当前位置:

OFweek人工智能网

机器学习

正文

过度宣传or宣传不够 大咖解读机器学习带来的机遇

导读: 即将到来的机器人时代,计算机可以帮我们处理各种各样的工作,汽车可以自动驾驶。对有些人来说,这很值得兴奋,但反乌托邦主义者却对此感到恐惧。特斯拉的首席执行官Elon Musk就将人工智能称作潜在的威胁。

Erik Brynjolfsson是麻省理工学院斯隆学院的教授,他在哈佛商业评论的HBR IdeaCast栏目中接受了一次访谈。访谈中,Erik Brynjolfsson详细阐述了机器学习快速发展给企业带来的新机遇。他解释了机器学习技术的运作方式以及它的局限性;他还讨论了人工智能对经济的潜在影响,人类今后如何与之互动,并建议管理人员开始进行相关实验。

过度宣传or宣传不够 大咖解读机器学习带来的机遇

雷锋网对访谈内容进行了节选和编译:

Sarah Green Carmichael:欢迎来到哈佛商业评论的HBR IdeaCast节目,我是Sarah Green Carmichael。

最近有一张很忧伤的照片,一台1米高的机器人躺在华盛顿特区办公楼庭院中的一个浅水池里,工作人员围在旁边试图将其救出。

事故发生时,这台机器人才刚刚上岗几天。一个在办公室里上班的企业家写道:“我们被许诺将得到会飞行的汽车,结果却等来了自杀的机器人。”

即将到来的机器人时代,计算机可以帮我们处理各种各样的工作,汽车可以自动驾驶。对有些人来说,这很值得兴奋,但反乌托邦主义者却对此感到恐惧。特斯拉的首席执行官Elon Musk就将人工智能称作潜在的威胁。

不过我们今天的嘉宾是一位谨慎的乐观主义者。他一直在观察企业如何应用人工智能技术,机器学习的进步如何改变我们的工作方式。Erik Brynjolfsson教授在麻省理工学院斯隆学院任教,并负责运营麻省理工学院的数字经济计划。他还和Andrew McAfee合著了HBR文章《人工智能商业》。

Sarah Green Carmichael:Eric,欢迎你来到HBR IdeaCast。你为什么对AI的未来持谨慎乐观态度?

Eric Brynjolfson:你开场提到的那个机器人的例子很好,因为它体现了机器人的优势和不足。机器人在某些方面是非常强大的,就像计算器在算术方面比我强得多一样。如今我们拥有人工智能,它可以胜任很多工作,比如识别不同癌症的影像,某些场景中的语音识别,但它同时也很狭隘,因为它不具备人类那样的智慧。这也解释了为什么人机协作最成功的案例往往发生在商业领域。

Sarah Green Carmichael:当你谈到图像识别时,我脑海中浮现出了一副很奇妙的画面,你在文章中称之为“小狗或松饼”。我很惊讶松饼和小狗看起来竟然这么相似,更让我惊讶的是,机器居然能够把它们区分开来。

Eric Brynjolfson:这确实挺有趣的。人类非常擅长辨别不同类别的图像。但长时间以来,机器远不如七八年前那么聪明,当时它在image net上达到了30%的识别错误率。image net是李飞飞创造的包含超过1000万张图像的大型数据库。现在机器的识别错误率大幅降低,小于5%,可以达到3-4%,这取决于它的设置。而人类的识别错误率仍保持在5%左右。

机器在过去几年中得到显著改善的原因是使用了深层神经网络技术,对于图像识别等任务来说,它非常强大。

Sarah Green Carmichael:一方面,我们喜欢愚弄机器,让它出错;另一方面机器识别准确率这么高,仔细想想也挺可怕的。

Eric Brynjolfson:机器并非完美的社会驱动力,虽然它能准确区分小狗和松饼,却无法准确地做出信用决定。因此,我们必须建立能够弥补这些缺陷的可靠系统。当然,人类在这些方面也无法做到完美,所以大多数企业家和管理者在人和机器之间做出选择的依据是:谁能更好地解决某个特定问题,以及是否可以创建一个系统,结合人类和机器的优势,让它比二者单独行动时获得更好的成效。

Sarah Green Carmichael:通过识别照片和人脸,Facebook的人脸识别软件可以区分出化妆和不化妆时的我,这既有趣又可怕。与此同时,人类在辨认人脸时却常常遇到困难,比如说你在杂货店碰到一个人,觉得在哪里见过,但是又想不起来。所以说,在认人这件事上,人类也经常犯错。

Eric Brynjolfson:没错,在这方面我可以说是世界上最糟糕的。开会的时候,我多么希望耳边能够有一个机器偷偷告诉我,这个人是谁,我们以前是怎么认识的。机器可以提供帮助,但也具有一定的风险。它可能会在某些重要事务上做出糟糕的决策,比如谁应该获得假释,谁又该获得信用。更糟糕的是,有时候它们的决策是建立在收集到的数据基础之上的。加入你以前雇佣的人存在种族和性别歧视倾向,而你又使用这些数据教机器人怎么招聘员工,那么它将学会人类的偏见,并且以我们不愿看到的方式扩大和永久化。

Sarah Green Carmichael:现在关于AI的宣传铺天盖地。当有些人提到机器学习时,立马会有人跳出来说,它不过是一种软件,我已经使用它很久了。你是如何分辨这些概念,以及它们背后的真正涵义的?

Eric Brynjolfson:现在机器工作的方式与以往你所知道的有着重大区别。McAfee和我合著了《第二机器时代》这本书,书中提到,我们如今正在让机器完成越来越多的认知任务。过去三、四十年间,我们精心编程,将希望机器完成的所有动作写进代码里。所以你知道它是否做好了处理税务工作的准备,比如将两个数相加再乘以另一个数。当然,前提是你首先必须足够了解这些任务,这样才能指定机器去完成。

但在新的机器学习理论下,机器可以自主学习人类无法描述的事物,比如说面部识别。我很难去形容我母亲的脸,说清她两眼之间的距离,以及它的耳朵是什么样子的。

我可以认出她,但是我无法写一段代码去实现这一点。机器现在的工作方式是,不用我们写代码,只需要给它们足够多的案例就行了。比如很多从不同角度拍摄我母亲的照片,或者很多关于猫和狗的照片,以及关于“yes”和“no”的对话。只要你给它足够多的例子,它就能自己定义规则。

这是一个真正的突破。它克服了我们常常提到的波兰尼悖论。 1960年代的博学家和哲学家迈克尔·波兰尼(Michael Polanyi)曾经有一句名言——“我们知道的多于我们可以描述的”。通过机器学习,我们不必向机器描述应该做些什么,只需要展示一些例子就可以了。“这种变化为机器开辟了许多新的应用场景,并允许它完成很多以前只有人类才能完成的任务”。

1  2  3  下一页>  
声明: 本文由入驻OFweek公众平台的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

我来说两句

(共0条评论,0人参与)

请输入评论

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码: