AI的問題：機器正在學習，但無法了解它們

每個人都在談論“AI”。但是，無論您是在檢視Siri，Alexa還是智能手機鍵盤中的自動更正功能，我們都無法建立通用的人工智能。我們正在建立可以執行特定的狹窄任務的程式。

電腦無法“思考”

每當一家公司表示它推出了新的“AI”功能時，通常意味着該公司正在使用機器學習來建構神經網絡。“機器學習”是一種讓機器“學習”如何更好地執行特定任務的技術。

機器學習是一項非常棒的技術，具有很多強大的用途。但它不是通用的人工智能，了解機器學習的局限性可以幫助您了解我們目前的AI技術如此受限的原因。

科幻夢的“人工智能”是一種計算機化或機器人化的大腦，它像人類一樣思考事物并了解它們。這種人工智能将是一種“人工智能（AGI）”，這意味着它可以考慮多種不同的事物并将這種智能應用于多個不同的領域。一個相關的概念是“強AI”，它将是一種能夠體驗類似人類意識的機器。

我們還沒有那種AI。我們并不接近它。像Siri，Alexa或Cortana這樣的計算機實體并不像人類那樣了解和思考。它根本沒有真正“了解”事物。

假設人類可以提供資料來幫助他們學習，我們所擁有的人工智能訓練有素，可以很好地完成特定的任務。他們學會做某事但仍然不了解。

**

電腦不明白**

Gmail有一個新的“智能回複”功能，可以建議回複電子郵件。智能回複功能将“ 從我的iPhone發送 ” 辨別為常見響應。它還想建議“我愛你”作為對許多不同類型的電子郵件的回複，包括工作電子郵件。

那是因為計算機無法了解這些回答的含義。據了解，許多人通過電子郵件發送這些短語。它不知道你是否想對你的老闆說“我愛你”。

另一個例子是，Google相冊在我們的一個家中拼湊了一張偶然的地毯照片拼貼畫。然後，它将拼貼畫确定為Google Home Hub的最新亮點。谷歌照片知道照片很相似，但不明白它們是多麼不重要。

機器經常學習遊戲系統**

機器學習就是配置設定任務，讓計算機決定最有效的方法。因為他們不了解，是以很容易最終得到一台計算機“學習”如何解決你想要的不同問題。

這裡列出了一系列有趣的例子，其中“人工智能”是為了玩遊戲而建立的，其目标隻是為了遊戲系統而學習的。這些示例都來自 這個優秀的電子表格：

“因速度而長大的生物真的很高，并且會因摔倒而産生高速度。”

“特工在第1級結束時自殺，以避免在第2級失敗。”

“特工無限期地暫停比賽，以免失敗。”

“在人工生命模拟中，生存需要能量但生育沒有能量成本，一個物種進化出久坐不動的生活方式，主要是交配，以生産可以食用的新兒童（或用作配偶生産更多可食用的兒童） “。

“因為如果他們輸掉比賽，AI很可能會被”殺死“，是以能夠讓遊戲崩潰對于遺傳選擇過程來說是一個優勢。是以，一些AI開發了使遊戲崩潰的方法。“

“神經網絡的發展是為了對食用和有毒的蘑菇進行分類，利用了交替排列的資料，并沒有真正學習輸入圖像的任何特征。”

其中一些解決方案可能聽起來很聰明，但這些神經網絡中沒有一個能夠了解它們正在做什麼。他們被配置設定了一個目标，并學會了實作目标的方法。如果目标是避免在計算機遊戲中丢失，按下暫停按鈕是他們可以找到的最簡單，最快速的解決方案。

機器學習和神經網絡

通過機器學習，計算機無法程式設計執行特定任務。相反，它提供資料并評估其在任務中的表現。

機器學習的基本示例是圖像識别。假設我們想要訓練一個計算機程式來識别其中有狗的照片。我們可以給計算機提供數百萬張圖像，其中一些圖像中有狗，有些圖像則沒有。圖像被标記為是否有狗。計算機程式“訓練”自己以基于該資料集識别狗的樣子。

機器學習過程用于訓練神經網絡，神經網絡是具有多個層的計算機程式，每個資料輸入通過，并且每個層在最終做出确定之前為它們配置設定不同的權重和機率。它模仿了我們認為大腦可能如何工作，不同層次的神經元參與思考任務。“深度學習”通常是指在輸入和輸出之間堆疊有許多層的神經網絡。

因為我們知道資料集中的哪些照片包含狗，哪些不包含狗，我們可以通過神經網絡運作照片，看看它們是否會得到正确的答案。例如，如果網絡決定特定照片沒有狗，那麼就有一種機制可以告訴網絡它是錯誤的，調整一些東西，然後重新嘗試。計算機越來越好地确定照片是否包含狗。

這一切都自動發生。利用合适的軟體和大量結構化資料供計算機自行訓練，計算機可以調整其神經網絡以識别照片中的狗。我們稱之為“AI”。

但是，在一天結束時，你沒有一個能夠了解狗是什麼的智能計算機程式。你有一台計算機可以判斷一隻狗是否在照片中。這仍然令人印象深刻，但這就是它所能做的一切。

并且，根據您提供的輸入，神經網絡可能不像它看起來那麼聰明。例如，如果您的資料集中沒有任何貓的照片，那麼神經網絡可能看不到貓和狗之間的差異，并且當您在人們的真實照片上釋放它時，可能會将所有貓标記為狗。

機器學習用于什麼？

機器學習用于各種任務，包括語音識别。像Google，Alexa和Siri這樣的語音助手非常善于了解人類的聲音，因為機器學習技術訓練他們了解人類的語音。他們訓練了大量的人類語音樣本，并且更好更好地了解哪些聲音對應于哪些單詞。

自動駕駛汽車使用機器學習技術訓練計算機識别道路上的物體​​以及如何正确地響應它們。Google相冊充滿了Live Albums等功能，可以使用機器學習自動識别照片中的人物和動物。

Alphabet的DeepMind使用機器學習建立AlphaGo，這是一個可以玩複雜的棋盤遊戲Go并擊敗世界上最好的人類的計算機程式。機器學習也被用于建立擅長玩其他遊戲的計算機，從國際象棋到DOTA 2。

機器學習甚至用于最新iPhone上的Face ID。您的iPhone建構了一個神經網絡，可以識别您的面部，而Apple則包含一個專用的“神經引擎”晶片，可以執行所有數字運算以及其他機器學習任務。

機器學習可用于許多其他不同的事情，從識别信用卡欺詐到購物網站上的個性化産品推薦。

但是，用機器學習建立的神經網絡并不能真正了解任何東西。他們是有益的計劃，可以完成他們訓練的狹窄任務，就是這樣。