?

大家好，這里是Data星球！

在星際日期 24 世紀的 47025.4，一位名為戴塔的星際機器人中尉指揮官被他的反叛機器人“兄弟”洛爾征召加入了反叛人類的陣營。這個情節(jié)在電影《星際迷航》中引起了人們的關注和恐慌，因為這似乎意味著機器在不久的將來可能會廢黜人類的統(tǒng)治。雖然這只是科幻電影中的情節(jié)，但在現(xiàn)實生活中，智能機器已經(jīng)開始逐步接管人類的一些工作，這讓人們不由得感到擔憂。

機器學習作為人工智能的一個具體領域，已經(jīng)在多個領域中發(fā)揮著重要作用，從醫(yī)療診斷到尋找新的亞原子粒子。其中，深度學習作為機器學習中最強大的技術之一，已經(jīng)被廣泛應用于語音識別、語言翻譯、圖像識別、自動駕駛、新材料設計和股市趨勢預測等領域。計算神經(jīng)科學家塞爾在一篇文章中寫道，由于計算機可以輕松處理大量數(shù)據(jù)，深度學習不僅能夠改變現(xiàn)代社會，還可能引發(fā)從粒子物理學和有機化學到生物學研究和生物醫(yī)學應用等學科的科學革命。

近年來，越來越多的科學文獻報道了關于機器學習、深度學習和人工智能的研究成果。這些研究涵蓋了醫(yī)療保健、流行病學、材料科學、基礎物理、量子計算、分子作用模擬、流體力學、臨床心理學、經(jīng)濟學、視覺科學以及藥物發(fā)現(xiàn)等多個領域。

這些論文總結了機器學習目前已經(jīng)取得的重要成就，并對未來的發(fā)展做出了預測。然而，許多研究也指出了智能機器的局限性。例如，一些機器所作出的正確答案只是通過學習“捷徑”，而不是真正理解問題。

此外，智能機器也容易被誤導，因為它們的學習是基于數(shù)據(jù)的，而數(shù)據(jù)本身可能存在誤導性。此外，大部分智能機器只能在特定領域高效地完成特定任務，而缺乏人類的靈活性和普遍認知能力。比如，雖然一臺電腦能在象棋比賽中戰(zhàn)勝大師，但它卻無法玩撲克。

計算機學家梅蘭妮?米歇爾在她的書《人工智能：人類思維指南》中指出：“與人類相比，當今大多數(shù)人工智能的‘學習’不能在不同任務之間轉換。”

米歇爾進一步解釋說，要想深入探索人工智能，還有很多障礙需要克服。例如，機器無法像人類一樣對世界進行全局的思考和推理。

米歇爾認為，“人們往往高估了人工智能的先進性，同時低估了自身智力的復雜性。”人們害怕超級智能機器接管世界，但這種擔憂可能是不合理的。行為經(jīng)濟學家曾說過：“我們應該害怕的不是智能機器，而是機器在我們無法理解的方向上作出的決策。相比于機器的智能，我更害怕機器的愚蠢。”

機器學習進步迅速

機器學習是一種通過算法訓練計算機來自動識別模式和進行預測的方法。這種技術依賴于各種計算系統(tǒng)，其中包括神經(jīng)網(wǎng)絡，這些網(wǎng)絡的處理單元模仿了人類大腦中的神經(jīng)細胞。神經(jīng)網(wǎng)絡通過修改各層神經(jīng)元之間的關聯(lián)強度來傳遞輸入信號，最終將識別到的信息傳遞到輸出層。

在過去的十年中，主流的機器學習方法是深度學習，它基于多層神經(jīng)網(wǎng)絡，并可用于模式識別和分類任務。這種方法已經(jīng)被廣泛應用于許多領域，包括醫(yī)學、工業(yè)和科學。在一些系統(tǒng)中，機器學習是基于監(jiān)督學習的，這意味著訓練機器所使用的是帶標簽的數(shù)據(jù)；而非監(jiān)督學習則是在機器未被告知數(shù)據(jù)集含義的情況下進行的，機器需要自行發(fā)現(xiàn)分類或行為的模式。此外，還有一種稱為強化學習的方法，它通過獎勵機制來幫助機器學習，例如在游戲中獲勝或在文件中獲得高分。在圍棋比賽中，強化學習已經(jīng)展示了它的強大實力。

