人工智能技術(shù)正在努力跟上當(dāng)今的條件，并應(yīng)用于現(xiàn)實(shí)世界。

如果對技術(shù)感興趣，就很難不對人工智能技術(shù)著迷。人工智能是當(dāng)今科技界最受關(guān)注的話題之一，其在給我們的生活帶來許多東西方面發(fā)揮了巨大的作用，尤其是在過去的五年里。無論是利用其生成能力突破創(chuàng)造力的極限，還是利用其先進(jìn)的分析能力了解我們的需求，許多行業(yè)已經(jīng)在人工智能的巨大蛋糕中分得一杯羹。但這是否意味著人工智能是完美的?

盡管人工智能已經(jīng)成功地吸引了所有人的關(guān)注，但我們有時(shí)會(huì)忘記關(guān)注天平的另一面。雖然我們?nèi)祟惡茈y解釋生活和情感，但提供數(shù)據(jù)的人工智能技術(shù)在這方面也不是很成功。不幸的是，考慮到當(dāng)今的技術(shù)，解釋生物體不可預(yù)測的運(yùn)動(dòng)(其大部分決定都是基于荷爾蒙沖動(dòng))，并希望一臺從未經(jīng)歷過這些荷爾蒙影響的機(jī)器能夠做到這一點(diǎn)，這是一個(gè)很大的困境。

下面，讓我們來談?wù)勗谏钪凶钪匾姆矫娼邮芎褪褂萌斯ぶ悄芩媾R的挑戰(zhàn)。

人工智能技術(shù)如何從提供的數(shù)據(jù)中學(xué)習(xí)?

人工智能技術(shù)通過一個(gè)被稱為訓(xùn)練的結(jié)構(gòu)化過程，從提供的數(shù)據(jù)中學(xué)習(xí)。這個(gè)過程是機(jī)器學(xué)習(xí)的基礎(chǔ)，機(jī)器學(xué)習(xí)是人工智能的一個(gè)子集，涉及幾個(gè)不同的步驟。

首先，數(shù)據(jù)收集是必不可少的。人工智能系統(tǒng)需要大量且多樣化的數(shù)據(jù)集，這些數(shù)據(jù)集與其要解決的特定問題相關(guān)。該數(shù)據(jù)集包含輸入數(shù)據(jù)(特征)和相應(yīng)的輸出或標(biāo)簽，其代表所需的預(yù)測或分類。例如，在圖像識別中，數(shù)據(jù)集將由圖像及其相關(guān)標(biāo)簽組成，例如識別圖像是否包含貓或狗。

收集數(shù)據(jù)后，將對其進(jìn)行預(yù)處理。此步驟確保數(shù)據(jù)采用適合訓(xùn)練的格式。數(shù)據(jù)預(yù)處理任務(wù)可以包括用于消除錯(cuò)誤或不一致的數(shù)據(jù)清理、使數(shù)據(jù)處于一致范圍內(nèi)的規(guī)范化，以及從原始數(shù)據(jù)中提取有意義的信息的特征工程。

下一個(gè)關(guān)鍵步驟是模型選擇。人工智能從業(yè)者選擇適合當(dāng)前問題的機(jī)器學(xué)習(xí)模型或算法。常見的選擇包括神經(jīng)網(wǎng)絡(luò)(用于深度學(xué)習(xí))、決策樹、支持向量機(jī)等。

選擇模型后，將進(jìn)行參數(shù)初始化。這些參數(shù)是決定其行為的模型的系數(shù)或權(quán)重。其用隨機(jī)值初始化。

訓(xùn)練循環(huán)是模型真正學(xué)習(xí)的地方。由幾個(gè)迭代步驟組成：

在前向傳遞中，模型獲取輸入數(shù)據(jù)并根據(jù)其當(dāng)前參數(shù)生成預(yù)測。

損失函數(shù)量化這些預(yù)測與實(shí)際標(biāo)簽之間的差異。目標(biāo)是盡量減少這種損失。

采用梯度下降等優(yōu)化算法，反向傳播對模型參數(shù)進(jìn)行調(diào)整。此步驟確保模型不斷地改進(jìn)其預(yù)測。

這種迭代訓(xùn)練過程在多個(gè)時(shí)代重復(fù)，允許模型進(jìn)一步微調(diào)其參數(shù)。

驗(yàn)證和測試是關(guān)鍵階段。驗(yàn)證評估模型泛化到新的、看不見的數(shù)據(jù)的程度，而測試則更嚴(yán)格地評估其性能和泛化能力。

從理論上講，一旦模型表現(xiàn)出令人滿意的性能，就可以將其部署到現(xiàn)實(shí)應(yīng)用程序中，以根據(jù)新的、以前未見過的數(shù)據(jù)進(jìn)行預(yù)測或自動(dòng)執(zhí)行任務(wù)。

