新闻中的人工智能:该知道什么，该忽略什么

著者Johanna Pingel，2022年6月24日

167ビュ，(過去30日間)|0いいね|0コメント

最近有关于人工智能变得有自我意识的讨论。让我们从工程的角度来谈谈:你需要知道什么，这对你意味着什么。

声明和技术

这一趋势背后的技术是变压器模型(Transformer Models):一种神经网络架构，经过许多单词和句子的训练，可以预测句子中的下一个单词。变形金刚的世界已经变得非常流行:这些模型可以理解文本和其他顺序数据的关系和趋势。最终的应用程序可以是任何东西，从情感分析到图像字幕到物体识别。

新闻中的架构之一是谷歌的对话应用程序语言模型(LaMDA)谷歌的博客能够“以一种自由流动的方式参与似乎无穷无尽的话题。”这是因为用于训练模型的输入数据是基于对话的，并且模型被训练成以一种“明智和具体”的方式进行响应。

您可以在MATLAB中探索和实现变压器模型:https://github.com/matlab-deep-learning/transformer-models使用BERT和GPT-2等模型。

重要的是要记住，一小部分研究人员专注于人工智能的这一方面，而更大的社区则专注于使用变压器和其他人工智能架构来改进我们每天使用的系统。虽然变压器是一个强大的架构，但它们是众多模型架构中的一种，可以为人工智能中的各种应用提供实际结果。

很抱歉让人沮丧，但我们周围并不存在有感知能力的人工智能。

这是我发现的一篇使用GPT-3与非常独特的人物对话的帖子:https://www.aiweirdness.com/interview-with-a-squirrel/

此外，还有一些研究人员更希望人们现在关注人工智能在现实生活中的好坏。

我的建议是，当面对新闻中的技术时，要带着一种健康的怀疑态度来对待每一件事，不要关注结果，而是要关注这项工作如何与你正在做的工作联系起来，或者如何改进你正在做的工作。

我们不需要让人工智能技术变得有用。没错，人工智能可能不会走在我们中间，但它正在解决现实问题。通过注意诸如“人工智能可以超过人类的准确性”之类的言论，消除对人工智能的炒作。这是真的吗?也许不是。无论如何，它分散了你应该考虑在工作中使用深度学习和机器学习技术的原因。

像往常一样，让我们回到工程师身上，从这个故事中我们可以得到3件事。


利用AI模拟计算流体动力学求解器:故事链接		神经网络在医学影像诊断中的应用:故事链接

除了准确性，还要关注人工智能的结果。记住公平和偏见:越来越多的工程师和科学家开始关注可解释性技术，以帮助解释他们的工作。可解释性和可解释性都是帮助确保人工智能在创建时不会对数据中的特定特征产生隐性或显性偏见的概念。
此外，跟踪你的实验以复制结果:我已经提到过实验管理器但能够复制并证明你的结果对人工智能项目的成功至关重要。

在这里观看一个关于MATLAB中的可视化的快速视频:https://www.youtube.com/watch?v=qQMBYWijvEA

批评炒作
- 小心“超人”的结果。人工智能“超过人类水平的准确性”可能不是一个准确的说法，如果你只是想用人工智能达到超人的水平，你可能会对结果感到失望。注意是谁提出了这些主张，并将其带回手头的问题:你想要完成什么，人工智能将如何帮助你?
- 小心未来的承诺。比如，“我们还没到那一步然而,承诺了一个我们终将到达的未来世界。我们应该避免长期持续的关于未来世界有感知机器人的争论，这种争论应该留给科幻小说。未来的人工智能承诺将分散我们今天生活的世界的注意力，在许多不同的应用程序中，人工智能可以帮助解决当前的问题。