logo821.gif (10572 bytes) 首頁          新增資料與公告

   

最新消息  :

農業數位化-農業4.0系統文獻評論

農業和營養物大數據

MICA 項目中將數據和資訊轉化為知識

 

 

數據分析與知識產業

首頁
上一層
BSE LAB 介紹
非洲產業研究中心
生醫研究之統計方法
授課資料
人文關懷
無官御史台
武漢肺炎與產業
智能生物產業
活動公告區

 

 

對AI局限性的了解開始深入

 

國立中興大學 生物產業機電工程學系 陳加忠

 
 

好像世界上已經創造了第二個中國,它不是由數十億人和數百萬個工廠組成,而是由演算法和嗡嗡作響的電腦組成的。PWC是一家專業服務公司,預測到了2030年,人工智慧將為全球經濟增加16trn。全球第二大經濟體中,從銀行和生物技術到商店和建築業的所有活動在2018$ 13trn

PWC的說法沒有異常。McKinsey的競爭對手預測者認為該數字為13trn。其他人則追求定性戲劇效果,而不是定量依據。 Google的老闆Sundar Pichai將人工智慧的發展描述為比火或電更深刻。其他預測者也看到類似的大變化,但變化並不大。聰明電腦能夠完成放射科醫生,貨車司機或倉庫工人的工作,因而可能會導致失業潮。

但是,對於當今的人工智慧技術是否真的能夠創造出世界變化一樣,最近的懷疑朝正在蔓延。人工智慧正在碰到某種極限,並且未能兌現其支持者的眾多宏偉承諾。

毫無疑問,機器學習確切地說是人工智慧其子領域之一,已經取得了很大進步。電腦對於許多以前難以解決的事情上已經變得非常出色。在2010年代初,當新的機器學習技術導致諸如圖片識別和語言操作等任務的快速改進時,學術界就開始興奮。從那時開始,它開始發展為業務,從互聯網巨頭開始。由於擁有大量的計算資源和大量的數據,因此它們可以很好地採用該機器學習技術。現在的人工智慧技術為搜索引擎和語音助手提供了支持,可建議電子郵件回復,智能手機為解鎖和警察領域的面部識別系統提供了支持,並嘗試為識別社交媒體上不受歡迎的貼文的算法,提供了基礎。

這項技術潛力的最引人注目的展示可能是在2016年,當時由Google的母公司Alphabet,其擁有的倫敦AI公司DeepMind構建的系統,在古老的亞洲棋盤遊戲Go上擊敗了世界上最好的玩家之一。這場比賽有數千萬人觀看。突破了Ai Gurus的預期早了數年甚至數十年。

正如Pichai對電力和火的比較所表明的那樣,機器學習是一種通用技術,能夠影響整個經濟。它擅長識別數據模式,這在任何地方都很有用。鳥類學家用它來對鳥類鳴叫進行分類。天文學家在微弱星光下尋找行星。銀行評估信用風險並防止欺詐。在荷蘭,當局使用它來監控社會福利支出。在中國,人工智慧技術支持的面部識別功能使客戶可以購買雜貨,並幫助該國在穆斯林占多數的新疆地區建立了壓制群眾的監視系統。

AI的先驅們說,無論好壞,未來的轉變仍將繼續。在2016年為現代人工智慧做出了重要貢獻的電腦科學家Geoffrey Hinton表示:很明顯,我們應該停止培訓放射科醫生,理由是電腦很快將能夠完成他們所做的所有工作,而且更便宜,更快。同時,無人駕駛汽車的開發人員預測,自動機械軸將徹底改變運輸方式。Google前董事長(經濟學人母公司前董事會成員)Eric Sc​​hmidt希望人工智慧能夠加速研究,幫助人類科學家跟得上大量論文和數據。

20201月份,一組研究人員在《細胞》雜誌上發表了一篇論文,描述了一種從分子結構預測抗菌功能的人工智慧系統。系統選擇的100個候選分子用於進一步分析,其中一種被證明是有效的新抗生素。由於covid-19大流行,此類醫療應用牢牢吸引了人們的注意。一家名為BlueDot的人工智慧公司聲稱,早在12月中國醫院的報告中就發現了一種新型病毒的跡象。研究人員一直在努力嘗試將人工智慧應用於從藥物發現到解釋醫學掃描,以及預測病毒可能如何進化的所有方面研究。

Dude,我的自動駕駛汽車在哪裡?

