对人工智能常见的误解有哪些？

1、我们先讨论语言

从表面上看，我们似乎可以与程序直接通信-通过用英语对Siri说话，或在Google的搜索引擎中键入俄语单词。是的，Google和NLP（自然语言处理）程序通常会在单词或文本之间找到关联。但是他们缺乏全面的理解，并且在内容和语法方面存在许多困难。例如，可以将熟悉的动作序列（“脚本”）用作AI小说和电视节目的来源。但是他们的阴谋远没有吸引人或娱乐性。因此，除非您喜欢阅读计算机生成的年度业务报告，否则您很可能会发现AI写作工作很乏味或难以理解。

另外，计算机经常犯语法错误或使用笨拙的表达方式。优雅的写作风格仍然是只有人类才能吹嘘的东西。

至于相关性的判断……好吧，AI仍然很长的路要走，直到可以弄清楚如何穿上T恤或折叠缎纹连衣裙。当然，有一些诱人的误导性例子说明AI的发展，例如Siri，Alexa和Google Duplex，他们似乎进行了有意义的对话，甚至在您最喜欢的餐厅进行预订。但是，如果谈话偏离轨道，他们很容易被愚弄而给出混乱的答案。 例如，沃森（WATSON）在游戏节目《危险！》中击败了两位最高人类冠军。但是它并不总是赢。

例如，它因一个“奥运奇数”问题而绊倒并输了。问题是关于美籍德国体操运动员乔治·艾塞尔（George Eyser）的解剖学怪异性质。即，缺少一条腿。沃森（WATSON）正确指定了身体的…奇怪的部分–腿。但是，它无法理解其存储数据中的基本事实是该人的腿缺失。因此，答案“腿”被认为是不正确的。当然，不会再发生这种情况，因为WATSON的程序员现在已经表明了“缺失”一词的重要性……但是还会有其他错误。实话实说，即使在日常情况下，人们也经常依靠与WATSON有关的判断。

因此，我们可以消除这种误解。如果有的话，人工智能就告诉我们，人脑中的过程比我们以前认为的还要复杂和难以重建。

2.智能机器可以自己学习

另一个常见的误解是计算机可以自己学习。好吧，不是真的。当然，他们可以掌握如何以更好的方式执行任务。或根据现有数据进行预测。然而，我们，人类程序员，数据管理员和用户为他们的学习和改进提供了必要的输入。机器还无法单独实现智能的关键组成部分，例如问题解决和计划。

换句话说，除非提供初始数据，否则他们将不知道如何实现目标。想一下下棋。您可能会争辩说，机器学习（ML）使DeepMind的AlphaZero等AI程序 仅经过4个小时的自学就能实现超人水平的象棋游戏。错误。没有数据工程师向其提供初始数据，AlphaZero的成功仍然是不可能的。那推理呢？再一次，计算机科学家使AI技术能够解释人类语言，无论是英语还是中文。

话虽如此，不用担心。我们心爱的技术离不开我们（至少在可预见的将来如此）。

3. AI可以是100％客观的

并非如此。算法仅与创建它们的人一样公平。因此，有偏见的数据科学家将基于他们的有意或无意偏好来创建有偏见的算法。有趣的是，在公开使用算法之前，这些可能不会公开。

一个有趣的例子是亚马逊的招聘工具，该工具显示出对女性的偏见。

该公司的实验性招聘工具使用AI来给应聘者一到五颗星，以此来对求职者进行评分，就像您在亚马逊上对产品进行评分一样。

但是到了2015年，非常明显的是，软件开发人员职位和其他技术职位的候选人没有以性别中立的方式进行评分。

事实证明，亚马逊的计算机模型已经过培训，可以根据公司十年来收到的简历中的模式扫描申请人。由于在整个科技行业中男性占主导地位，大多数人来自男性。

因此，发生的事情是亚马逊的系统告诉自己，男人是更可取的候选人。它对包括“妇女的”一词的简历进行了惩罚，并对所有女子大学的毕业生低估了。

果然，亚马逊使程序对这些特定条款保持中立。但是，这是否可以保证机器不会提出其他可能会歧视的评分方法呢？

总而言之，暂时无法实现100％无偏差的AI。

4. AI和ML是可互换的术语

简单地说-不。这种明显的误解可能源于这样一个事实，即“人工智能”和“机器学习”（ML）这两个术语经常被错误地用来相互替代。因此，让我们澄清一下是什么。

机器学习是AI的一个子领域。ML是机器预测结果并给出建议的能力，而无需程序员的明确指示。另一方面，人工智能的范围要大得多。这是使技术通过人类智能的特质运作的科学。这是一个更笼统的术语（也可以进行哲学讨论）。

AI的概念在不断变化，这主要是由于技术的不断进步。例如，在1980年代，双子座家用机器人具有革命性，因为他能够接受语音命令并保留您的房屋地图以进行导航。但是今天，它比AI更被认为是迷人的遗物。

无论如何，如果ML的概念引起了您的兴趣，您可以在本文中找到对该主题的更详尽的解释。

5.人工智能将接替你的工作

这是一种普遍的恐惧，但实际上更多的是历史重演。在工业革命期间，人们也有同样的担忧。然而，担心失去我们的工作机会的原因远非凭空。人工智能目前旨在与人类合作，以提高效率，而不是与人类对抗。

因此，请从以下方面考虑。在您专注于更具创造性和挑战性的工作（例如学习在数据科学中取得成功所需的技能）的同时，人工智能可能会完成无聊且重复的任务 。

即使将来AI承担某些角色，这也只会基于新功能和需求而产生对新型工作的需求。

6. AI没有创造力

劳斯莱斯（Rolls Royce）使用AI从过去的引擎设计和过去的模拟数据中学习。人工智能还帮助他们预测全新发动机设计的性能。此外，该公司在新组件制造中采用AI。AI还协助他们更换需要检查的旧发动机的所有主要部件。

