当前位置: 主页 > S逸生活 >别怕工作被取代!芝加哥大学教授教你战胜机器人的 AIQ 方程 >

别怕工作被取代!芝加哥大学教授教你战胜机器人的 AIQ 方程

2020-06-19 07:23:52 来源:S逸生活 浏览:731次

别怕工作被取代!芝加哥大学教授教你战胜机器人的 AIQ 方程

听到 AI 时,不要把它想成机器人,请想成演算法。

人工智慧,只是一组渐进的演算指令

演算法是一组循序渐进的指令,非常明确,明确到就连呆板又缺乏想像力的电脑也可以遵循(你可能听过机器人因为遵照洗髮精瓶子上的指令:「起泡、沖洗、重複」而永远被卡在淋浴间的笑话)。演算法本身并不比电钻更聪明, 它只是能将一件事情做得很好,例如整理数字列表、或在网上搜寻可爱动物的照片。然而,若以巧妙的方式将许多演算法连结在一起,则可以生成 AI ──在特定领域具备智慧的幻觉。比方说,像 Google Home 这样的数位助理,你可能会对它提出诸如此类的问题:「在哪里可以找到奥斯汀最好吃的墨西哥捲饼早餐?」

这个查询引发了一连串的演算法运作:

    第一个演算法将原始声波转换为数字信号。另一个演算法将该信号转换成一串英文「音素」,或听起来很明确的音节:「brek-fust-tah-koze」。下一个演算法再将这些音素分割成字词:「breakfast tacos」(墨西哥捲饼早餐)。这些字词被发送到一个庞大演算法的组合──搜寻引擎,用以处理查询并回传答案。又一个演算法将回传的答案格式化成为连贯的英语句子。最后一个演算法用非机器人的方式发声,说出这句话:「奥斯汀最好的墨西哥捲饼早餐在杜瓦街的胡立欧餐厅。需要为您规划路线吗?」

    这就是所谓的人工智慧。几乎所有的 AI 系统,无论是自动驾驶汽车、小黄瓜自动分拣机、或是你的信用卡帐户防盗监控软体,都遵循同样的「演算法流程」範本。流程一开始先输入某个特定领域取得的数据资料,执行一连串的计算,再输出预测的结果或决策。

    透过学习「训练资料」得到的机率便是人工智慧

    人工智慧运用的演算法有两个显着的特点。 首先,这些演算法通常处理的是机率,而不是确定性。 例如,AI 中的演算法不会直接判定某一笔信用卡交易是诈骗行为,它会表示诈骗行为的可能性是 92%(或任何由提供的数据所推算出的机率)。其二,这些演算法是怎幺「知道」该遵循什幺指令呢?在传统演算法中,网站运作或文字处理器之类的指令,是由程式设计师事先设定的。然而, 在人工智慧中,这些指令是由演算法本身直接透过「训练资料」学习而来。 没有人告诉 AI 演算法如何将信用卡交易资料分类为诈骗或非诈骗。相反地,演算法会观察各个类别的大量範例,再从中找出区分这两个类别的模式。在人工智慧中,程式设计师的角色不是告诉演算法该做什幺,而是告诉演算法如何利用数据和机率规则来训练自己知道该怎幺做。

    老早人工智慧就出现,为何现在才广为使用?

    现代的人工智慧系统,诸如自动驾驶汽车或家庭数位助理,看似是一股新潮流。但你可能会惊讶地发现,人工智慧大部分的创意其实由来已久,其中许多甚至可回溯到几世纪之前,人类世世代代都用这些想法来解决问题。以自动驾驶汽车为例,Google 在 2009 年首次推出这种汽车,但你会在本书第三章中学到,这种汽车运作的主要概念之一,其实是在 1750 年间由长老教会的牧师所发现的;而这个想法在五十多年前被一群数学家採用,解决了冷战时期一个重大的谜团。

    再举图像分类为例,在过去五年间,图像处理演算法已经有了惊人的进展,出现如 Facebook 自动在照片上标记好友这一类的功能。但是在第二章中,你会发现这当中的关键概念可以追溯到 1805 年前;也会明白在一百年前,亨丽爱塔·勒维特(Henrietta Leavitt)这位名不见经传的天文学家早已运用这些概念,来帮助解答「宇宙有多大?」这个人类有史以来最深奥的科学问题。

