人工智能中的4个主要误解？
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2021-07-15
错过这些目标的持续循环的一部分是由于对AI和自然智能的错误假设
为什么AI比我们想象的更难的新论文中提出了关于AI的四个常见谬论，这些谬论不仅引起公众和媒体的误解，也引起专家之间的误解，这些谬论给人一种错误的信心，使我们对实现人工智能，可以与人类的认知和一般问题解决能力相匹配的人工智能系统有多大的信心，狭窄的AI和一般的AI规模不一样，我们今天拥有的那种AI可以很好地解决狭窄的问题。他们可以在围棋和国际象棋上超越人类，以超乎寻常的准确性在X射线图像中发现癌变模式，并将音频数据转换为文本。但是，设计可以解决单个问题的系统并不一定会使我们更接近解决更复杂的问题，狭义情报与普通情报是连续的。
即使人们在狭窄的区域内看到一台机器在做奇妙的事情
他们通常会认为该领域在朝着通用人工智能迈进的道路上走得更远，当今的自然语言处理系统在解决许多不同问题（例如翻译，文本生成以及对特定问题的问答）方面已经走了很长一段路。同时，我们拥有可以将语音数据实时转换为文本的深度学习系统，每一项成就的背后都是数千小时的研发（以及在计算和数据上花费的数百万元），但是AI社区仍然没有解决创建能够进行开放式对话而又不会长时间失去连贯性的座席的问题，这样的系统不仅需要解决较小的问题，还需要更多的资源，它需要常识，这是AI尚未解决的关键挑战之一。
简单的事情很难自动化
当涉及到人类时，我们希望一个聪明的人去做艰苦的事情，这需要多年的学习和实践，例子可能包括诸如解决微积分和物理问题，在大师级别下棋或背诵很多诗之类的任务，但是数十年来的AI研究证明，那些需要自觉关注的艰巨任务更容易实现自动化，简单的任务，我们认为理所当然的事情，很难实现自动化，容易的事情很容易，而困难的事情很难，我们人类不加思索地做的事情-放眼世界，了解我们所看到的东西，进行对话，走在拥挤的人行道上而不会碰到任何人，这是机器难的挑战，相反让机器去做对人类来说非常困难的事情通常会更容易，解决复杂的数学问题，精通国际象棋和围棋之类的游戏以及在数百种语言之间翻译句子对于机器来说都变得相对容易了。
数十亿年来，生物体已经开发出用于处理光信号的复杂设备
动物会用眼睛盘点周围的物体，导航周围的环境，寻找食物，检测威胁并完成许多对其生存至关重要的任务，我们人类从祖先那里继承了所有这些能力，并且在没有意识的情况下使用它们。但是，其基本机制确实比使高中和大学感到沮丧的大型数学公式更为复杂，恰当的例子：我们仍然没有像人类视觉一样通用的计算机视觉系统，我们设法创建了人工神经网络，可以大致模拟动物和人类视觉系统的各个部分，例如检测物体和分割图像，但是它们很脆弱，对许多不同种类的干扰都很敏感，并且它们无法模仿生物视觉可以完成的全部任务，例如这就是为什么无人驾驶汽车中使用的计算机视觉系统需要使用激光雷达和地图数据等先进技术进行补充的原因。
另一个被证明是非常困难的领域是感觉运动技能
为什么AI比我们想象的更难的新论文中提出了关于AI的四个常见谬论，这些谬论不仅引起公众和媒体的误解，也引起专家之间的误解，这些谬论给人一种错误的信心，使我们对实现人工智能，可以与人类的认知和一般问题解决能力相匹配的人工智能系统有多大的信心，狭窄的AI和一般的AI规模不一样，我们今天拥有的那种AI可以很好地解决狭窄的问题。他们可以在围棋和国际象棋上超越人类，以超乎寻常的准确性在X射线图像中发现癌变模式，并将音频数据转换为文本。但是，设计可以解决单个问题的系统并不一定会使我们更接近解决更复杂的问题，狭义情报与普通情报是连续的。
即使人们在狭窄的区域内看到一台机器在做奇妙的事情
他们通常会认为该领域在朝着通用人工智能迈进的道路上走得更远，当今的自然语言处理系统在解决许多不同问题（例如翻译，文本生成以及对特定问题的问答）方面已经走了很长一段路。同时，我们拥有可以将语音数据实时转换为文本的深度学习系统，每一项成就的背后都是数千小时的研发（以及在计算和数据上花费的数百万元），但是AI社区仍然没有解决创建能够进行开放式对话而又不会长时间失去连贯性的座席的问题，这样的系统不仅需要解决较小的问题，还需要更多的资源，它需要常识，这是AI尚未解决的关键挑战之一。
简单的事情很难自动化
当涉及到人类时，我们希望一个聪明的人去做艰苦的事情，这需要多年的学习和实践，例子可能包括诸如解决微积分和物理问题，在大师级别下棋或背诵很多诗之类的任务，但是数十年来的AI研究证明，那些需要自觉关注的艰巨任务更容易实现自动化，简单的任务，我们认为理所当然的事情，很难实现自动化，容易的事情很容易，而困难的事情很难，我们人类不加思索地做的事情-放眼世界，了解我们所看到的东西，进行对话，走在拥挤的人行道上而不会碰到任何人，这是机器难的挑战，相反让机器去做对人类来说非常困难的事情通常会更容易，解决复杂的数学问题，精通国际象棋和围棋之类的游戏以及在数百种语言之间翻译句子对于机器来说都变得相对容易了。
数十亿年来，生物体已经开发出用于处理光信号的复杂设备
动物会用眼睛盘点周围的物体，导航周围的环境，寻找食物，检测威胁并完成许多对其生存至关重要的任务，我们人类从祖先那里继承了所有这些能力，并且在没有意识的情况下使用它们。但是，其基本机制确实比使高中和大学感到沮丧的大型数学公式更为复杂，恰当的例子：我们仍然没有像人类视觉一样通用的计算机视觉系统，我们设法创建了人工神经网络，可以大致模拟动物和人类视觉系统的各个部分，例如检测物体和分割图像，但是它们很脆弱，对许多不同种类的干扰都很敏感，并且它们无法模仿生物视觉可以完成的全部任务，例如这就是为什么无人驾驶汽车中使用的计算机视觉系统需要使用激光雷达和地图数据等先进技术进行补充的原因。
另一个被证明是非常困难的领域是感觉运动技能
人类无需经过明确的培训即可掌握这些技能。想想如何处理物体，行走，奔跑和跳跃，这些是您可以在没有意识的情况下完成的任务，实际上在走路时，您可以做其他事情，例如听播客或打电话。但是，对于当前的AI系统而言，这些技能仍然是一项巨大而昂贵的挑战，人工智能比我们想象的要难，因为我们在很大程度上意识不到自己思考过程的复杂性。”
免费客服热线：400-050-6600
商业联合会数据分析专业委员会
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
