人工推理:机器内部学习


你坐在出口排。你随便看一下紧急指南,它是图像和文本的结合。你的大脑自然地将它们结合在一起,并向你呈现出想要传达的信息的完整画面——在不太可能发生的紧急情况下开门。

作为人类,这种相互关联的能力是我们本能地拥有的,但请想一想,计算机是如何看待同一份文件的。光学字符识别系统读取文本。图像识别模型扫描图像。然后,还有第三个系统,它将图像和文本关联起来,以理解整个画面。

完成同一项任务的两种方法似乎截然不同。然而,如果你想一想,基本原理是一样的,人类分析我们周围世界的过程和机器处理复杂信息的方法都是基于将数据分解成核心元素。我们只是本能地更擅长关联信息。

在我之前的帖子里Artificial Creativity,我论证了人工智能系统是如何挑战我们关于创造力的观念的。尽管current pragmatic AI系统不能取代我们真正的创造力,它们当然可以模拟人类的创造性努力。它可以暗示培根配鸡尾酒。我们仍然可以决定是否喜欢它(我在鸡尾酒建议中对整个熏肉说“嗯”)。(

在对人工智能增强能力的不懈追求中,一个关键能力有些难以捉摸论证。对于大多数人来说,提出令人信服的论点所需的相关性的复杂性是很难的,更不用说人工智能系统了。

这只是改变了。IBM最近展示了Project Debater在多个话题上与专家辩论者争论并获胜(可以说)。

我们现在正处在一个可以把推理能力教给机器的阶段。随着我们将基本的推理和决策委托给这些系统,它会很快变得更有商业意义吗?这对我们意味着什么?我们变得过时了吗?一辆旧福特会因为特斯拉的存在而变得无关紧要吗?

我其实不这么认为。

对我们来说,这是一个发展到更高层次的机会,在这个层次上,我们基本制度的定义不再适用。它解放了我们的认知能力,让我们能够在科学、哲学、医疗保健和教育领域寻找新的前沿。这是双赢!

来源

Artificial Intelligence:事实,虚构。企业如何粉碎它