【儀表網 儀表下游】使用人工智能的算法正在嘗試以意想不到的技巧來解決問題，這讓它們的開發者感到驚訝。但與此同時，這也引發了人們對如何控制人工智能的擔憂。
當人工智能在設備中被放任自流時，很可能就會發生這樣的事情。與傳統的計算機程序不同，人工智能的設計目的就是探索和開發新的方法，以完成人類工程師沒有明確告訴它們的任務。
然而，在學習如何完成這些任務的同時，人工智能有時會想出一種極富創造力的方法，甚至會讓一直使用這種系統的人大吃一驚。這可能是一件好事，但同時也可能使人工智能控制的一切變得不可預測，甚至可能帶來危險。例如，機器人和自動駕駛汽車終可能做出將人類置于危險境地的決定。
人工智能系統怎么可能“智勝”它的人類主人呢？我們能否以某種方式約束機器智能，以確保不致某些不可預見的災難？
在人工智能研究界，有一個關于人工智能創造力的例子似乎被引用得多。真正讓人們對人工智能的能力感到興奮的時刻，是DeepMind的人工智能機器學習系統AlphaGo如何掌握圍棋這一古老的游戲，然后擊敗了世界上優秀的人類棋手之一。DeepMind是一家創立于2010年的人工智能公司，在2014年被谷歌收購。
事實證明，它們可以用一些以往從未有人用過——或者至少很多人不知道——的新策略或新技巧，來對付人類棋手。
我們需要記住的重要一點是，人工智能并不真正像人類那樣思考。它們的神經網絡確實是受到了動物大腦的啟發，但更確切地說，它們是所謂的“探索設備”。當它們試圖解決一個任務或問題時，并不會帶有很多(如果有的話)對更廣闊世界的先入之見。它們只是嘗試——有時是數百萬次——去找到一個解決方案。
我們人類有很多思想上的包袱，我們會考慮規則，人工智能系統甚至不理解規則，因此它們可以隨意地撥弄事物。
人工智能讓我們感到驚奇的方式之一，是它們能夠使用相同的基本系統來解決根本不同的問題。近，一款機器學習工具就被要求執行一項非常不同的功能：下象棋。
該系統被稱為“GPT-2”，由非營利的人工智能研究組織OpenAI開發。GPT-2利用數以百萬計的在線新聞文章和網頁信息進行訓練，可以根據句子中前面的單詞預測下一個單詞。開發者肖恩·普萊瑟認為，象棋的走法可以用字母和數字的組合來表示，因此如果根據象棋比賽的記錄來訓練算法，這一工具就可以通過計算理想的走法序列來學習如何下棋。
長期以來，人工智能給人們留下的深刻印象主要來自電子游戲領域。在人工智能研究界，有無數例子揭示了算法在虛擬環境中所做到的事情有多么令人驚訝。研究者經常在諸如電子游戲等空間中對算法進行測試和磨練，以了解它們到底有多強大。
2019年，OpenAI因為一段視頻登上了新聞頭條。視頻中，一個由機器學習控制的角色正在玩捉迷藏游戲。令研究人員驚訝的是，游戲中的“尋找者”終發現，它們可以跳到物品上方進行“沖浪”，從而進入“躲藏者”所在的圍欄。換言之，“尋找者”學會了為了自己的利益而改變游戲規則。
研究人員發現，當人工智能系統在特殊條件下接受測試時，這種目標導向的偏見會暴露出來。在近的一項實驗中，被要求在銀行進行投資的游戲人工智能角色會跑到虛擬銀行大廳附近的一個角落，等待獲得投資回報，這個算法已經學會了將跑到拐角處與獲得金錢回報聯系起來，盡管這種運動與得到多少回報之間并沒有實際的關系。
這有點像人工智能在發展迷信，在得到了某種獎勵或懲罰之后，它們開始思考為什么會得到這些。
這是“強化學習”的陷阱之一。所謂“強化學習”，是指人工智能終會根據它在環境中遇到的情況設計出判斷錯誤的策略。人工智能不知道自己為什么會成功，它只能將自己的行動建立習得聯想的基礎上。這有點像人類文化早期階段時，將祈禱儀式與天氣變化聯系起來的行為。
測試的游戲人工智能與心理學家所使用的活體動物之間有著巨大的差異，但其中起作用的似乎是相同的基本機制，即獎勵與特定行為錯誤地聯系在一起。
使用人工智能的產品，比如自動駕駛汽車，可以經過嚴格測試，以確保任何不可預測性都在一定的可接受范圍內。在這一點上，只有時間才能證明所有銷售人工智能產品的公司是否都如此小心謹慎。但與此同時，值得注意的是，人工智能表現出的意外行為絕不僅僅局限于研究環境，而是已經進入了商業產品領域。
人工智能的探索性是其未來成功的基礎。隨著我們不斷擴展這些人工智能系統的規模，可以看到，它們正在做著一些富有創造性且令人印象深刻的事情，而不只是表現出學術上的好奇心。
如果人工智能系統能找到更好的方法來診斷疾病，或者向有需要的人群運送緊急物資，它們就可以挽救更多的生命。人工智能有能力找到解決老問題的新方法。但開發這類系統的人需要對其不可預測的本質保持開放和誠實，以幫助公眾了解人工智能的工作機制。
人工智能的承諾和威脅一直同時存在，它們接下來會想到什么？這是耐人尋味的問題。
資料來源：新浪科技、百科
所有評論僅代表網友意見，與本站立場無關。