|
语音识别、文本识别、视频识别……数字经济时代，人工智能技术已走近你我身边，被视为经济增长的新引擎、国际竞争的新阵地和推动智慧社会建设的有效工具。而加快“人工智能+”产业融合、赋能更多行业应用落地，更成为社会各界共同的期待。
然而，不久前在由中国人工智能学会主办的2020中国人工智能产业年会上，最新发布的报告指出，目前已成熟应用的人工智能技术仅为语音识别，机器学习、计算机视觉、自然语言处理、知识图谱、智能机器人等技术距离生长成熟尚需数年时间，而无人驾驶汽车在未来10年内都不太可能出现。
从实验室走向大规模商用，人工智能还需要多久？尚存在哪些“堵点”“痛点”？在许多业内专家看来，正视人工智能尚存在的诸多挑战，对技术赋能抱有理性期待，方能让其回归技术本质，成为更多产业变革创新的动力源泉。
算法不透明导致的不可解释
2016年，谷歌人工智能系统AlphaGo击败世界围棋冠军李世石，令世人大为震动。依靠人工智能深度学习理论的突破，计算机可以模仿人类作出决策，然而，这仅基于大量的数据学习，而非因果或规则推理，整个决策过程仍是一个“黑箱”，人类难以理解，导致追责难。
复旦大学计算机科学技术学院院长姜育刚举例，此前，美国IBM公司研发了人工智能系统“沃森”帮助医生进行诊疗决策。然而，许多医生很快发现在使用“沃森”时，系统给出了多个不安全、不正确的治疗意见，甚至在极端的诊断案例中，“沃森”给有出血症状的癌症病人开出了容易导致出血的药物，严重时可致患者死亡。然而，医生却并不知道为什么“沃森”给出了这样的意见。决策步骤的不可解释，带来诸多不确定性。
近年来，人工智能应用于新药研发被寄予厚望。然而，算法的不可解释性却横亘在前。相关研发和监管部门需要清楚地知道药物开发中使用的算法，从而理解人工智能主导的决策背后的逻辑。如果不对监管实现算法透明化，人工智能将会是一个无法进行严谨的科学评价及验证的“黑匣子”。这可能会导致在药物审批过程中出现种种无法预料的问题，比如对人工智能“发现”的生物标记物的接受度不明。此外，对于智能政务、无人驾驶这样安全性要求极高的行业，人工智能的引入自然更为谨慎。
“深度学习的算法和核心模型需要能够真正展开，让公众知晓它的机理模型”，上海人工智能研究院有限公司总经理宋海涛建议。中科院软件研究所研究员薛云志则指出，人工智能面向不同知识背景的用户，要能以简单、清晰的方式，对决策过程的根据和原因进行说明，并能对系统决策过程关键节点的数据加以追溯并能够审计，这在未来人工智能应用大规模落地时，是特别需要关注的特性，也是实施监管的必要。
易受欺骗引发安全性质疑
作为人工智能技术的“大热选手”，深度学习可以通过对大量已知样本的训练，制作自己的样本，这是深度学习的特点，同样也是痛点。
京东人工智能研究院院长周伯文坦言，人工智能目前在面向产业化落地时，遇到的巨大挑战正是真实环境的开放边界和规则模糊，数据的“噪音”非常多，使得智能模型的部分结果和使用情况难以让人信赖。
姜育刚指出，人工智能目前的智能判别模式存在缺陷，容易被对抗样本所欺骗。比如图像识别，在一张人像图片上加入一些非常少量的干扰，人为视觉看上去基本没有区别，但人工智能模型就会产生识别错误；再如自动驾驶，一张“限速80码”的交通标牌，加入一些干扰后，就可能被机器识别成“禁止通行”。显然，存在很大的安全隐患。
语音识别领域也存在这种问题。技术人员在语音上任意加入非常微小的干扰，语音识别系统就可能会识别错误。同样，在文本识别领域，改变一个字母就可以使得文本内容被错误分类。
此外，若深度学习的数据集中存在隐藏的偏见，人工智能系统无法发现，也不会否定。缺少反馈机制的“照单全收”，最终可能导致生成的结果并不客观。
例如在行业内已经出现的，人工智能在深度学习后对女性、少数族裔、非主流文化群体产生“歧视”：亚马逊通过人工智能筛选简历，却发现了系统对女性存在偏见导致最终关闭。更为常见的是手机软件利用人工智能算法导致的大数据“杀熟”，如根据手机类型的不同，可能会推荐不同类型的商品，甚至打车时推荐不同价格、档次的车辆。
目前，“AI+金融”的发展如火如荼。但当金融机构均采用人工智能进行决策时，其市场信号解读就可能趋同与不断强化，导致形成偏离正常市场规律的结果。而这些不正常的市场变化也会成为人工智能的学习基础，将人工智能的决策逻辑进一步畸化，容易造成恶劣的后果。
以上这些问题，影响着人工智能赋能实体经济的安全性，凸显产业对技术可信赖性的呼唤。“从AI到可信赖AI，意味着我们需要在技术层面上解决鲁棒性（稳定性）、可解释性和可复制性这些核心技术挑战。同时为了大规模产业化应用，我们必须考虑到人工智能的公平性和负责任。这几个维度是人工智能必须要解决的问题。”周伯文说。 共2页 [1] [2] 下一页 搜索更多: 人工智能 |
