人工智能与伦理的相关论文:人工智能伦理论文
谷歌公司lG与韩国棋圣李世石人机围棋巅峰对以lG 比压倒性胜利落下帷幕。
这比赛结不仅向全世界展示了人工智能强实力与巨应用潜力也人类社会引起了不恐慌和忧虑。
【摘要】谷歌公司lG与韩国棋圣李世石人机围棋巅峰对以lG 比压倒性胜利落下帷幕。
这比赛结不仅向全世界展示了人工智能强实力与巨应用潜力也人类社会引起了不恐慌和忧虑。
人们开始认真思考人工智能将会给人类社会带哪些进步及挑战? 机器智能终会否超越人类智能?要想回答这些问题我们首先要了人工智能质及其基原理。
首先对人工智能领域里受世人瞩目研究成――深学习卷积神络――做简单描述进而围绕机器学习质及其基原理进行探讨。
接下通对人脑认知机理新研究成概括介绍揭示机器智能与人类智能质差异比较两种智能优劣。
通优劣势比较试图出针对上述问题答案。
【图分类】8 【献标识码krlxq060700。
06年3月9～5日谷歌公司研发lG围棋软件与韩国棋圣李世石进行了五场人机对lG以比比分取得了压倒性胜利。
这比赛结不仅震惊了整围棋界也让人工智能领域许多专学者跌破眼镜更让人工智能走出象牙塔成许多普通姓茶余饭热话题。
这场人机围棋巅峰对不仅向全世界展示了人工智能强实力与巨应用潜力也人类社会引起了不恐慌和忧虑。
人们开始认真思考以下这些问题机器智能终会超越人类智能吗?人工智能将会如何改变人类社会?智能机器会像电影《终结者》里所描述那样试图主宰人类、甚至消灭人类吗?要想回答这些问题我们首先要了人工智能质及其基原理进而讨论其发展规律和前景。
首先对机器学习分支受世人瞩目研究成――深学习卷积神络――做简单综述进而围绕机器学习质及其基原理进行探讨。
接下通对人脑认知机理新研究成概括介绍揭示机器智能与人类智能质差异比较两种智能优势与劣势。
几年里深学习卷积神络所取得成就足以使它成人工智能王冠上光彩夺目明珠。
基深学习卷积神络语音识别系统把语音识别精提高到了产品级精从而人类与计算机及各种智能终端提供了种崭新、更便捷交方式。
将深学习卷积神络应用图像容及人脸识别科学们取得了能够与人类视觉系统相媲美识别精。
战胜韩国棋圣李世石谷歌围棋软件lG能够取得如辉煌战绩深学习卷积神络也发挥了关键性作用。
脑神科学领域量研究表明人脑由约0神细胞及05神突触组成这些神细胞及其突触构成庞生物神络。
当通突触所接收到信强超某阈值神细胞便会进入激活状态并通突触向上层神细胞发送激活信。
人类所有与识及智能有关活动都是通特定区域神细胞相激活与协工作而实现。
早93年美国心理学 ll和数学 就他们论提出了生物神元计算模型(简称①模型)续人工神络研究奠定了基础。
模型结构如图()所示它包含带有权重输入输出偏置b和激活函数组成。
输入代表下层神突触信息每权重)代表对应突触连接强激活函数通常采用拥有型曲线g函数(参见图(b))用模拟神细胞激活模式。
早期人工神络都是基神元全连接络。
如图所示类络特是属层神元不存连接;当前层某神元与上层所有神元都有连接。
然而人们很快发现这种全连接神络应用各种识别任不但识别精不高而且还不容易训练。
当神络层数超层用传统反向传递算法(Bk rg)训练已无法收敛。
983年日学者福岛教授基bl视觉认知模型提出了卷积神络计算模型(vl rl rk简称)。
早96年bl和l通对猫视觉皮层细胞深入研究提出高级动物视觉神络由简单细胞和复杂细胞构成(如图3所示)。
神络底层简单细胞感受野只对应视膜某特定区域并只对该区域特定方向边界线产生反应。
复杂细胞通对具有特定取向简单细胞进行聚类拥有较感受野并获得具有定不变性特征。
上层简单细胞对共生概率较高复杂细胞进行聚类产生更复杂边界特征。
通简单细胞和复杂细胞逐层交替出现视觉神络实现了提取高抽象性及不变性图像特征能力。
如图所示卷积神络是由卷积层(vl Lr)与降采样层(lg Lr)交替出现多层神络每层由多将神元排列成二维平面子层组成(称特征图r )。
