Subscribe
Share
Share
Embed
课代表立正的官方Podcast
深度访谈，有用干货，亲身验证的「真本事」
Superlinear Academy创始人，Maven Top AI Instructor
前Statsig布道师（OpenAI收购），腾讯副总监，Meta，Amazon；康奈尔经济学博士
社区：Superlinear.Academy
课程：ai-builders.com
个人：lizheng.ai
Hello大家好
这期视频的标题是
为什么人工智能宛如人工智障
在媒体提起人工智能的时候
大家脑子里想的就是
中企者里边天网的那样的画面
人工智能可以更高效地完成很多工作
甚至在未来人工智能会思考我是谁
我从哪里来的这样的本质问题
最后去搞一个起义去取代人类的存在
可是我们在日常生活中会看到
就连最基本的语音智能助手
经过了这么多年的发展
他在完成开灯关灯
今天天气怎么样
这种简单的问题里边可以完成得不错
但是稍稍复杂一点的问题他就挂了
比如说有一个很有趣的测试
你测任何一家语音智能助手
你问他给我推荐餐馆
不要日本菜
他一定会给你推荐个日本菜
为什么理想和现实有这么大的差距
和我们的现实继续发展下去
就是我们收集越来越多的数据
我们应用越来越广泛
我们的算法经过不断的更新迭代
会不会达到强人工智能的理想呢
答案是不会
这个不是我说的
这是绝大多数科技企业
AI研发的领头人
或者说大学里边做人工智能的教授
业界的普遍看法
这些视频我就想利用这个例子
就是语音智能的这个例子
跟大家结合我前几期讲的深度学习的原理
去看一下为什么理想和现实之间
有这么大的差距
以及从实用的程度上
帮助大家更好地去理解人工智能
也就是说
当你看到了一个人工智能的应用
你知道它的局限性和边界在哪里
你知道什么是能做好的什么是做不好的
比如说
其实在现有的这个模型范式之下
让人工智能去给你推荐一家餐馆
要比让人工智能去赢一个
围棋世界冠军要难得多得多
希望看完这些视频
你就知道为什么是这个样子
那在下一期视频
我也会讲一下
人工智能现在真正优秀的英雄
是什么样子的
在我讲这些内容之前
我先要跟大家推荐一篇文章
明科同学在2019年初的时候
发布的这样一篇
人工智能为什么像人工智障的文章
这篇文章在刚出的时候
我就读了好几遍
而且我还拿这篇文章的观点
去跟我身边很多做人工智能的朋友
去进行探讨
他们有在Alexa研发科学的
有在Alexa Shopping做场景应用的
有做人工智能客服的等等吧
我们的反馈都是这篇文章说的东西
非常有见解非常深刻
而且它是从眼里出发来讲
我这些视频也会借用里边的很多例子
它的例子举的也都非常生动
希望大家有时间的话可以阅读一下
虽然是三万字
但是写得很生动
强烈推荐
好
我们讲到人工智能的时候
我们讲到强人工智能的时候
大家都会提起来图灵测试
也就是说当你把一个人工智能
放到一个真人面前
然后你不告诉他这是人还是计算机
如果他靠对话
能让对面的人觉得他是一个真人
而不是计算机
那他就通过了图灵测试
他就是一个真正意义上的人工智能了
可是在业界这件事情被吐槽的很厉害
因为这其实是关于一个欺骗的测试
而不是关于智能的测试
于是在这基础之上
就有一个Vincil Grid Schemeide的补充
在我看来
其实这个是更直接智能这件事情的本质
想多了解的话
可以去看一下Wiki
但是归根结底
他又说你要用图灵测试没有问题
但是你在这里边去问他一些特定的问题
这些特定的问题可以帮助你
更好看一下对面的这个是不是智能
什么问题呢
还是用文章的那个例子
就是我现在给你两个推荐
你来告诉我这两个问题里边都会有一个代词
就是他
你来告诉我这个他到底指代的是什么东西
我推荐四川火锅而不是日料
因为他更辣
这里边的他是指代着什么
火锅还是日料
选项二
我推荐四川火锅而不是日料
因为他不辣
好了
这里边的他指代的是什么
火锅还是日料
这对于任何一个人来说就很清楚嘛
第一个是火锅
第二个是日料
但是对于现在所谓的人工智能
是不可能回答这个问题的
他永远回答不了这个问题
你只有派一个人去把答案直接告诉他
然后限定他
被问到这个问题的时候这样回答
他才有可能回答出来这个问题
这其实就是人工智能本质的区别
就是我们回到前几期讲深度学习的原理
就是我们把一堆输入通过这个黑箱模型
变成了一个分数
然后最后把这个分数去对应一个相应的行动
比如说我跟要我跟Alexa说
你去帮我开个灯
Alexa首先他会有一部模型
把我的语音转化成文字
然后他去基于这个文字进行一个判断
然后发现我是要开灯
于是他就去把我的灯给打开了
可是他并没有理解我说的这些话是什么意思
在他后台的模型里边
其实有很多if-then condition
但是理想中的这个Deep learning模型
就是他把我的每个字进行拆解
然后组合
然后会发现你的这些话输入进来的
或者说你这句话的组合
