停止將所有事物稱為人工智慧

機器學習先驅邁克爾·喬丹表示，他解釋了為何當今的人工智慧系統實際上並不具備智能

作者: KATHY PRETZ 來源: IEEE Spectrum

人工智慧系統在許多涉及推理、現實世界知識和社交互動的任務上，遠未達到取代人類的程度。人工智慧系統在低層次的模式識別技能上展現出與人類相當的能力，但在認知層面上，它們僅僅是在模仿人類智慧，而不是深入且具有創造力，AI和機器學習領域的領先研究者Michael I. Jordan表示。Jordan是加州大學伯克利分校電機工程和計算機科學系以及統計學系的教授。

他指出，機器學習的目標並不僅僅是模仿人類思維，甚至也不是最好的目標。相反，機器學習可以通過對大數據集進行細致分析來增強人類智慧，就像搜索引擎通過組織網絡來增強人類知識一樣。機器學習還可以在健康保健、商業和交通等領域為人類提供新的服務，通過整合多個數據集中的信息，尋找模式並提出新的行動方案。

他說：“在討論技術趨勢時，人們對AI的含義感到困惑，認為計算機中存在某種負責進展並與人類競爭的智能思維。但事實並非如此。”他說：“我們並沒有那樣的東西，但人們卻在談論著好像我們有。”

Jordan對此有所了解。作為IEEE的會士，他是世界頂尖的機器學習專家之一。根據科學報導，他在2016年被評為最有影響力的計算機科學家。工程和技術歷史維基解釋，Jordan幫助將無監督機器學習（可以在沒有預先標記的訓練數據的情況下找到數據結構）從一系列無關的算法轉變為一個具有智力連貫性的領域。無監督學習在科學應用中起著重要作用，因為缺乏可以提供標記訓練數據的既定理論。

Jordan的貢獻為他贏得了許多獎項，包括今年美國數學學會頒發的Ulf Grenander隨機理論和建模獎。去年，他因其對機器學習和數據科學的貢獻而獲得了IEEE John von Neumann獎章。

近年來，他一直致力於幫助科學家、工程師和其他人了解機器學習的全部範圍。他表示，他相信機器學習的發展反映出一個新的工程領域的出現。他將其與化學工程在20世紀初從化學和流體力學的基礎上崛起進行了類比，指出機器學習建立在數十年來在計算機科學、統計學和控制理論方面的進展之上。此外，他說，這是第一個以人為中心，關注人與技術界面的工程領域。

他說：“雖然關於人工智能和超級智能的科幻討論很有趣，但它們是一種分散注意力的東西。我們還沒有足夠關注真正的問題，那就是建立實際運作、為人類提供價值並不加劇不平等的全球規模的基於機器學習的系統。”

加入一個運動

作為60年代的孩子，喬丹對於關於思想運作的哲學和文化觀點一直感興趣。在閱讀英國邏輯學家伯特蘭·羅素的自傳後，他受到啟發開始研究心理學和統計學。羅素探索了思想作為一個邏輯數學過程。

喬丹說：“思考思想作為一個邏輯過程，並意識到計算機是從邏輯的軟件和硬件實現中產生的，我看到了思想和大腦之間的相似之處。這讓我覺得哲學可以從對於思想和大腦的模糊討論轉變為更具體、算法和邏輯的東西。這吸引了我。”

喬丹在路易斯安那州立大學學習心理學，並於1978年獲得學士學位。他在亞利桑那州立大學獲得1980年的數學碩士學位，並在1985年獲得加利福尼亞大學聖地亞哥分校的認知科學博士學位。

當他進入大學時，機器學習領域還不存在。它剛剛開始興起時，他已經畢業了。

他說：“雖然我對機器學習很感興趣，但我當時已經覺得理解學習所需的更深層原則可以在統計學、信息理論和控制理論中找到，所以我沒有將自己標籤為機器學習研究者。但最終我還是接受了機器學習，因為這個領域有很多有趣的人，並且有創造性的工作正在進行中。”

根據維基百科，他和他的學生在2003年開發了潛在狄利克雷分配（latent Dirichlet allocation），這是一種概率框架，用於以非監督的方式學習文檔和其他數據集的主題結構。這種技術讓計算機自行從文檔中發現模式和信息，而不是由用戶來發現。該框架是最流行的主題建模方法之一，用於發現隱藏的主題並將文檔分類為不同的類別。

喬丹目前的項目將經濟學的思想融入他早期的計算機科學和統計學的結合中。他認為學習系統的目標是做出決策，或者支持人類的決策，而決策者很少是孤立操作的。他們與其他決策者互動，每個決策者可能有不同的需求和價值觀，整體互動需要受到經濟原則的指導。喬丹正在開展“一個研究議程，其中代理人通過現實世界的實驗來學習他們的偏好，他們在收集數據進行學習時結合了探索和利用，市場機制可以結構化學習過程，為學習者提供收集某些類型數據和做出某些協調決策的激勵。這樣的研究成果將使現實世界的系統能夠在關注社會福利的基於學習的市場中將生產者和消費者聚集在一起。”

澄清人工智慧約旦（Jordan）在2019年撰寫了《人工智慧——革命尚未發生》，發表於《哈佛數據科學評論》。他在文章中解釋，AI這個詞不僅被公眾誤解，也被技術人員誤解。他寫道，早在20世紀50年代，當這個詞被創造出來時，人們渴望建造具有人類水平智能的計算機。他說，這種渴望仍然存在，但在過去的幾十年中發生的是不同的事情。他寫道，計算機本身並沒有變得智能，但它們提供了增強人類智能的能力。此外，他們在低層次的模式識別能力方面表現出色，這些能力原則上也可以由人類執行，但代價很高。基於機器學習的系統能夠在大規模上檢測金融交易中的欺詐，從而促進電子商務。它們對於製造業和醫療保健中的供應鏈建模和控制至關重要。它們還幫助保險代理人、醫生、教育工作者和電影製片人。

儘管這些發展被稱為“AI技術”，他寫道，這些基礎系統並不涉及高層次的推理或思考。這些系統不會形成人類能夠做到的語義表示和推論。它們不會制定和追求長期目標。

他寫道：“在可預見的未來，計算機將無法像人類一樣在抽象地推理現實情況方面與之匹敵。”他寫道：“我們需要人與計算機之間經過深思熟慮的互動來解決我們最迫切的問題。我們需要明白，大規模系統的智能行為來自於各個單元之間的互動，而不僅僅來自單個單元的智能。”

此外，他強調，在開發技術時，人類的幸福感不應該被忽視。“我們真正有機會構想出一種歷史上的新事物：以人為中心的工程學學科。”他寫道。

約旦的觀點包括對公共政策和學術研究中工程學角色的重新討論。他指出，當人們談論社會科學時，聽起來很吸引人，但談到社會工程學時，卻聽起來不吸引人。同樣，基因科學和基因工程也是如此。

“我認為我們已經允許工程這個詞在知識領域中變得貶低，”他說。當人們希望提到具有遠見的研究時，他們使用科學這個詞，而不是工程。像“僅僅是工程”這樣的詞語並沒有幫助。

“我認為重要的是要記住，儘管科學為人類做了許多美好的事情，但真正直接和深刻地增加人類幸福感的是工程——土木工程、電氣工程、化學工程和其他工程領域。”