如何看待和學習人工智慧？這是五位哈佛博士生的AMA

問耕 發自 SMB
量子位 出品 | 公眾號 QbitAI

最近，五位哈佛的在讀博士生集體來到著名社區reddit，展開一場圍繞人工智慧和認知科學的AMA（Ask Me Anything）。

簡單介紹一下這幾位博士生：Rockwell Anyoha來自分子生物學系；Dana Boebinger、Kevin Sitek來自哈佛-麻省理工語音和聽力項目；Adam Riesselman、William Yuan來自醫學院，他們使用機器學習等展開相關研究。

這次總時長兩個小時的在線交流，得到了reddit網友的熱情參與，量子位從中節選了一些精彩的問答進行了編譯摘錄。如下。

提問：我們需要擔心人工智慧和自動化發展速度過快么？

回答：我們應該為生活在充滿AI和自動化的世界做好準備。許多工作在不久的將來會變得過時。既然我們知道這天一定會到來，整個社會就應該制定有效的政策。

伊隆·馬斯克的「AI末世論」遭到很多人反對，特別是AI從業者。正如吳恩達所說：「我認為工作崗位流失是一個巨大的問題，但我希望大家可以專註於解決這個問題，而不是關心那些科幻小說一樣的東西」。

提問：AI會在哪個領域（醫療、金融等）率先立足，為什麼？

回答：AI已經在醫學圖像處理領域得到了長足的進步。例如，在通過圖片識別皮膚癌這件事上，人工智慧機器已經達到了人類醫生的水平。

金融和銀行部門也會更快的實現自動化。通常股票的購買是一個複雜的決策過程，最終這些交易將由各種數據決定，演算法正在取代人的決策。

但我們仍然不知道人工智慧會如何影響我們的經濟和工作，只有時間會說明一切。

提問：機器學習是當前的熱門話題。AI的下一個大事件會是什麼？

回答：從純機器學習的角度來說，無監督學習會是下一個大事。研究人員現在給機器「喂」數據的方式被稱為監督學習，這些數據不但知道類型（例如圖片），而且還打了標籤（例如圖中是一隻貓）。監督學習領域，有很多偉大的成功。

如何讓機器自學成才？這就是無監督學習要乾的事情。一個嬰兒出生后，父母不必教授每一件事情，嬰兒會自己學習。當然無監督學習是一個棘手的事情，AI研究者正在為此而努力。比方Yann LeCun最近就一直在講無監督學習。

提問：你們可能低估了無監督學習，在這個AI問題上已經研究了幾十年，但沒有任何進展。這不是一個新的研究焦點。

回答：感謝回復。我們這裡想說的是無監督學習的具體演算法框架。生成模型被用來解決這個問題，因為它可以某種方式探測數據中潛在的變數，而且可以生成新的數據。

以前曾經使用Wake-Sleep演算法解決這個問題，但是並沒有獲得太大的成功。然後是限制玻爾茲曼機以及深度信念網路。但是這些技術在應用到現實世界時，都遇到了極大的挑戰。

最近，變分自編碼器和生成對抗網路等模型已經取得突破。使用這些模型可以快速、簡單的對非結構化數據執行複雜的任務，包括創建人物素描、生成句子以及自動為圖片著色等。

沒錯，人們在這個領域已經努力很久了。而通過上述新技術，我想我們正在接近一個新的領域——讓機器自己了解我們的世界。

提問：你們覺得政府應該為AI制定什麼具體的法律法規么？

回答：有個阿西莫夫機器人三定律。

第一定律：機器人不得傷害人類個體，或者目睹人類個體將遭受危險而袖手不管。

第二定律：機器人必須服從人給予它的命令，當該命令與第一定律衝突時例外。

第三定律：機器人在不違反第一、第二定律的情況下要儘可能保護自己的生存。

認真的說，應該有一些法律規範人工智慧的應用，也許還需要一些機構進行代碼評估，已確定人工智慧是否會被用於不道德的領域。我腦子裡想到那個無人車需要面對的「電車難題」：是否應該為了拯救10個人犧牲掉另外的1個人。