制药公司也使用机器学习软件。它可以预测患者对可能的药物治疗的反应。人工智能是如何做到的？通过推断因素之间的可能联系，例如人体吸收化合物的能力和人的新陈代谢。

AI当然可以在CG艺术中找到创造性的出路，因为没有它，就无法创建甚至有时甚至无法想象许多视觉效果。例如， 艺术家Harold Cohen编写的计算机程序AARON可以创建原始的艺术图像。该程序的作者科恩（Cohen）甚至说，与他本人相比，他是一个更好的调色师。新样式或图像必须由艺术家手工编码，因此不包括100％无需人工的创造力。但是，科恩比较了他和他的程序与文艺复兴时期画家及其助手之间的关系。

在音乐中也可以找到AI创造力的例子。

例如，大卫·科普（David Cope）开发了一个名为EMI（音乐智能实验）的AI程序 。它可以分析音乐作品，识别和表征音乐流派，并将片段和样式重组为新的原创作品。因此，它以贝多芬，莫扎特，肖邦，巴赫等风格创作了音乐作品。

因此，尽管AI不是独立艺术家，但它肯定会提出一些重要问题，例如：艺术的本质是什么？它是在艺术家的“思想”中还是在旁观者的眼中创造的？谁知道，也许人工智能将来会给我们一些创造性的答案。

7.所有人工智能都是平等创造的

一点也不。基本上，有三种类型的AI：ANI（人工窄带智能），AGI（人工通用智能）和ASI（人工超级智能）。

ANI，或人工狭义情报，执行单个任务，例如下棋或检查天气。此外，它可以自动执行重复性任务。由ANI驱动的机器人可以执行人类认为无聊的任务。他们可以搜索数据库以查找产品详细信息，发货日期和订单历史记录。

另一方面，AGI尚未出现。从理论上讲，AGI应该能够完全模仿人类的智力和行为。它应该是一个有创造力的问题解决者，可以在压力下做出决策。但这仍然是将来的事情。现在，人们普遍认为，一旦我们到达AGI，我们将成为进入ASI或人工智能领域的Fastlane的人，这是一个强大而复杂的程序，它超越了人类的智慧，将带领我们走向灭亡。幸运的是，目前，这只能在您喜欢的科幻电影中发生。

8. AI算法可以找出您所有的杂乱数据

人工智能虽然功能强大，但需要我们的帮助来确定数据。数据工程师不希望AI分析原始数据。他们先贴上标签。

数据标记是获取原始数据，对其进行清理并对其进行整理以供计算机提取的过程。

例如，著名的制药公司辉瑞（Pfizer）会仔细标记其数据。为了确保数据保持相关性，公司每六个月更新一次。一旦标记了他们的数据，就可以在ML中有效地使用它们。辉瑞公司使用机器学习技术进行患者和医师数据分析，以评估针对不同类型患者的最成功方法。该公司创建了一个模型，该模型利用了来自医生的匿名纵向处方数据。为了获得结果，它使用机器学习检查了数千个变量。最后，数据分析表明，最能确定一种辉瑞药物中最有效剂量的医生显示出更好的患者反馈。这些见解有助于实现更多以患者为中心的服务，并考虑了其他支持患者人群的方法。

因此，如果我们想要完美的结果和解决方案，则最好确保我们首先提供了完美的培训数据。

9.人工智能是新的

尽管看起来好像是最新的东西，但AI最早是在1840年代预见的。那就对了。Lady Ada Lovelace女士（英国数学家和作家）预言了其中的一部分。用她的话说，一台机器“可以组成任何程度或复杂程度的精致而科学的音乐”。

一个世纪后，艾伦·图灵（Alan Turing）和他的团队为机器学习奠定了基础。他们创建了Bombe机器，以破解第二次世界大战期间德国人用来发送安全消息的Enigma码。战争结束后，图灵（Turing）于1948年帮助设计了曼彻斯特的第一台现代计算机。但是，由于当时可用的技术太原始，他无法进一步推动AI的发展。在1950年代中期，开发了更强大的机器。

1950年代的一个重要里程碑是亚瑟·塞缪尔（Arthur Samuel）的选秀运动员，他学会了击败塞缪尔本人。您可以想象那时的头条新闻数量！

在1960年代，计算机科学家致力于开发用于数学问题解决方案和机器人机器学习的算法。

而且，尽管在1970年代和1980年代（所谓的AI Winters）缺乏AI研究经费，但在90年代情况有所好转，导致了当今AI领域的最高成就。因此，术语AI和ML背后的最初想法可以追溯到过去，尽管随着时间的流逝，这些概念已经从以前的含义改变了。

10.“认知人工智能”技术能够以人脑的方式理解和解决新问题。

一般来说，认知AI技术反映了人脑的工作原理。他们可以识别图像或分析句子的信息。但是他们绝对需要人工干预。

例如，Facebook拥有一个图像识别应用程序，该应用程序可以分析Facebook或Instagram上的照片，并为用户提供与其互动的内容量身定制的广告。该应用程序还有助于识别违禁内容，品牌和徽标的不当使用或与恐怖主义有关的内容。

但是，Facebook在某些类型的认知技术上遇到了问题。

当它试图识别要显示给用户的重要和相关新闻项时，自动化过程无法区分真实新闻和虚假新闻。实际上，俄罗斯黑客设法在Facebook上故意发布虚假新闻，而没有被自动过滤器检测到。这是安全落后的典型例子。您想知道原因之一吗？事实证明，有某些模式可以诱使算法对对象进行错误分类。