人工智能技術(shù)可以通過多種方式從數(shù)據(jù)中學(xué)習(xí)，但最常見的方法是監(jiān)督學(xué)習(xí)，即人工智能算法在標(biāo)記數(shù)據(jù)上進(jìn)行訓(xùn)練，這意味著正確的輸出是已知的。該算法通過進(jìn)行預(yù)測，并將其與真實(shí)標(biāo)簽進(jìn)行比較來學(xué)習(xí)將輸入映射到輸出。隨著時(shí)間的推移，該算法的準(zhǔn)確性會(huì)提高，并且可以對新的、未見過的數(shù)據(jù)做出更好的預(yù)測。

因此，雖然數(shù)據(jù)標(biāo)記在監(jiān)督學(xué)習(xí)中至關(guān)重要，但我們能否完全確定其準(zhǔn)確性?答案是否定的。讓我們面對現(xiàn)實(shí)——人類并不完美。我們都有過質(zhì)疑自己能力的時(shí)刻，比如懷疑醫(yī)療診斷或懷疑刑事案件的結(jié)果是否真的公正。然而，我們應(yīng)該毫不猶豫地相信自己和標(biāo)記的數(shù)據(jù)。這很難接受，但現(xiàn)實(shí)是，即使有最好的意圖，我們都容易犯錯(cuò)誤。

機(jī)器學(xué)習(xí)算法的另一種形式稱為無監(jiān)督學(xué)習(xí)。這涉及到人工智能系統(tǒng)在一組未標(biāo)記的數(shù)據(jù)上進(jìn)行訓(xùn)練，這意味著該算法不具備每個(gè)數(shù)據(jù)點(diǎn)的正確輸出。因此，這必須獨(dú)立識別數(shù)據(jù)內(nèi)的模式和關(guān)系。例如，可以利用無監(jiān)督學(xué)習(xí)來識別具有相似消費(fèi)習(xí)慣的客戶群體。

此外，人工智能技術(shù)具有實(shí)時(shí)從數(shù)據(jù)中學(xué)習(xí)的能力。這就是所謂的強(qiáng)化學(xué)習(xí)。在此過程中，人工智能系統(tǒng)會(huì)因所采取的行為利否而獲得獎(jiǎng)勵(lì)或懲罰。

盡管看起來合乎邏輯，但這種方法還遠(yuǎn)遠(yuǎn)不夠完美，還沒有為嚴(yán)酷的世界做好充分準(zhǔn)備。

預(yù)測人工智能準(zhǔn)備好迎接如此復(fù)雜的世界了嗎?

最近發(fā)表在《連線》雜志上的一項(xiàng)研究發(fā)現(xiàn)，預(yù)測人工智能技術(shù)及其軟件應(yīng)用(如Geolitica)并不像人們希望的那樣有效。事實(shí)上，研究發(fā)現(xiàn)人工智能軟件的準(zhǔn)確率只有0.6%左右。這引起了人們對世界各地警察部門使用人工智能技術(shù)的擔(dān)憂。

那么，問題出在哪里呢?預(yù)測性人工智能軟件的主要問題之一是，其依賴于生命是可預(yù)測的這一有缺陷的假設(shè)。生命是一種復(fù)雜的現(xiàn)象，受到眾多變量的影響，其中許多變量是不可預(yù)測的。因此，很難依靠軟件來準(zhǔn)確預(yù)測事件發(fā)生的地點(diǎn)和時(shí)間。

人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域的情況也不是很好。ChatGPT被廣泛使用，被普遍認(rèn)為是最強(qiáng)大的大型語言模型(LLM)，但對于醫(yī)學(xué)研究和準(zhǔn)確診斷而言，具有很大的誤導(dǎo)性和不足。

Maryam Buholayka、Rama Zouabi和Aditya Tadinada的研究評估了ChatGPT獨(dú)立撰寫科學(xué)案例報(bào)告的能力。該研究將ChatGPT與人類口腔頜面放射科醫(yī)生在撰寫病例報(bào)告方面的表現(xiàn)進(jìn)行了比較。

最終發(fā)現(xiàn)，ChatGPT能夠生成與人類放射科醫(yī)生撰寫的病例報(bào)告質(zhì)量相似的病例報(bào)告。然而，ChatGPT病例報(bào)告不太可能包含某些重要元素，例如鑒別診斷的討論和文獻(xiàn)綜述。

因此，綜合研究得出的結(jié)論是，ChatGPT尚未準(zhǔn)備好自行撰寫科學(xué)案例報(bào)告。那么，所有這些做法對我們意味著什么呢?盡管人工智能技術(shù)的魔力讓所有人驚嘆不已，但遠(yuǎn)未達(dá)到完美。許多不可預(yù)測的因素，例如人為控制來源以及算法運(yùn)行不正確或不完整，正在減慢人工智能技術(shù)融入日常生活的速度。

但別忘了，即使是帶有傳感器的門，也曾一度被認(rèn)為是人類的想象。