 AI 系统软件所缺乏的黑恶势力”。

基本常识包含大家得到 的相关全球的专业知识，而且每日不用投入过多勤奋就可以运用它。在我们或是小孩的情况下，根据探索宇宙，我们可以学得很多东西，而不用确立标示。在其中包含例如室内空间，時间，作用力和物件的物理属性这类的定义。

比如，一个孩子不大的情况下就了解，当一个物件被另一个物件遮挡时，它并沒有消退并再次存有，或是当一个球在桌子上翻转并抵达壁架时，它应当掉下去。大家应用这种专业知识来搭建全球的心理状态实体模型，开展因果推断，并以非常高的精确性预知未来情况。

现如今的 AI 系统软件缺乏这类专业知识，这使他们越来越不能预测分析且必须很多数据信息。事实上，文中开始提及的2个 AI 应用软件 – 酒店客房清理和安全驾驶是大部分人根据基本常识和一点点实践活动学习培训的物品。

基本常识还包含相关人们天性与生活的基本事实，我们在会话和创作中忽视的事情，由于我们知道大家的阅读者和观众都了解他们。比如，我们知道假如两人在“通电话”，则代表着她们没有同一个屋子。大家还了解，假如“罗伯特伸出手去拿糖”，则代表着在罗伯特周边某点有一个配有糖的器皿。这类专业知识针对自然语言理解解决等行业尤为重要。

“还没人了解怎样在设备中捕捉那样的专业知识或工作能力。它是人工智能技术科学研究的当今最前沿，一种催人奋进的前行方法是运用相关儿童中这种工作能力发展趋势的已经知道专业知识。”拉塞尔写到。

虽然大家依然不清楚很多难题的回答，但找寻解决方法的第一步是要意识到我们自己的错误观点。 Mitchell 写到：“掌握这种谬误以及细微的危害能够为建立更健硕，可信赖乃至很有可能真真正正智能化的 AI 系统软件指引方向 。”