每小我都可以经由过程直觉来想象另一小我的脸，可所以实际的脸也可所以毕加索式的脸。人们还能想象一种声音或者音乐风格。但没人能用完全而有效的方法来描述一张脸、声音或者音乐风格的变更。仁攀类只能看到三个维度，即使爱因斯坦也不克不及有意识地解决500个维度上机械进修一般的数学问题。但我们的仁攀类大年夜脑一向在用直觉解决这种500维的数学问题，就像魔法一样。为什么它不克不及被有意识地解决呢?想想一下，如不雅对每个设法主意，大年夜脑都给出它所应用的有上千个变量的公式，会如何?那些多余的信息会让我们异常困惑，并且大年夜幅减缓我们思虑的速度，这又何必呢?没有仁攀类能进行几页长的数学计算，我们的头上并没有进化出USB电缆那样的器械来。
出缺点的主动化会晋升仁攀类的工作，而不会杀逝世这些工作。
如不雅没有人能猜测任何事，那么机械进修同样做不到。很多人用多年的市场价格变更来练习ML，但这些AI照样无法猜测市场走向。ML只有在以前的身分和趋势保持不变的情况下进行猜测。但股票和经济趋势经常更改，几乎是随机的。当旧的数据不再有效或者频繁出现缺点的实话，ML就会掉灵。已经习得的义务和规矩必须保持一致，或至少是很少再更改，如许你才能再次练习。举个例子，进修开车、打扑克、按某种风格画画、根据健康数据猜测疾病、在不合说话之间进行转换，这些是机械进修能做到的，旧有的实例在近期将来依然会是有效的。
机械进修能在数据中找到因不雅接洽，但它找不参预不存在的器械。比如，在一项名为“应用面部图像主动辨认罪犯”的怪异研究中，ML进修了很多在押罪犯和无罪者的面部照片，研究者声称，机械进修只根据一张面部照片就能抓到新的“坏人”，但研究者“感到”，更进一步的研究将驳回根据面孔进行断定的有效性。他们的数据设置是有成见的：有些看起来无辜的白领罪犯甚至会嘲笑他们的做法。ML能学到的独一愫系是高兴或朝气的嘴巴、领子的类械寥。那些微笑着的穿戴白领的人被分类为无辜诚实的，而那些看起来悲哀的穿黑领衣服的人则和“坏人”相干。那些机械进修专家测验测验着用人们的面部来断定这小我的短长，但他们却不克不及经由过程衣着(社会阶层)去断定。机械进修放大年夜了一种不公平的成见：街上穿戴便宜衣服的小贼比腐烂的┞服客和顶级企业讹诈者更轻易被发明并受到处罚。这种机械进修将会发明所有街上的小贼并把他们投入监牢，但一个白领都没有。机械进修并没有像任何一个成年人那样在我们这个世界生活过，它们不知道在数据以外还有什么，连那些很“明显的”也不知道，举个例子：在一场火警中，火势越大年夜，被派去的救火车就越多。一个ML会留意到，在一个火场的救火员越多，第二天看到这场造成的破坏就越大年夜，所以恰是那些救火车导致了火警破坏。结论：机械进修会以放火罪把救火员送进监牢，因为这个中有95%的相干性!
(机械进修不克不及大年夜不存在的器械中寻找相干性，比如：带有犯法偏向的面部。但这些数据是带有成见的：没有微笑着的白领罪犯在个中!机械进修会学到这些成见。)
仁攀类也大年夜来不会完全地解释他们所做的决定。我们会给出听起来合理的来由，但却平日是不完全的过于简化的来由。那些总能大年夜ML那边获得精确的谜底的人们，会开端编造虚假的阐释，就是因为如许会让"大众,"更轻易承认ML的猜测。还有些人会偷偷应用ML，并把得出的设法主意说成是他们本身的设法主意。
没人知道若何造出一个通用AI。这真是棒极了，我们已经拥有了超仁攀类的专业工人(狭义AI)，但没有任何一个终结者或黑客帝国会本身决定要杀掉落我们。不幸的是，仁攀类会练习机械刹那间杀掉落我们，举例来说，一个恐怖分子可能会练习一个主动驾驶的卡车抵触触罪人行道。而拥有通用智能的AI可能会自我息灭，也不会遵守恐怖分子的指令。
AI伦理可能将被入侵，并且从新编程为不法的模式。今朝的AI既不是通用的也不是属于科学家的AI，它老是会服从年夜仁攀类的指令。
AI会杀逝世旧有的工作，但还会创造出新的机械进修练习员的工作，就和宠物练习员有点类似，而不像工程师。一个ML比一向宠物要难练习多了，因为它不具备通用智能，它会学会它大年夜数据中看到的所有器械，不带任何筛选和常识甄别。一只宠物在学会做坏事之前还会三思而后行，比如说杀逝世它的小伙伴们之类的。然而对ML来说，它为恐怖分子办事或为病院办事没什么差别，并且它也不会解释本身为什么要如许做。ML并不会为本身的缺点和它为恐怖分子营造的恐怖氛围而报歉，它毕竟不是一般的AI。
实用机械进修练习。如不雅你用手拿着物品的┞氛片练习一个ML，它会把手看做是这个物品的一部分，也就无法零丁辨认出这个物品本身。一只狗知道若何大年夜人的手上吃器械，而那愚蠢的ML则会把食物连同你的手一路吃掉落。要改掉履┞封个问题，那就要先练习它熟悉手，再练习它熟悉零丁的物品，最后练习手拿着物品的情况，并打上标签“手握着物品X”。
对一个小公司的大年夜多半工作来说，练习人工要比练习机械进修便宜得多。教一小我类开车很轻易，但让机械学会开车去漫长而艰苦。当然，也许让机械来开车比仁攀类要安然，尤其是推敲到那些喝醉了的、困乏不堪的、看着手机开车的、疏忽限速的人或者那些本性猖狂的仁攀类。但那么昂贵和靠得住的练习只在大年夜公司里有可能存在。用便宜办法练习出来的ML既靠不住又十分危险，但只有很少的公擞眯才能练习出靠得住的AI。一个受训的ML永远无法被复制，不像一个大年夜脑的经历被传送到另一个大年夜脑中那样。大年夜的供给商将会售卖未经练习的ML来完成可反复应用的义务，比如“放射科医师ML”。ML可以弥补一小我类专家，专家老是被须要的，但它可以替代其他“多余的”员工。一家病院可以聘请一位放射科医师监督ML，而不消聘请很多个放射科医师。放射科医师这个工作并不会灭尽，只是在每家病院的工作职位变少了。练习ML的公司将会把ML卖给多家病院，大年夜而赚回投资资金。每一年，练习ML须要的成本都邑降低，因为越来越多人将学会若何练习ML。但因为数据贮备和测试的原因，靠得住的ML练习最终也不会变得异常便宜。在理论上说，很多工作义务都可以被主动化，但实际上只有一部分工作抵得过练习一个ML的成本。对于那些过于不平常的工作，比如泌尿科医师，或者翻译一种古代的已经掉传的说话，如许的工作，其仁攀类薪资大年夜经久来看依然比一次性练习一个ML来的便宜，因为大年夜事这种工作的人数太少了。
推荐阅读
引言作为一名数据科学家，我一向有一个妄图——顶级科技公司在与我相干的范畴赓续推出新产品。如不雅你不雅看了Apple公司最新的iPhone X宣布会，你会发明iPhone X具有异常酷的>>>详细阅读
地址：http://www.17bianji.com/lsqh/37901.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示