每卷积层和上层降采样层通常拥有相数量特征图。
构成卷积层x每神元责对输入图像(如x)或者x降采样层特征图特定区域施行卷积运算而降采样层每神元则责对卷积层对应特征图特定区域进行x lg(只保留该区域神元输出值)。
卷积层属特征图神元都共享卷积核责学习和提取种图像特征对应bll模型某种特定取向简单细胞。
卷积层不特征图责学习和提取不图像特征对应bll模型不类型简单细胞。
而降采样层神元x lg操作等bll模型复杂细胞对类型简单细胞聚类是对人脑视觉皮层复杂细胞简化模拟。
上世纪90年代初期贝尔实验室 L等人成功应用卷积神络实现了高精手写数识别算法所提出系列L都达到商用级识别精被当美国邮政局和许多银行用识别信封上手写邮政编码及支票上面手写数。
然而受制90年代计算机有限存和弱运算能力L络采用了较浅络结构每层使用特征图数目也很少。
尽管它规模图像识别问题上取得了较效但与传统机器学习算法(如VB等)相比优势并不十分明显。
外由卷积神络拥有很高由设计出款性能优异络要灵感并配合丰富验积累是项极具挑战性工作。
0年加拿多伦多学Gr 教授团队提出了规模比传统许多深卷积神络(简称lx)。
该络拥有5卷积与降采样层、3全连接层每卷积与降采样层拥有9638特征图络参数达到6000多万。
利用lx团队国际上具影响力图像容分类比赛(0 g LVR)取得了压倒性胜利将000类图像5分类错误率降低到535%。
三团队5图像分类错误率分别是67%、698%和706%相差不到分而他们成绩和名相比却低了超0分差距十分明显。
当前深卷积神络( )相对传统机器学习算法优势还不断扩传统学习方法多领域已完全无法与 相抗衡。
几千年科学探与研究科学们提出了许多描述然界及人类社会各种事物与现象数学模型。
这些模型主要可以被归纳以下三类别。
归纳模型由少数几参数(变量)构成每变量都具有明确物理义。
这类模型能够真正揭示被描述对象质及规律许多数学和物理定律都是型归纳模型。
万能函数参数般不具备任何物理义模型身往往只能用模拟或预测某特定事物或现象并不能揭示被描述事物或现象质及规律。
这数学模型如橡皮泥可以通变换它参数集被塑造成任何形状。
给定训练样集其分别代表训练样以及人工赋予该样标签(标签表示样类别或某种属性)通利用进行训练我们就能够得到优化参数集使神络能够很地拟合训练样集。
显而易见神络参数集规模与神元数目及输入x维数成正比所有参数没有任何物理义模型身也不具备揭示被描述对象质及规律能力。
直推模型没有明确数学函数利用所采集数据预测特定输入标签。
类模型认针对某事物或现象所采集数据就是对该事物或现象客观描述。
数据规模越对事物或现象描述就越全面和准确。
当新知样x出现我们可以数据到xK近邻根据K近邻标签或属性定x标签或属性。
显而易见由不要定义明确数学模型与其它模型相比直推模型简单直接但因依靠数据定知样标签直推模型往往要较高计算量及使用成。
样直推模型也不能被用揭示事物或现象质及规律。
应当指出随着用户数量不断增长以及技术快速进步利用获取容或用户数据变得越越简单廉价利用直推模型预测某事物或现象也变得越越普及。
例如许多引擎利用每页用户击率改进页排序精就是直推模型容领域成功应用。
利用用户提供训练样对模型进行训练目就是选择优参数集使模型能够很地拟合训练样集空分布。
通训练得到预测模型实际上把训练样集空分布提取出并编码到其庞参数集。
针对某事物或现象所采集训练样是对该事物或现象直观描述蕴藏着量与相关先验知识。
例如g LVR国际图像容分类比赛所提供训练样集拥有000类、总共多万张彩色图像。
每类都对应然界种常见物体如汽车、飞机、狗、鸟等等包含约000张从不场景及不角拍摄该种物体彩色图像。
利用这训练样集训练出深卷积神络实际上是将每类物体共性特征及体差异等进行信息提取与编码并记忆到其庞参数集。
当新知图像出现神络就能够利用已编码到参数集这些先验知识对输入图像进行准确识别与分类。
样谷歌公司训练lG收集了0万职业围棋高手对局再利用lG不版我对弈生成了3000多万对局。