在這方面我們不是專家。

提問：最近Facebook的工程師關掉了機器學習的翻譯程序，據說是因為這些AI創造了自己的語言。你們怎麼看待這件事？（查看相關報道點擊這裡）

回答：我覺得這沒有什麼可怕的。

機器學習中的一個大問題，就是生成與人類相似的反應或者反饋。一個解決之道是讓機器生成人類的句子，然後你告訴機器它幹得好不好。這個方式非常困難，因為耗時費力。即便是能夠自學的演算法，也需要上百萬的語料才有可能正確工作。另一條道路是讓一台機器生成語句，另一台來判斷是否符合人類的語言。

Facebook的工作是想製造一台能夠談判協商的機器，但結果顯示他們的方式不會奏效，所以關閉了這項研究。

提問：我對AI和機器學習感興趣已經兩年了。希望未來能有機會從事AI安全相關的工作。能給我一些建議么？我應該做什麼活著學點什麼？多謝！

回答：Google的人寫過一篇非常有趣的文章，來說明AI安全問題。他們給出了五個要點：

1、避免有害副作用：機器人如何才能在追求效率的同時避免造成連帶損傷？

2、避免激勵機制漏洞：如何才能防止機器人投機取巧？

3、彈性監督：如何讓機器人能自主驗證目標，正確完成任務，而不需要讓用戶花極高的時間成本與機器人反覆核實？

4、安全探索：如何避免機器人在探索陌生環境、學習新技能時對人類造成損害？

5、切換環境后的可靠性：我們如何能保證機器人在切換環境后，能將已經習得的技能無縫遷移到新環境中，避免造成不必要的麻煩？

另外，建議你更多的熟悉演算法，知道機器如何工作。

提問：未來想要從事AI，現在最佳路線是什麼？我現在就讀於社區大學，正在攻讀一個計算機科學的學士學位。

回答：坦白講，我認為想要搞好機器學習，需要有很強的數據背景。機器學習的本質上是統計學，只不過披上了花哨的演算法外衣。這個領域迅速演變，就像狂野的西部，所以也有人形容機器學習是：牛仔統計學。但我認為機器學習被誇大了，基本的統計學就能解決很多問題。

我覺得你也應該在其他自己喜歡的領域繼續研究。如果你不理解手上數據的意思，你也不可能進行很好的建模。我們這些人都會研究一個具體的問題，在他們感興趣的領域，應用機器學習的方法。當然，你也可以選擇搞純粹的機器學習研究。

總之，數學和你感興趣的領域，都很重要。

更多問答內容，可以訪問這個網址：

△ 參與答問的William Yuan

最後，他們還給出一些建議：

• 編程入門可以藉助這個網站CodeAcademy

  地址：https://www.codecademy.com/

• 進階學習需要Python編程語言

  地址：https://www.edx.org/course/introduction-computer-science-mitx-6-00-1x-10

• 以及計算機科學入門課程（CS50）

  地址：https://www.edx.org/course/introduction-computer-science-harvardx-cs50x

• 概率入門課程（Stat110）

  地址：https://projects.iq.harvard.edu/stat110/about

• 機器學習入門課程

  地址：https://www.coursera.org/learn/machine-learning

• 不知道如何著手使用數據進行預測？以及想跟別人比試比試機器學習水平？可以試試參加Kaggle競賽。

  地址：https://www.kaggle.com/

• 推薦一本最棒的機器學習教科書：《Machine Learning: A Probabilistic Perspective》

  地址：https://www.cs.ubc.ca/~murphyk/MLbook/

• Sklearn：真正偉大的機器學習演算法，開箱即用

  地址：http://scikit-learn.org/stable/

• TensorFlow：先進的機器學習工具包，可以用來構建自己的演算法

  地址：https://www.tensorflow.org/tutorials/

  教程：https://github.com/aymericdamien/TensorFlow-Examples

【完】

活動報名

8月9日(周三)晚，量子位邀請三角獸首席科學家王寶勛，分享基於對抗學習的生成式對話模型，歡迎點擊這裡報名~

交流溝通

量子位還有自動駕駛、NLP、CV、機器學習等專業討論群，僅接納相應領域的一線工程師、研究人員等。

請添加小助手qbitbot2為微信好友，提交相應說明，符合條件將被邀請入群。（審核較嚴，敬請諒解）

△ 掃碼強行關注『量子位』

追蹤人工智慧領域最勁內容