我們今天所了解的人工智能中，大部分都遵循深度學(xué)習(xí)的規(guī)則，即向機(jī)器輸入一組數(shù)據(jù)以及想要的輸出結(jié)果，機(jī)器據(jù)此產(chǎn)生算法來(lái)解決問(wèn)題。然后系統(tǒng)會(huì)重復(fù)這一過(guò)程，不斷學(xué)習(xí)。這被稱為神經(jīng)網(wǎng)絡(luò)。使用這種方法來(lái)建立人工智能是非常必要的，因?yàn)橛?jì)算機(jī)的編碼速度比人類要快。如果換作人類，可能需要用一輩子的時(shí)間來(lái)手工編碼。

 

　　麻省理工學(xué)院電子工程和計(jì)算機(jī)科學(xué)教授Tommi Jaakkola說(shuō)：“如果你擁有一個(gè)小型神經(jīng)網(wǎng)絡(luò)，你可能很容易就理解它。但是，一旦這個(gè)神經(jīng)網(wǎng)絡(luò)擴(kuò)大，直到擁有數(shù)千層，而每層可達(dá)到數(shù)千個(gè)單位，那么就不那么容易理解了。”

 

　　我們正處在人類與這些系統(tǒng)正面交鋒的時(shí)代。在人類信任機(jī)器之前，我們必須解決一個(gè)問(wèn)題，即讓這些機(jī)器進(jìn)行自我解讀。那么，我們用什么辦法來(lái)做到這一點(diǎn)呢？

 

　　1.逆轉(zhuǎn)算法。在圖像識(shí)別中，當(dāng)計(jì)算機(jī)識(shí)別它所學(xué)習(xí)過(guò)的模式時(shí)，需要對(duì)機(jī)器進(jìn)行編程運(yùn)算，以生成或修改圖片。以《創(chuàng)世紀(jì)》一圖為例，它運(yùn)用了谷歌DeepDream技術(shù)進(jìn)行圖片修改，人工智能參與其中，調(diào)整了圖像中一只狗的位置。由此，我們可以了解到對(duì)于人工智能來(lái)說(shuō)，狗的形象是什么樣的。首先，它主要識(shí)別頭部（這是狗的主要特征）；其次，電腦的識(shí)別方式是將其定位到亞當(dāng)（圖像左側(cè)）和上帝（圖像右側(cè)）的中間。總結(jié)一下就是，DeepDream技術(shù)被運(yùn)用于一幅描繪亞當(dāng)誕生的圖像，人工智能被要求尋找狗并修改它的位置。

 

　　2.識(shí)別它所使用的數(shù)據(jù)。如此一來(lái)，人工智能接收指令，記錄學(xué)習(xí)摘要，并根據(jù)提示重點(diǎn)“復(fù)習(xí)”它此前使用過(guò)的文本。麻省理工學(xué)院臺(tái)達(dá)電子教授ReginaBarzilay首先研發(fā)出這種理解方法，人類可以借此研究那些擅長(zhǎng)在數(shù)據(jù)中尋找模式、并作出相應(yīng)預(yù)測(cè)的人工智能系統(tǒng)。CarlosGuestrin是華盛頓大學(xué)的機(jī)器學(xué)習(xí)教授，他開(kāi)發(fā)了一種類似的系統(tǒng)，該系統(tǒng)能夠選取數(shù)據(jù)并對(duì)自己的選擇作出簡(jiǎn)單解釋。

 

　　3.監(jiān)控單個(gè)神經(jīng)元。Uber人工智能研究室的機(jī)器學(xué)習(xí)研究員JasonYosinski發(fā)明了這種方法，使用探測(cè)器來(lái)檢測(cè)哪一幅圖像可以刺激神經(jīng)元。這讓我們可以通過(guò)推理發(fā)現(xiàn)人工智能最需要的是什么。然而，這些方法在很大程度上是無(wú)效的。正如Guestrin所說(shuō)：“我們的終極夢(mèng)想是讓人工智能與人類對(duì)話，并向人類解釋它的行為，而這一夢(mèng)想尚未完全實(shí)現(xiàn)。想要擁有真正的可解讀式的人工智能，還有很長(zhǎng)的路要走。”

 

 

　　了解這些系統(tǒng)的工作方式是很重要的，因?yàn)樗鼈円呀?jīng)被應(yīng)用于醫(yī)藥、汽車(chē)、金融和招聘等行業(yè)，而這些領(lǐng)域?qū)ξ覀兊纳町a(chǎn)生了根本性的影響。如果把這么艱巨的任務(wù)交給我們不了解的東西，那就太愚蠢了。當(dāng)然前提是，人工智能是誠(chéng)實(shí)的，也不會(huì)因?yàn)槿祟惖男袨榛蚴韬龆艿接绊憽?/div>