3000多万围棋对局包含了人类围棋领域所积累丰富和全面知识与验。
当新棋局出现lG利用被编码其庞参数集这些先验知识预测出胜率高步棋以及这步棋所产生终胜率。
由lG针对3000多万对局进行了学习与编码它对每步棋胜判定甚至比九段棋手还要准人类棋圣输给lG也就不足奇了。
关智能这名词科学定义学术献就存着许多版。
即使是少数几被深入研究认知功能(如人脑视觉认知功能)工作机理也还存着各种各样假说和争议。
这里我们列出若干较具代表性、认可相对较高关人脑智能假说及阐述。
人类智能质是什么?这是认知科学基任也是基础科学面临四难题()、难。
每门基础科学都有其特定基单元例如高能物理学基粒子遗传学基因、计算理论、信息论比特等。
众所周知适合描述物质世界变量并不定适合描述精神世界。
因认知基单元是什么这问题不能靠物理推理或计算分析根上只有通认知科学实验回答。
量实验结显示认知基单元不是计算理论也不是信息论比特而是知觉组织形成知觉物体。
例如实验表明当人视觉系统只飞鸟候它所是整只鸟(即知觉物体)而不是鸟某特性(形状、、位置等)。
尽管飞行程鸟各种特征性质改变但它是知觉物体性质始终保持不变。
诺奖得主K认知觉物体概念直觉定义正是形状等特征性质改变下保持不变性。
科院陈霖院士领导团队发展了30多年拓扑性质知觉理论基础上提出围首先知觉物体拓扑学定义知觉物体核心含义即变换下保持不变整体性可以被科学准确地定义围拓扑不变性质。
应当指出上述围首先知觉物体概念与人工智能领域广认与采纳由局部到整体由特征到物体由具体到抽象认知计算模型是完全背道而驰因而人工智能领域并没有得到足够重视及应用。
上帝设计人类智能不假思地直奔生存这终极目标而用合理代价获取生存优势。
人类脑平能耗约只有0瓦相对庞计算机系统说只是九牛毛。
尽管人脑重量只有00克左右约占人体重量3%但它血液供应量却占到了全身50%耗氧量超全身0%对人类已接近其生理可以担极限。
这种极其有限条件下人脑通以下几种方式实现了有效调配由保障有义生理和智能活动。
主观能动选择性。
精神世界不是对物理世界简单映射而是非常扭曲和失真。
体积相对较手指、舌头等重区域感觉运动枢里却占据部分皮层区域。
样视觉上只有对应央视野视膜具有很高空、颜色分辨率而更广泛外周视野只对物体突然出现或消失以及物体运动更敏感。
人类视觉处理通常方式是外周视野显著变化会被捕获做出应激反应然再把央视野移动到目标上进行续处理。
人类通知觉组织选择性机制直接感知输入信围不变性质而忽略量局部特征性质。
量视而不见现象实验室研究表现瞬脱、变化盲视等等。
比如尽管可以清晰地分辨出霓虹灯色块颜色、形状各不相甚至空和上都不连续人脑仍然把这些色块看成是物体从而产生运动感觉。
研究表明这种运动错觉质上不是运动其生态义对知觉对象进行不变性抽提。
另方面人脑会主动把忽略部分补充回。
而通验知识上下关系等补充回信息难免有错。
所谓错觉就是精神世界和物理世界错位。
这些错觉生态义有限条件下快速直接地形成稳定感知。
这种机制既是人类天马行空想能力和创造力泉也是各种精神心理疾患生物学基础。
二模块化层次结构和分布式表征。
当前认知科学越越依赖脑成像技术发展。
功能模块化假设认脑是由结构和功能相对独立、专司特定认知功能多脑区组成。
这些模块组成复杂层次结构通层次传递和反馈实现对输入信主动调节。
量脑成像研究实验也支持了这假设特别是视觉研究发现了非常详细而复杂功能模块及其层次结构。
另方面分布式表征假说认认知功能神机制是相对围分布式脑状态而不是特定脑区激活与否。
当前研究认人脑是模块化和分布式表达共存能系统。
三反应性活动和生性活动。
人脑不是简单刺激―反应系统量生性活动甚至比反应性活动还多。
人脑所谓静息状态下耗氧量与任状态下相比差别很。
然而几乎所有认知科学研究都是建立刺激反应实验式基础上。
这种实验式是让实验对象特定条件下完成特定认知任收集并分析实验对象行或生理反应通对实验数据充分比照建立人脑某种活动模式或认知机理假设。
