伯克利教授說人機共存才是未來；李飛飛說簡直再同意不過

本文來自AI新媒體量子位（QbitAI）

今天，加州大學伯克利分校工程教授、“人類與機器人行動”主任Ken Goldberg在《華爾街日報》上發表評論文章《The Robot-Human Alliance》。

他從上個月棋手在烏鎮與AlphaGo合作對局談起，提出了思考未來AI時代的另一種方式：“機器取代人類”被過分誇大，人類的回報循環是人工智能系統優化的關鍵，多樣化的人類與機器配合，共同解決問題，才是我們更應該思考的方向。

斯坦福教授李飛飛在Twitter上轉發文章，稱“再同意不過”，MIT機器人學教授Rodney Brooks等人也紛紛發推表示贊同。

△ Ken Goldberg

以下内容來自Goldberg的文章，量子位編譯：

人類再次被機器打敗。上月，世界排名最高的圍棋選手輸給了谷歌的人工智能軟體AlphaGo。考慮到圍棋的複雜程度，這标志着機器學習取得了又一個重要成就。

然而更重要的是，人們可能沒有注意到，某些世界頂尖的圍棋選手已開始與AlphaGo合作，進行人機組隊比賽。通過研究AlphaGo之前的新政策，選手們有了新思路。他們表示，與人工智能軟體的合作給他們更強的信心。

這反映了思考未來人工智能時代的另一種方式。

大部分計算機科學家都認為，關于機器人将取代人類工作的預測被過分誇大。與其擔心即将到來的人工智能“奇點”，我們或許更應該思考人工智能帶來的“多樣性”（Multipilicity）：多樣化的人類和機器配合，共同解決問題。

這樣的多樣性并非科幻小說。機器學習、群體智能和雲計算的結合已經深入美國人的日常：搜尋文檔、過濾垃圾郵件、語言翻譯、查找新聞和電影、地圖導航，以及管理照片和視訊。

可以來看看谷歌搜尋引擎。谷歌搜尋引擎基于一組算法，這些算法的輸入來自大量人類使用者，使用者的每次點選和跳過連結都會帶來有價值的回報資訊。

垃圾郵件過濾器也是如此。每當有人将電子郵件标記為垃圾郵件，或是修改過濾器設定時，人工智能就會對系統進行微調，以确定怎樣做才更加合适。

多樣性幫助亞馬遜推薦圖書，幫Netflix推薦電影，以及為Facebook管理消息流中的内容。

數以百萬計的的使用者通過點選來表現自己的偏好，而這些資料被用于建立和維護統計模型，預測使用者的需求。這裡的關鍵是對使用者和産品進行分組，而算法可以根據相似人群具有相似偏好的特點來做出推薦。持續的人際互動可以確定，随着新元素的引入和使用者品味的變化，系統可以不斷發展。

盡管科學家仍然不太了解多樣性，但他們已經看到了多樣性帶來的優勢。

研究人員開發了一套被稱作“整體學習”的技術。在這種技術中，一組專門的算法協同工作，産生單一結果。

加州大學伯克利分校的Leo Breiman和Adele Cutler共同開發了名為“随機森林”的技術。他們證明，對于存在噪聲資料的複雜問題，一組“決策樹”的表現要勝過單一樹，隻要這樣的樹足夠多。

基于同樣的原因，幾個世紀之前，人群多樣性帶來的幫助和挑戰就已經在政治學、經濟學和社會學中得到認可。對群體問題的實驗表明，參與人群的多樣性比他們的智商更重要。或許，機器學習最有趣的領域是深度學習。在這種技術中，利用人工打上标簽的語音或圖像資料進行訓練，數百萬個參數将得到不斷調整。

在機器人領域，尤其是自動駕駛領域，許多技術進步都可以用多樣性的方式來描述。通過整合不同人群司機的資料，我們可以了解如何在不同環境下做出反應，進而訓練多個統計的機器學習方法，并将其運作在分布式硬體上。

系統必須根據道路、天氣和交通狀況的變化，以及使用者期望的變化來持續做出改變和微調。所有這一切都需要持續的回報循環，而核心是人類。

配合人工智能的集體智慧帶來了目前正在使用的最複雜、最高效的系統。如果人類停止提供輸入，那麼這些系統很快就會過時，甚至惡化。盡管我們在人類因素和人機界面領域已有多年經驗，但仍需要更多的研究，将多樣化的人群和多樣化的機器組合在一起。重要的問題并不是機器何時能超過人類智能，而是人類如何以新方式與機器合作。

多樣性的關鍵是合作，而不是對抗。這類技術不會影響全世界的人類勞動者，而是賦予他們更多力量。

【完】

本文作者：陳桦

原文釋出時間：2017-06-13