由于業(yè)務(wù)范圍不同，筆者對于基于深度學(xué)習(xí)的語義AI的基本原理細節(jié)了解不多。不過，所有基于深度學(xué)習(xí)的人工智能，實際上都可抽象為目標(biāo)分割及基于海量數(shù)據(jù)的訓(xùn)練，區(qū)別在于不同領(lǐng)域目標(biāo)分割的策略和算法不同，海量數(shù)據(jù)的訓(xùn)練和比對的邏輯也不同。筆者熟悉的安防領(lǐng)域的車牌識別，就是先切分成單個字符，然后通過數(shù)據(jù)訓(xùn)練識別出是什么字符；而人臉識別則先是在一幅圖片中識別，分割出人臉的部分，再利用數(shù)據(jù)訓(xùn)練比對出目標(biāo)是誰。

　　資料圖

 

　　雖然算法邏輯各不相同，但總體來看，基于深度學(xué)習(xí)的算法有一個共通點，即程序的設(shè)計者也無法確知這種經(jīng)由海量數(shù)據(jù)反復(fù)訓(xùn)練和迭代帶來的結(jié)果是什么。因此在某種意義上，帶有這種特征的AI的“行為”變得不可準(zhǔn)確預(yù)測，這在一些人機交互相關(guān)的AI領(lǐng)域引發(fā)恐慌。不少人認為，這標(biāo)志著這些AI開始具備某種程度上的“自主意識”，從而開始威脅人類的地位。

 

　　實際上，從基本原理的角度講，這距離自主意識還相去甚遠。AI的原生邏輯與規(guī)則能力還非常原始，更多的是通過數(shù)據(jù)量的優(yōu)勢，依靠強大的計算來增強結(jié)果獲取的能力。舉個形象的例子，比如很流行的用計算機寫詩或者寫歌的程序，其實是在大量人類已有詩句的基礎(chǔ)上，基于某種策略衡量標(biāo)準(zhǔn)的組合，而不是像王維杜牧寫詩時，用文字去映射所要表達的感情。從這個意義上講，最優(yōu)秀的語義AI，也依然是人類已有信息和邏輯的衍生物，而不是突破者。

 

　　但有一點值得去推演。機器擁有同時掌控大量數(shù)據(jù)和信息的能力，而人類在這方面遜色太多了。這種差異與某種程度上的“可能突變”有多少內(nèi)在的因果關(guān)系，或許人類自己也回答不了。于是才會有霍金和馬斯克的憂慮，才會有大家對上述事件的猜想與解讀。

 

　　盲目的擔(dān)憂無濟于事，神秘主義的放任也是不對的。從整體上說，AI領(lǐng)域需要有架構(gòu)設(shè)計來規(guī)避未知的風(fēng)險。通過某種方式隔離運算與策略部分和動作執(zhí)行部分，確保做推斷和決策的AI部分不能直接進行動作操作，這在一定程度上可以降低風(fēng)險。比如對于對話機器人的某些答案要設(shè)置過濾策略，以降低其太過離譜的可能?？苹?a href="http://www.baoxianwx.cn/video/list-1410.html" target="_blank">電影中那種人形、活蹦亂跳的AI其實并非主體形式，目前大部分的AI其實是一堆數(shù)據(jù)線連起來的機器陣列而已。所以人類才會保留最終的“拔電權(quán)”。這當(dāng)然太過簡單粗暴。人類社會需要的是一個能夠跟得上AI發(fā)展與迭代速度的學(xué)科分支，專門研究約束AI風(fēng)險的架構(gòu)和技術(shù)。