生性活动因其往往只能通省方式进行研究而被长期排除认知科学研究主流外。
随着脑成像技术发展功能连接成分析静息态脑发活动有力工具。
特别是默认络发现创立了强调生性活动全新脑功能成像研究式。
默认络被认涉及警觉状态、我识、调控以及学习记忆等心理认知程已被广泛应用社会认知、我、、学习、发育、衰老机制研究有力推动了各种脑生物指标完善和脑疾病治疗这些疾病包括阿尔兹海默病、帕金森病、抑郁症、精神分裂症和闭症等等。
因整合现有研究有关分布式表达和生性活动新研究成可能会带对人脑活动模式(人类智能物质基础)种全新理。
人类智能体现对外部环境感知、认知、对所观察事物或现象抽象、记忆、判断、策等。
许多高等动物如狗、猴子、猩猩也或多或少具有类似能力。
真正将人类与其它动物区分开是人类逻辑推理能力、想象力、创造力以及我识。
人类利用这类能力能够想象并且创造出然界不存东西如汽车、飞机、电视、计算机、手机。
而对代表生物智能高水平上述能力人类目前还所知甚少对其机理研究还处启蒙阶段。
研究表明这些能力不是依靠计算得而似乎是与想记忆及人类丰富精神世界有关。
基脑信分析实验发现人脑海马回、海马旁回、杏仁核等脑区存着量专司特定想记忆神细胞。
例如上述脑区存单或簇神细胞会被与美国前总统克林顿相关所有刺激信所激活无论刺激信是关克林顿图片还是l这英语单词还是克林顿人语音回放。
显然这些神细胞并不是被某模态特定特征所激活它们所对应是克林顿这抽象概念。
外脑成像研究表明围棋专业棋手相对业余棋手更多是依赖想记忆系统而非逻辑推理下棋。
实际上围棋界训练棋手常用方法就是将高手对局关键部分拆成许多死活题棋手通量死活题题训练提高己想记忆验和效率。
当代计算机拥有强存储与运算能力。
伴随着计算技术不断发展与进步这些能力增长似乎还远没有到达尽头。
早997年B深蓝超级电脑就战胜了国际象棋冠军卡斯帕罗夫。
但这次胜利人工智能领域并没有产生太反响原因深蓝几乎纯粹是依靠强运算能力遍历所有可能性利用蛮力取胜。
深蓝所遵循就是人工智能即是计算加记忆这简单法则。
由围棋空比国际象棋很多深蓝这种制胜策略针对围棋是行不通。
与深蓝相比lG进步就是从计算加记忆进化到拟合加记忆法则。
它利用深卷积神络这万能函数通学习拟合两千多年人类所积累全部验及制胜模式并将其编码到神络庞参数集。
对当前棋局任何可能落子训练神络都能够预测出它优劣并通有限数量模拟计算出终获胜概率。
这样战略不要对棋局所有可能性做遍历更像人类棋手所使用策略。
然而由lG对每落子以及终胜率预测是建立围棋界两千多年所形成完整知识库上它预测比人类优秀棋手更准确。
由推断lG取胜也是情理事。
与机器相比人类智能优势当属它逻辑推理能力、想象力、创造力及其高效性。
人脑功耗只有0多瓦处理许多感知及认知任(如图像识别、人脸识别、语音识别等)精与拥有庞存、运算速达到万亿次超级电脑相比却毫不逊色。
尽管机器智能很可能不远将棋牌类竞赛全面超越人类但现有机器学习框架并不能模拟出人类想象力和创造力。
随着机器学习算法不断发展与进步计算机借助强存储与运算能力学习人类几千年发展与进化程所积累完整知识能力越越强借助完整知识库对复杂事进行预测与判断准确将会全面超越人类。
由推断几十年里不仅是那些简单重复性体力劳动将会全面被机器取代而且那些要对复杂事进行评估与判断工作如金融投、企业管理、军事指挥等也有可能被让位机器智能。
甚至到整国也可能会越越依靠机器智能预测政治、济、外交发展趋势制定优政策方针及发展规划。
实际上许多发达国智囊机构已利用各种评估及预测模型政府提供对各种事物预测与判断提出政策建议或方案。
然而当前机器学习框架无法模拟人类想象力及创造力科学研究与发明创造仍将是人类优势所。
不难预测人类社会发展进程将有越越多人从事科学研究以及新产品设计研发工作。
社会对每人知识能力、智慧以及发明创造力要将会越越高不具备这些能力人们将会无法到满工作逐渐成处社会底层贫困阶层。