易坊好文馆

  1. 首页 > 玩科技 >

边界|成长的边界

人工智能 规则 程序 方法 人类 边界 专业化 沃森 国际象棋 步法 阿吉里斯 阿尔法元

九、“学者式”专业化练习弊端
过去的国际象棋程序只是用野蛮粗暴的强大计算能力算出各种可行的步法 ， 然后按照程序员设定的标准来排序 ， 但是新的程序“阿尔法元”截然不同——它只需要了解规则 ， 然后自己进行无数次的练习 ， 来记录哪些步法有效而哪些无效 ， 并使用这些记录来提高自己 。 很快 ， “阿尔法元”就击败了当时最好的国际象棋程序 。
在封闭且有规则可循的国际象棋领域 ， 人工智能依靠着即时反馈和无穷无尽的数据 ， 得以飞速发展 。 在没有严格的规则 ， 也没有大量完备的数据支持的医疗行业 ， 人工智能的表现可以用灾难来形容 。 IBM的人工智能代表“沃森”在知识竞答节目《危险边缘！》中战胜了人类 ， 随后又高调进军医疗行业 ， 被视为癌症治疗的革命——然而 ， 沃森在这一领域登高跌重 。 一位肿瘤学家这样描述：“在《危险边缘！》获胜和治愈所有癌症的区别就是 ， 我们本来就知道竞答题目的答案 。 ”
心理学家马库斯用一个比喻恰当地解释了目前此类专业机器的不足：“人工智能系统就像专业学者一样 。 ”它们需要稳定的结构和精专的配置 。
当我们对规则和答案了如指掌 ， 而且它们不会随时间推移而变化——比如下国际象棋、打高尔夫球和弹奏古典音乐 ， 那么从学习的第一天开始 ， 我们就可以为这种“学者式”的超专业化练习做出论断 。 但这些都是人类想学习的大部分东西中的糟糕案例 。
【边界|成长的边界】当过度专业化遭遇并不友好的领域时 ， 人类本能地依靠熟悉的模式带来的经验 。 但这种倾向可能带来灾难性的后果——就像经验丰富的消防员在陌生环境救火时会做出错误的决定一样 。 耶鲁大学管理学院的创办人之一阿吉里斯对顶尖商学院的优秀顾问进行了长达十五年的研究 ， 发现他们在解决商学院里提出的问题时表现得非常好 ， 这些问题定义清晰 ， 且得到了快速评估 。 但是他们的学习方法被阿吉里斯称为“单回路”学习 ， 这种方法推崇的就是第一反应——熟悉的解决方案 。 只要这些方法遇到问题或发生错误 ， 顾问们通常会坚持己见 。 顾问们“脆弱的个性”着实让人惊讶 ， 因为“他们工作的本质就是要教其他人如何用不同的方法工作” 。
对于商界最推崇的学习案例来说 ， 波尔加姐妹、老虎伍兹 ， 还有在各种体育或竞技中类似的学习模式都算不上良好范例 。 如提出“友好型”学习环境的罗宾·霍格斯所言 ， 这个世界的大部分都是“火星网球” 。 虽然你能看见选手们拿着网球和球拍出现在球场上 ， 但是没有人告知他们比赛规则 。 你可以推导规则 ， 但是规则也会悄无声息地改变——当然也不会通知你 。

    推荐阅读


    上一篇：新浪财经|完整浏览网页为何这么难

    下一篇：AMD|AMD的这门新技术 竟然可以免费提升老N卡的帧数？！