雖然機器學習在圍棋方面取得了很多成就，但是在醫(yī)學、工業(yè)和科學等領域的實際應用也非常令人矚目。例如，訓練有素的深度學習系統(tǒng)可以在CT掃描中識別出被放射科醫(yī)生忽略的癌癥信號，這為臨床醫(yī)生提供了重要的支持。

在醫(yī)藥領域，機器學習已經(jīng)成為幫助研究人員改善治療效果標準測試的重要工具。傳統(tǒng)的醫(yī)學試驗測試疾病治療效果通常依賴于測試結果平均值來判斷治療是否有效，但這種方法可能會忽略對個別患者有益的因素。舉例來說，某項減肥治療并沒有減少糖尿病患者心臟問題的發(fā)生，但根據(jù)傳染病學家維姆肯和計算機科學家凱利的研究，機器學習算法成功識別出了某一小部分患者在減肥過程中心臟問題得到了改善。

此外，機器學習在發(fā)現(xiàn)新藥物的測試方面也有所突破。在最近的藥理學和毒理學年度回顧文章中，化學家朱浩表示：“深度學習在藥物發(fā)現(xiàn)方面具有廣泛的應用。在這個大數(shù)據(jù)時代，深度學習所支持的人工智能的進展為藥物發(fā)現(xiàn)帶來了巨大的前景。”

類似于藥物發(fā)現(xiàn)，機器學習在發(fā)現(xiàn)新型工業(yè)材料方面也展現(xiàn)出了高效性：通過機器學習算法，可以簡化尋找耐磨耐拉的“超硬”材料的過程。材料學家斯巴克斯指出：“這個研究體現(xiàn)了機器學習在新結構材料的發(fā)現(xiàn)方面扮演著重要角色。”

比起機器智能，我更怕機器智障

機器學習不僅在實際應用領域引起了廣泛關注，還為基礎科學研究提供了極大的便利。例如在大型高能粒子加速器，如大型強子對撞機（LHC）中，當質子相撞時會產(chǎn)生包含其他亞原子粒子的復雜粒子流，科學家需要從這些數(shù)十億次質子相撞的流中精確地挑選出有價值的內容。這就好比在用消防高壓水槍喝水時決定吸入哪些分子，機器學習可以幫助科學家從背景噪聲中分辨出有價值的事件，而其他機器算法則可以幫助識別撞擊碎片中的粒子。

物理學家蓋斯特及其同事指出：“深度學習已經(jīng)對 LHC 的數(shù)據(jù)分析產(chǎn)生了影響，開創(chuàng)了機器學習和粒子物理學領域之間的新合作浪潮。”量子物理學家卡利歐在另一篇文章中提到，機器學習的方法不僅在粒子物理領域有應用，還在宇宙學、量子計算等其他基礎物理研究領域中得到應用。

“隨著機器學習技術在實際應用領域的興起，科學家們開始探索機器學習在基礎研究中的潛力。”卡利歐和他的合作者在去年的一篇綜述中寫道。

學習的局限性

機器學習是一項令人印象深刻的技術，但也存在著缺陷。科學家們不應該因其成就而被蒙蔽，而是需要持有健康和批判性的態(tài)度，既要分析這些方法的突破點，也要認識它們明顯不擅長的地方。

機器學習的“智能”是受其所學數(shù)據(jù)性質的限制的。例如，通過訓練的機器可以根據(jù)歷史歧視數(shù)據(jù)對特定人群產(chǎn)生偏見，這可能會影響其求職篩選的結果。此外，機器的準確性通常是指其前五個猜測中是否有正確答案，而不是真正理解問題。

有時候，看似聰明的機器能夠準確地完成任務，并非因為其像人類一樣理解問題，而是找到了獲得正確答案的捷徑。這些捷徑可能導致機器被欺騙，因為它們容易被敵對方針對。此外，人類也難以解釋機器的錯誤，因為深度神經(jīng)網(wǎng)絡的運行原理很難被理解。

雖然機器的智能方式與人類不同，但科學家需要更完整地理解人類智能，以研究更強大的人工智能替代品。因此，我們不必過于擔心機器將會很快超越人類。總的來說，機器學習是一項令人興奮的技術，但也需要謹慎和批判性的態(tài)度來評估其潛力和局限性。

?

關注"Data星球"公眾號，回復"電子書"獲取免費python基礎教程書籍，回復‘gpt’免費使用chatgpt

總結

以上是生活随笔為你收集整理的人工智能还不错，人工智障就算了的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。