从机器学习先驱到AI领域最坚定的反对派.doc

从机器学习先驱到AI领域最坚定的反对派.doc

ID:27846630

大小:160.00 KB

页数:9页

时间:2018-12-06

从机器学习先驱到AI领域最坚定的反对派.doc_第1页
从机器学习先驱到AI领域最坚定的反对派.doc_第2页
从机器学习先驱到AI领域最坚定的反对派.doc_第3页
从机器学习先驱到AI领域最坚定的反对派.doc_第4页
从机器学习先驱到AI领域最坚定的反对派.doc_第5页
资源描述:

《从机器学习先驱到AI领域最坚定的反对派.doc》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、从机器学习先驱到AI领域最坚定的反对派  AI得以发展到今天的聪明才智,离不开JudeaPearl的功劳。20世纪80年代,他带领一批人实现了机器的概率推导。  而现在,他却成为了AI领域最坚定的反对派之一。在他最新的一本书《疑问之书:因果关系的新科学》(TheBookofWhy:TheNewScienceofCauseandEffect)中,他指出AI进步最大的一个掣肘在于,对“智能”到底意味着什么的基本性认识不足。  从机器学习先驱到AI领域最坚定的反对派  AI得以发展到今天的聪明才智,离不开JudeaPearl的功劳。20世纪80年代

2、,他带领一批人实现了机器的概率推导。  而现在,他却成为了AI领域最坚定的反对派之一。在他最新的一本书《疑问之书:因果关系的新科学》(TheBookofWhy:TheNewScienceofCauseandEffect)中,他指出AI进步最大的一个掣肘在于,对“智能”到底意味着什么的基本性认识不足。  从机器学习先驱到AI领域最坚定的反对派  AI得以发展到今天的聪明才智,离不开JudeaPearl的功劳。20世纪80年代,他带领一批人实现了机器的概率推导。  而现在,他却成为了AI领域最坚定的反对派之一。在他最新的一本书《疑问之书:因果关系

3、的新科学》(TheBookofWhy:TheNewScienceofCauseandEffect)中,他指出AI进步最大的一个掣肘在于,对“智能”到底意味着什么的基本性认识不足。  从机器学习先驱到AI领域最坚定的反对派  AI得以发展到今天的聪明才智,离不开JudeaPearl的功劳。20世纪80年代,他带领一批人实现了机器的概率推导。  而现在,他却成为了AI领域最坚定的反对派之一。在他最新的一本书《疑问之书:因果关系的新科学》(TheBookofWhy:TheNewScienceofCauseandEffect)中,他指出AI进步最大的

4、一个掣肘在于,对“智能”到底意味着什么的基本性认识不足。  从机器学习先驱到AI领域最坚定的反对派  AI得以发展到今天的聪明才智,离不开JudeaPearl的功劳。20世纪80年代,他带领一批人实现了机器的概率推导。  而现在,他却成为了AI领域最坚定的反对派之一。在他最新的一本书《疑问之书:因果关系的新科学》(TheBookofWhy:TheNewScienceofCauseandEffect)中,他指出AI进步最大的一个掣肘在于,对“智能”到底意味着什么的基本性认识不足。  从机器学习先驱到AI领域最坚定的反对派  AI得以发展到今天的

5、聪明才智,离不开JudeaPearl的功劳。20世纪80年代,他带领一批人实现了机器的概率推导。  而现在,他却成为了AI领域最坚定的反对派之一。在他最新的一本书《疑问之书:因果关系的新科学》(TheBookofWhy:TheNewScienceofCauseandEffect)中,他指出AI进步最大的一个掣肘在于,对“智能”到底意味着什么的基本性认识不足。    三十年前,AI研究最大的挑战在于,如何通过编程让机器学会将潜在的原因与所观察到的现状进行联系。Pearl通过一个叫做贝叶斯网络的方法解决了这个问题。  贝叶斯网络让机器能够将现象与

6、可能的原因联系起来:比如有一个病人刚从非洲回来,有发热和头痛的症状,那么最可能的解释就是他感染了疟疾。Pearl也因为这项成就获得了2011年的图灵奖——计算机科学界的最高荣誉。  但正如Pearl所看到的那样,AI领域陷入了概率关联的泥沼。如今,社会被各种吹捧机器学习和神经网络最新研究突破的文章所淹没。我们总是能读到诸如机器掌握了传统游戏的玩法、学会了驾驶汽车之类的文章。Pearl对此无动于衷,在他看来,如今的AI只不过是上一代机器的加强版:从一大堆数据中找到隐藏的规律。  “所谓深度学习所取得的重大成就,加起来不过就是曲线拟合,”他说道。

7、  81岁的Pearl在他的新书中详细阐述了真正拥有智能的机器的思考方式。他认为机器真正拥有智能的关键在于能够使用因果推论,而非通过相关关系推论。  例如,仅仅做到将“发热”和“疟疾”联系起来是不够的,机器还要能推导出“疟疾会导致发热”。一旦这种因果的框架建立起来,机器就有可能提出一些反事实问题——如果施加某种干预,那么因果关系将会发生什么变化——Pearl视之为科学思考的里程碑。  同时,Pearl还提出了一套实现这种思考方式的形式语言——21世纪版本的贝叶斯框架,让机器能够概率性的思考。  Pearl期望因果推理能够赋予机器人类级别的智能

8、。他解释说,在这种级别的智能下机器能够与人类更有效地沟通,甚至进行道德层面的交流,因为它们已经具备了自由意志——当然,也会有罪恶念头。    Quanta杂志社最近

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。