    再举语音辨识系统为例,这是人工智慧近年来最伟大的成就之一。Alexa 和 Google Home 这一类的数位助理能够非常流利地使用语言,日后也将会更加精进。然而,第一位让电脑明白英语的人是一位美国海军少将,他约莫在七十年前就这幺做了。

    以上不过是三个惊人的实例。无论从哪个角度检视人工智慧,你都会发现,某个构想人们早已讨论许久了。因此, 重大的历史谜题并不在于 AI 为何出现、而是为何没有更早开始发展。 想要解开这个谜团,我们必须检视促使这些可敬的构想进入新时代的三大有利科技驱势。

    三大要素,造就 AI 如超新星般爆炸发展

    促成 AI 发展的第一个因素是数十年来电脑处理器速度指数式的增长,一般称之为「摩尔定律」(Moore’s Law)。 很难说明电脑发展的速度究竟有多快,老套一点的说法是,阿波罗号太空人员登陆月球所凭藉的计算处理功能,还不如袖珍型计算机。但是,这个类比再也引不起共鸣了,因为…… 还有谁知道袖珍型计算机是什幺呢?因此,不如让我们拿汽车来当例子。在 1951 年,当时最快速的电脑处理器之一是 UNIVAC,每秒可执行两千次的运算;而爱快罗密欧 6C 则属当时最快速的车型,每小时行驶一百一十英里。自 1951 年来,汽车和电脑都有所进化;如果汽车进化的速度与电脑相同,那幺现代的爱快罗密欧将会以光速的八百万倍驰骋。

    第二个促成 AI 发展的因素是「新摩尔定律」:随着人类一切资讯的数位化,数据量呈爆炸式增长。 美国国会图书馆需要 10TB 的储存空间;光是在 2013 年,Google、Apple、Facebook 和亚马逊等四大科技公司就收集了比 10TB 多出约十二万倍的数据,而那还算是网路世代早期的发展。如今数据积累的速度比阿波罗火箭更快;在 2017 年,每分钟就有超过三百小时的视频上传到 YouTube、每天有超过一亿张图片被发布到 Instagram,更巨量的数据意味着更聪明的演算法。

    第三个促成 AI 发展的因素是云端计算。 这种趋势对消费者来说几乎是看不见的,对 AI 却产生了巨大的普及效应。为了说明这一点,让我们拿数据和石油做个类比。假设二十世纪初所有的公司都拥有一些石油,但是他们都必须建立一些基础设施才能提取、运输和精炼自己的石油。任何具有创新点子、想要善用自家石油的公司,都将面临庞大的固定成本才能进行,最终结果就是大部分的石油都无法开採。是的,同样的逻辑也适用在相当于是 21 世纪石油资源的数据资讯。大多数的业余爱好者或是小公司,都想要利用自家数据来建立人工智慧系统,假如都得购买一切所需的设备和专业知识,将面临高昂的成本。但是,现今诸如微软 Azure、IBM 或亚马逊网路服务公司所提供的云端计算资源设备,已将固定成本转化为变动成本,彻底改变了大规模数据储存和分析的经济模式。时至今日,任何想要开採自家「石油」的人,都可以透过租用别人的基础设备、以低成本完成。

    当你将这四大趋势结合在一起,也就是更快速的晶片、巨量的数据资料、云端计算,再加上最重要的创意,利用 AI 解决实际问题的需求和能力将有如超新星的爆炸一般。

    别怕工作被取代!芝加哥大学教授教你战胜机器人的 AIQ 方程

    关于 人工智慧时代 还可以再看看

    李开复:未来 50% 工作将被 AI 取代,「人工智慧时代」到底应该学些什幺?
    大人工智慧时代,Facebook、Netflix、Amazon 到底都如何使用 AI?
    负责训练 AI 的作业员,薪水只有 9 到 18K 是怎幺回事?

上一篇:
下一篇:
相关资讯