在绝大多数情况下
对应的是一个开灯的动作
当我听到这样的一堆音频的话
我就去开个灯
或者说当我看到了这些字的话
我就去开个灯
当然这里边还可以加上一些对语言的理解
去把信息更好的从中提取出来
然后去更好的进行精准的行动
可是问题是我刚刚说的那两句话
除了这个东西烂还是不烂
其实它的语言的结构是一样的
也就是说你没有办法
从一个黑箱模型去判断这件事情
必须要有一个智能的对这个事情的理解
才可能去判断它到底对应的火锅还是日料
在这种情况下模型就无能为力了
除非你开发出来一个非常
generic的对世界有理解的模型
但是这件事情没有人知道怎么做
所以这就是一个懂行或不懂行的人之间的分水岭了
如果你对这件事情
有一个基于first principle
基于原则上的理解的话
你就会知道
比如说智能客服这个事儿
真正的理解客人要干什么的智能客服是做不出来的
但是智能客服有的时候还是有很多的意义
比如说它可以取代一个拨号系统
给大家带来更多的体验
什么意思呢
就是说你打电话
然后一上来会有一个应答机接听你
说你要干这个前一干那个前二
其实智能客服干的也就是这件事情
但是它在这个过程中
给你有了一个更多的对话
给你了一个更好的用户体验
然后在生产单那边
它也给了生产端更多的buffer
就是它通过这些无意义的对话来浪费客人的时间
反而可以让你真实客服人员的负载量有一个更好的平衡
这是很多大厂在做智能客服的意图
但是如果你不懂
你被大厂带到沟里去了
然后你期望说我开发一个智能客服
来取代我真实人能回答的问题
最后上线的结果也就是一个人工智障
和你想要的真正的人工智能风马牛不相及
所以回到我们这个系列的初衷
帮助大家更好的理解深度学习的应用场景
和它的局限性这个上面
深度学习能干的事情就是把一堆输入和一个结果
通过阴谋学学的方式联系起来
这里边绝大多数的应用的价值是来自于自动化
也就是说本来你可能是需要一个人去开发非常复杂的系统
开发一堆一堆的场景写一万个if
然后这里边有很多复杂的业务逻辑
才能把他们很好的给联系起来
但是深度学习把整个学习的过程给自动化了
你只要给他一堆输入给他一堆输出
他就能把这里的规律给你阴谋学者出来
然后给联系起来
这个仍然是非常有价值的
而且他在做这件事情很多时候它的精度是超过人类的
那怎么样子去得到这些数据
很多时候就是深度学习应用的门槛了
比如说图像识别它的大发展就是ImageNet
它有一大堆标记好的数据
可以让你把你的模型放到这上面上去测试
看你的模型是不是能在这么多我已经标好的数据里边
非常正确的去预测到这个图像里边都包含着什么物体
然后图像识别这里就有一个大发展
很多企业在做这些深度学习模型的时候
他们会去花很多的钱去找很多的标注者去进行标注
当然这里边又是一个特别大的topic
就是你怎么样子去激励这些标注者
让他们给你产生高质量的label
因为你是要给他们钱的
这里边是有利可图的
所以说很多人可能会偷懒
有的人甚至会用机器人去进行标注
最后给你的数据也都是一堆垃圾
这里边也是一个斗志斗勇的过程
而且不同质量的service
它的价钱差得也特别特别大
很多大厂每年是几十亿几百亿的经费
花在标注数据上的
还有一些是自己可以产生数据的
像AVAGO或者说像其他的对抗算法
因为维旗虽然它的计算空间非常广
但是它本质上是一个competition
它没有什么不确定性
就是你这一步可以走得更好
可以走得更不好
然后你的结果要么是赢要么是输
这样的事情对于机器来说一定是有解的
所以说AVAGO出来了以后
不懂非懂的人就说
维旗是人类智慧的最后一块高地
现在被人工智能占领了
这也就证明了人工智能
然后全方位的你啊我们了
我觉得屁嘞
你的象棋是可以被解的
你的维旗也是可以被解的
维旗虽然它的搜索空间大
但是这就是机器擅长的东西
它就是在一个确定节里面找出的一个自由节
对它的计算空间是大
可是你通过深度学习的方法
你就是可以把你的搜索空间
搜索这个最优点的空间给极大的减小
最后你是可以说我这一步走这应该
走这比走那更好是可以被解决的
这对于一个这对于一个计算机来说
它只不过是一个程度问题
它不是一个范式突破的问题
它也不是一个本质问题
你解决了维旗
你仍然是不能去解决那些不确定性很高的东西
你也不能解决那些需要
需要需要演绎的需要Causal Inference的东西
你最后做的不过就是计算归纳和这个优化而已
可是话说回来就是AlphaGo去在解决这个问题过程中
所用的各种各样的方法都是非常有创新性
非常有启发性的
让大家看了眼前一亮
也给我们指明了深度学习的更多的广泛应用的场景
最后一类就是它的数据是在用户的engagement中间产生的
比如说广告各种各样的推荐算法
只要你推荐的好
用户就更愿意点更愿意听
这些模型也是现在互联网企业最值钱最占钱
而且是远远提供了人类所提供不了的额外价值的模型
我们下期视频就会针对这些模型进行一些深度讲解
我们下期再见
拜拜