這不是與人工智慧相關的第一波興奮潮。該領域始於1950年代中期,當時研究人員希望建立人類水準的情報將花費數年之久(最多二十年)。那個早期的樂觀情緒在1970年代就消失了。第二波始於1980年代。該領域最宏偉的承諾再次未能兌現。隨著現實取代了炒作,繁榮到了被稱為“ AI winters”,最後是研究經費枯竭,該領域的聲譽受損。

關於人工智慧的許多宏偉的主張再次在現實面未能成功

現代人工智慧技術已經更加成功。每天都有數十億人在智能手機和互聯網服務中使用它,而大多數時候都沒有注意到。儘管在手機應用取得了成功,但事實仍然是,關於人工智慧的許多最宏偉的主張再次沒有辦法成為現實,並且隨著研究人員開始懷疑該技術是否已經陷入困境,人們的信心正在動搖。自動駕駛汽車已經變得越來越有能力,但始終被保持懷疑其是否有足夠的安全性,可以在日常街道上部署。同樣地,將人工智慧納入醫學診斷的努力也比預期花費了更長的時間。儘管Hinton博士做出了預言,但全球放射放射學家仍然短缺。

心臟病專家兼人工智慧愛好者Eric Topol2019年對醫療人工智慧領域進行了調查,他寫道:人工智慧炒作的狀態已遠遠超出人工智慧的科學狀態,尤其是在涉及驗證和患者護理實施的準備就緒方面。儘管有很多想法。但是covid-19還是使用已經可以到手的舊武器進行戰鬥。人們聯繫與跟踪,還是通過人員訪問和電話進行。臨床試驗全部集中在現有藥物。強制實施低技術隔離建議是依據塑性屏風與人行道上的油漆指標。

那些預測人工智慧將對世界產生影響的顧問現在的報告說,真實世界中公司的真正管理人員發現人工智慧難以實施,並且對其的熱情正在降低。Gartner研究公司的Svetlana Sicular表示:2020年可能是AI陷入其公司廣為宣傳的炒作週期,而下滑的一年。投資者開始意識到這一點:風險投資基金mmc對歐洲AI創業公司的一項調查發現,有40%的人似乎根本沒有使用任何AI。一位分析師委婉地說:我認為'營銷投資者'絕對是很強的因素。

技術季刊將調查熱情為何停滯不前。儘管現代人工智慧技術功能強大,但它們也受到限制,並且可能麻煩且難以部署。那些希望利用人工智慧的潛力的人必須面對兩套問題。

首先是實際的。機器學習革命建立在三件事上:1.改進的算法,2.運行它們的功能更強大的電腦以及3.由於社會逐漸數字化,更多的數據可供他們學習。然而,數據並非總是隨時可用。例如如果沒有每個人移動的完整數據庫,很難使用AI監視covid-19的傳播。即使數據確實存在,它們也可能包含可能的粗心大意的隱含假設。最新的AI系統對計算能力的需求可能很昂貴。大型組織總是花了時間來整合新技術。想想20世紀的電力或21世紀的雲端。所有這些都不一定會降低AI的潛力,但會降低其採用速度。

第二組問題更深入,涉及演算法本身。機器學習使用成千上萬的例子來訓練軟體模型,其結構大致基於大腦的神經結構。最終的系統可以完成某些任務,例如識別圖像或語音,比起使用手工規則以傳統方法進行編程的系統可靠得多,但是它們並不是大多數人所理解該術語的智能方法。它們是功能強大的模式識別工具,但缺乏生物大腦理所當然的許多認知能力。他們掙扎於推理,根據發現的規則進行概括推論,以及在研究人員需要更精確的描述時,將常識作為通用目的的精湛技巧。結果是一種人造的白痴專家,可以勝任出色的任務。但是如果遇到輸入意料之外,可能會使事情變得非常錯誤。

沒有其他突破,這些弊端就限制了人工智慧可以做什麼和不能做什麼。必須面對瞬息萬變的世界的自動駕駛汽車已被推遲,甚至可能根本無法到達。諸如聊天機器人和個人助理之類的處理語言的系統都是建立在統計方法之上,這些統計方法會產生一種膚淺的理解。而沒有實體認識。那將限制它們能否變得有用。由於聰明的電腦,因此擔心放射學家或貨車司機,這些觀念過時了,更不用說了,這會對人類的生存構成了威脅,以人工智慧進行。關於中國經濟價值增長的國內生產總值預測似乎是不可信的。

今天的夏天與以前不同。 由於該技術已被廣泛宣傳,因此它更加明亮和溫暖。另一個成熟的AI冬天是不可能的。 但是AI秋天的微風已在吹起。