ai设计教程自学-5位哈佛大学博士学生告诉你什么是AI以及如何学习人工智能

询问 SMB 的耿

量子位生产 | 公众号QbitAI

近日，来自哈佛大学的五名博士生集体来到著名社区reddit，发起了一场围绕人工智能和认知科学的AMA（Ask Anything）活动。

简单介绍一下这些博士生：Rockwell Anyoha 来自分子生物学系； Dana Boebinger 和 Kevin Sitek 来自哈佛-麻省理工学院言语和听力项目； Adam Riesselman和William Yuan来自医学院，他们利用机器学习开展相关研究。

这场长达两个小时的线上交流得到了reddit网友的热情参与，量子比特从中挑选了一些精彩问答进行整理和摘录。 如下。

问：我们是否需要担心人工智能和自动化发展太快？

回答：我们应该准备好生活在一个充满人工智能和自动化的世界。 许多工作将在不久的将来变得过时。 既然我们知道这一天终将到来卡通形象，整个社会应该制定有效的政策。

埃隆·马斯克的“AI末世论”遭到很多人尤其是AI从业者的反对。 正如吴恩达所说：“我认为失业是一个巨大的问题，但我希望大家能够专注于解决这个问题，而不是关心那些科幻小说般的事情。”

问：AI将在哪些领域（医疗、金融等）占据领先地位，为什么？

答：人工智能在医学图像处理领域取得了长足的进步。 例如，人工智能机器在从图片识别皮肤癌方面已经达到了人类医生的水平。

金融和银行业也将更快实现自动化。 通常购买股票是一个复杂的决策过程。 最终ai设计教程自学，这些交易将由各种数据决定，算法正在取代人类决策。

但我们仍然不知道人工智能将如何影响我们的经济和就业，只有时间才能证明一切。

问：机器学习是现在的热门话题。 人工智能的下一个重大事件是什么？

回答：从纯粹的机器学习角度来看表情包设计，无监督学习是下一件大事。 研究人员现在向机器“馈送”数据的方式称为监督学习，数据不仅已知类型（例如图片），而且还带有标签（例如图片中的猫）。 在监督学习领域，已经取得了许多巨大的成功。

机器如何自学？ 这就是无监督学习的作用。 宝宝出生后，父母不必教一切，宝宝自己学习。 当然，无监督学习是一项棘手的工作，人工智能研究人员正在研究它。 例如，Yann LeCun 最近一直在谈论无监督学习。

问题：你可能低估了无监督学习，这是一个已经研究了几十年但没有任何进展的人工智能问题。 这并不是一个新的研究焦点。

答：谢谢您的回复。 这里我们要讲的是无监督学习的具体算法框架。 生成模型用于解决这个问题，因为它以某种方式检测数据中的潜在变量并可以生成新数据。

Wake-Sleep算法之前曾被用来解决这个问题，但没有取得多大成功。 然后是受限玻尔兹曼机和深度置信网络。 然而，当这些技术应用到现实世界时，都遇到了巨大的挑战。

最近，变分自动编码器和生成对抗网络等模型取得了突破。 使用这些模型可以快速轻松地对非结构化数据执行复杂的任务，包括创建人物草图、生成句子以及自动为图片着色。

是的，人们已经为此努力了很长时间。 而通过上述新技术，我认为我们正在接近一个新的领域——让机器自己理解我们的世界。

问：您认为政府是否应该针对人工智能制定具体的法律法规？

答：有阿西莫夫机器人三定律。

第一定律：机器人不得伤害人类，或在目睹人类面临危险时不采取任何行动。

第二定律：机器人必须服从人类发出的命令，除非这些命令与第一定律相冲突。

第三定律：机器人应该在不违反第一、第二定律的情况下，尽可能保护自己的生存。

认真地说，应该有一些法律来管理人工智能的使用，或许还应该由某个机构进行一些代码审查，以确定人工智能是否会被用于不道德的领域。 我思考了自动驾驶汽车需要面对的“电车难题”：是否要通过牺牲另外1个人来拯救10个人。

我们不是这个领域的专家。

问：最近，Facebook 工程师关闭了机器学习翻译程序，据说是因为这些 AI 创建了自己的语言。 大家对此有何看法？ （点击此处查看相关报道）

答：我不认为这有什么可怕的。

机器学习的一个大问题是生成类似人类的响应或反馈。 一种解决方案是让机器生成人类句子，然后你告诉机器它做得好不好。 这种方法非常困难，因为它既费时又费力。 即使是可以自学的算法也需要数百万个语料库才能正常工作。 另一种途径是让一台机器生成句子，另一台机器判断它是否符合人类语言。

Facebook 的工作是建造一台可以谈判的机器，但事实证明他们的方式行不通，所以他们结束了研究。

问：我对人工智能和机器学习感兴趣已有两年了。 希望以后有机会从事AI安全相关的工作。 你能给我一些建议吗？ 我应该做什么并学习一些东西？ 谢谢！

回答：谷歌的人写了一篇关于人工智能安全问题的非常有趣的文章。 他们给出了五个要点：

1. 避免有害的副作用：机器人如何在追求效率的同时避免附带损害？

2、避免激励机制漏洞：如何防止机器人伺机而动？

3、灵活监管：如何让机器人能够独立验证目标并正确完成任务，而不需要用户花费大量的时间和成本与机器人反复检查？

4、安全探索：如何防止机器人在探索陌生环境、学习新技能时对人类造成伤害？

5、切换环境后的可靠性：如何保证机器人在切换环境后能够将学到的技能无缝迁移到新环境，避免不必要的麻烦？

另外，建议大家更加熟悉算法，了解机器是如何工作的。

问：如果以后想从事AI，现在最好的路线是什么？ 我目前正在社区大学就读，并正在攻读计算机科学学士学位。

答：坦白讲，我认为要想做好机器学习ai设计教程自学，需要有很强的数据背景。 机器学习本质上是统计学，但披上了一层奇特的算法外衣。 这个领域正在迅速发展，就像狂野的西部一样，因此它也被描述为机器学习：牛仔统计。 但我认为机器学习被夸大了，基本的统计数据可以解决很多问题。

我觉得你还应该继续学习其他你喜欢的领域。 如果您不理解手头数据的含义，就无法很好地建模。 我们这些在自己感兴趣的领域研究特定问题的人会应用机器学习方法。 当然，你也可以选择做纯粹的机器学习研究。

简而言之，数学和你感兴趣的领域都很重要。