我们都看过电影：一个疯狂的天才创造了突破性的人工智能，只是为了打开它们和人类。电影中途，机器人接管了。到最后，人类
我们都看过电影：一个疯狂的天才创造了突破性的人工智能，只是为了打开它们和人类。电影中途，机器人接管了。到最后，人类几乎没有赢。像哥斯拉一样，AI从未真正消失。这是我们最黑暗的阴影总是潜伏的怪物，随时准备重新采取行动。
除了幻想之外，AI是一个真正的问题。正如理查德·克拉克（Richard Clarke）和埃迪（R.P.人工智能将“全球销售1.4亿全职知识工作者”。
大规模失业是危险的，尤其是在政府行动方面。目前的政府基本上忽略了AI，而即将上任的政府确实有一个研究平台。这些因素如何陷入失业仍然有待观察。克拉克（Clarke）和埃迪（Eddy）指出了对大萧条的各种反应：
“ 1932年，美国以新交易做出了回应。西欧以法西斯主义和纳粹主义的迫在眉睫的崛起做出反应，俄罗斯加深了斯大林主义和五年计划。”
还有疗效问题。我们如何真正知道AI何时按计划工作？统计数据依赖两个主要置信区间：95％和99％。尽管后者似乎激发了大型数据集的信心，但您是否希望AI医疗干预措施有1％的失败机会？
麻省理工学院计算机科学和人工智能实验室（CSAIL）的博士生，Alexander Amini，也是关于神经网络的新论文的第一作者，他说我们不必承担这种风险。
“避开研究人员的一件事是这些模型知道并告诉我们何时出错的能力。我们真的很关心这1％的时间，以及如何可靠，有效地检测这些情况。过滤社交媒体饲料的AI中有1％的风险似乎并不是一场赌博，但是在药物设计或医学图像分析方面，这种风险可能导致悲剧。
学分：scharsfinn86 / adobe股票
在道路上，1％可能是在交叉路口停止或赶紧穿过停车标志时的区别。 Amini及其同事想生成一个模型，该模型可以更好地检测巨型数据集中的模式。他们将解决方案命名为“深厚的证据回归”。
分类数十亿个参数并非易事。 Amini的模型利用了不确定的分析 – 了解模型中存在多少错误并提供丢失的数据。深度学习中的这种方法并不是新颖的，尽管通常需要大量时间和记忆。深度证据回归估计仅在神经网络的一次运行之后的不确定性。根据团队的说法，他们可以评估输入数据和最终决定的不确定性，之后他们可以解决神经网络或识别输入数据中的噪声。
用现实世界来说，这是信任初始医学诊断或寻求第二意见之间的区别。通过使用内置检测系统来武装AI，可以达到与数据的新诚实水平 – 在此模型中，用像素。在测试过程中，神经网络获得了新的图像。它能够检测到人眼无法察觉的变化。拉米尼（Ramini）认为，这项技术也可以用来查明深击，这是我们必须开始努力解决的一个严重问题。任何使用机器学习的领域都必须考虑不确定性意识，无论是药物，汽车还是其他方式。正如阿米尼所说的那样
“该方法的任何用户，无论是医生还是在车辆乘客座位上的人，都需要意识到与该决定相关的任何风险或不确定性。”
我们可能不必担心外星机器人正在转向我们，但是我们应该关注我们刚刚下载到电动汽车的新功能。在我们的世界和劳动力中，AI的出现还会面临许多其他问题。我们可以更安全地进行过渡，越好。
–
在Twitter和Facebook上与Derek保持联系。他的新书是“英雄的剂量：仪式和治疗中迷幻的案例”。
原创文章，作者：小彭山，如若转载，请注明出处：http://www.dsonekey.com/3269.html
