新闻中的人工智能:该知道什么，该忽略什么

发布的Johanna Pingel，2022年6月24日

311次观看(过去30天)|0喜欢|0评论

最近有传言说人工智能会有自我意识。让我们从工程的角度来讨论它:您需要知道什么以及这对您意味着什么。

索赔和技术

这一趋势背后的技术是变压器模型(Transformer Models):一种神经网络体系结构，通过对许多单词和句子进行训练，可以预测句子中的下一个单词。变形金刚的世界已经变得非常流行:这些模型可以理解文本和其他顺序数据中的关系和趋势。最终的应用程序可以是任何东西，从情感分析到图像字幕到物体识别。

新闻中提到的架构之一是谷歌的对话应用程序语言模型(LaMDA)谷歌的博客能够“以一种自由流动的方式参与似乎无穷无尽的话题。”这是因为用于训练模型的输入数据是基于对话的，并且训练模型以一种“明智和具体”的方式响应。

您可以在MATLAB中探索和实现变压器模型:https://github.com/matlab-deep-learning/transformer-models使用BERT和GPT-2等模型。

重要的是要记住，只有少数研究人员专注于AI的这一方面，而更大的群体则专注于使用变压器和其他AI架构来改进我们每天使用的系统。虽然变压器是一个强大的体系结构，但它们是众多模型体系结构中的一个，可以为人工智能中的各种应用提供真正的结果。

抱歉让你失望了，但有感觉的人工智能并不存在于我们身边。

以下是我发现的一篇使用GPT-3与非常……独特的角色进行对话的文章:https://www.aiweirdness.com/interview-with-a-squirrel/

此外，有些研究人员宁愿让人们关注当前人工智能的实际、现实生活中的好与坏。

我的建议是，当面对新闻中的技术时，要以一种健康的怀疑态度对待每件事，不要只关注结果，而要关注这项工作如何与你正在做的工作相关，或如何改进你已经在做的工作。

我们不需要炒作人工智能技术来让它变得有用。的确，人工智能可能不会走在我们中间，但它正在解决现实问题。要消除对人工智能的炒作，要注意“人工智能可以超越人类的准确性”等说法。这是真的吗?也许不是。无论如何，它分散了你应该考虑在工作中使用深度学习和机器学习技术的原因。

和往常一样，让我们回到工程师的问题上，从这个故事中我们可以得出3个结论。


使用AI模拟计算流体动力学求解器:链接到的故事		神经网络在医学影像诊断中的应用:链接到的故事

除了准确性，还要关注人工智能的结果。记住公平和偏见:越来越多的工程师和科学家正专注于可解释性技术，以帮助解释他们的工作。可解释性和可解释性都是帮助确保人工智能在创建时不会对数据中的特定特征产生隐式或显式偏见的概念。
此外，跟踪你的实验以复制结果:我已经提到过实验管理器但能够复制和证明你的结果是AI项目成功的关键。

点击这里观看MATLAB可视化的快速视频:https://www.youtube.com/watch?v=qQMBYWijvEA

批评炒作
- 要警惕“超人”的结果。人工智能“超过人类水平的准确性”可能不是一个准确的说法，如果你只是想用人工智能达到超级人类的水平，你可能会对结果感到失望。注意是谁提出了这些主张，并将其带回手头的问题:你想要实现什么，人工智能将如何帮助你?
- 小心未来的承诺。诸如“我们不在那里然而,承诺一个我们最终会到达的未来世界。我们应该避免长期持续的关于未来机器人世界的争论，这种争论应该留给科幻小说。未来的人工智能承诺分散了我们今天生活的世界，人工智能可以在许多不同的应用中帮助解决当前的问题。