您的位置:首页>知识>

人工智能的商业化

导读 包括强化学习先驱Richard Sutton在内的一些科学家认为,我们应该坚持使用可以随着数据和计算的可用性而扩展的方法,即学习和搜索。例如,

包括强化学习先驱Richard Sutton在内的一些科学家认为,我们应该坚持使用可以随着数据和计算的可用性而扩展的方法,即学习和搜索。例如,随着神经网络变得越来越大并接受更多数据的训练,它们最终会克服自己的限制并带来新的突破。

Larson 认为数据驱动的 AI 的扩展是“作为智能模型存在根本缺陷”。他重申,虽然搜索和学习都可以提供有用的应用,但它们基于非溯因推理。

“如果没有对推理的思考进行革命,搜索将不会扩展到常识或溯因推理,这还没有发生。与机器学习类似,学习方法的数据驱动性质本质上意味着推理必须存在 于数据中,可以这么说,而人们通常执行的许多智能推理显然并非如此,”拉森说。“我们不只是回顾过去,例如在大型数据集中捕获,以找出对未来得出结论、思考或推断的内容。”

其他科学家认为,将符号系统和神经网络结合在一起的混合人工智能将更有希望解决深度学习的缺点。一个例子是 IBM Watson,它在 Jeopardy 中击败世界冠军而出名!最近的概念验证混合模型在符号 AI 和深度学习单独表现不佳的应用中显示出有希望的结果。

Larson 认为,混合系统可以填补仅机器学习或仅基于规则的方法的空白。作为自然语言处理领域的研究人员,他目前致力于将GPT-3等大型预训练语言模型与语义网络上的旧工作以知识图谱的形式相结合,以在搜索、问答、和其他任务。

“但是演绎-归纳组合并不能让我们进行推理,因为这三种类型的推理在形式上是不同的,所以它们不会相互还原,也不能结合起来得到第三种,”他说。

在人工智能的神话中,拉森将绕过绑架的尝试描述为“推理陷阱”。

“无论计算机的速度有多快,像机器学习这样的纯粹归纳启发的技术仍然不够充分,而且像 Watson 这样的混合系统也达不到一般的理解,”他写道。“在需要语言理解等世界知识的开放式场景中,绑架是核心且不可替代的。正因为如此,将演绎和归纳策略结合起来的尝试总是注定要失败……该领域需要一个基本的溯因理论。与此同时,我们陷入了陷阱。”

人工智能社区对数据驱动方法的狭隘关注已将研究和创新集中在少数拥有大量数据存储和财力雄厚的组织中。随着深度学习成为将数据转化为有利可图的产品的有用方法,大型科技公司现在陷入了招聘 AI 人才的激烈竞争中,通过向研究人员提供丰厚的薪水,使他们远离学术界。

这种转变使非营利实验室和小公司很难参与 AI 研究。

“当你将人工智能的研究和开发与非常大的数据集的所有权和控制权联系起来时,你就会为不拥有数据的初创企业设置进入壁垒,”拉森说,并补充说数据驱动的人工智能本质上创造了商业领域的“赢家通吃”情景。

人工智能的垄断反过来又阻碍了科学研究。由于大型科技公司专注于创建应用程序,在这些应用程序中他们可以利用其庞大的数据资源来保持领先于竞争对手的优势,因此探索人工智能替代方法的动力很小。该领域的工作开始倾向于狭隘且有利可图的应用,而牺牲了可能导致新发明的努力。

“目前没有人知道在没有如此庞大的集中式数据集的情况下人工智能会是什么样子,因此对于希望通过设计不同且更强大的人工智能进行竞争的企业家来说,实际上没有什么可提供的,”拉森说。

Larson 在他的书中警告了当前的 AI 文化,这种文化“正在从唾手可得的果实中榨取利润,同时继续旋转 AI 神话。” 他写道,对通用人工智能进展的幻想可能导致另一个人工智能冬天。

但是,虽然人工智能寒冬可能会削弱对深度学习和数据驱动人工智能的兴趣,但它可以为新一代思想家探索新途径开辟道路。拉森希望科学家们开始超越现有方法。

在人工智能的神话中,Larson 提供了一个推理框架,阐明了该领域当今面临的挑战,并帮助读者了解有关 AGI 或奇点进展的夸大声明。

“我希望非专业人士有一些工具来对抗这种不科学的必然性思维,我的同事和其他人工智能科学家可以将其视为警钟,让他们开始研究非常真实的事物。该领域面临的问题,”拉森说。

免责声明:本文由用户上传,如有侵权请联系删除!