如何构建一个AI:人工智能与混合现实的未来

【导读】本文是科技作家Drew Venegas撰写的一篇博文,讲述了机器学习的未来与混合现实。首先介绍了Waze公司彻底改变了GPS导航领域,并通过这个实例作者得出三条结论,并介绍了机器学习的两个问题:方法和数据。通过分析,作者给出人工智能背景下的三条教训,具体内容请参看本文。



TL;DR:为混合现实开放网页(Mixed Reality Open Web,MROW)浏览器增加深度学习SDK,将是一场创新性的革命。它将在任何一个可以想到的系统和领域中,将数字搜索和优化算法技术发扬光大。随着其中各系统的积极反馈,整个体系将形成一个正向循环,使得更多的系统加入其中,以得到更多的连接性与智能性,这种现象只能用智能爆炸来形容。


Waze公司彻底改变了GPS导航领域,他们使用每个用户的手机获得众包数据的方式,代替了以往基于传感器的昂贵的获取方式(像诺基亚之前做的那样)。进而通过机器学习算法,分析用户数据,发现精细化的交通模式,达到为每个用户优化路线,并缩减成本的目的。这种变化的最终结果是诺基亚大幅裁员,而2013年谷歌收购了Waze。今天出生的孩子可能根本无法想象没有众包数据的世界,因为Waze改变了这一切。



在这个故事中,我们应该学到三个教训:第一个教训是,在某些市场中,存在赢家通吃现象,如果消费者不使用某个产品就会承受很高风险,那么这个市场将会陷入垄断;第二个教训是在所有数据集之上增加一个智能层,就可以优化任何目标;第三个最困难的教训是,所有行为都有后果,而这些后果与我们对它们的理解无关。


这篇文章的名字是:“AI的诞生,当机器学习遇到混合现实”。那么,上面列出的教训与这些有怎样的关联呢?让我们从机器学习研究的一些问题开始。


顾名思义,机器学习是指通过大数据统计分析来教会机器知识的过程。这个过程很复杂,并且可能由于几个原因而导致进展缓慢,第一个原因是可使用的统计方法过多(在特定问题上使用特定的算法)。这意味着,机器学习最终只能在那些能养得起机器学习专家的领域才能得到应用。从短期看,供需失衡将导致比较勉强的结果。

 


 

另一个问题是数据,由于机器学习需要大量的数据才能保证准确性,因此,如果不对基础设施进行大量投资,就无法获得足够的数据。


正如我们之前在Waze例子中看到的那样,手机的普及,使得他们的服务成为可能,就像他们为优化每个用户路线所创建的算法一样。Waze不需要投资或分配手机去生产大型数据集,他们只需要令用户下载并使用他们的应用程序。凭借足够高的应用使用量,Waze算法很快变得比诺基亚基于传感器的算法更准确,换句话说,诺基亚引入新设备扩大服务的成本过高, 导致发展缓慢而在市场竞争上的落后,用户纷纷倒戈。



最后一个大问题是行业数据,意思是说,许多应用了机器学习的行业中,数据并不是三维的——也许是二维层次的,也许是纯逻辑/数学的,这限制了系统的行业知识运用。


例如,今天,通过机器学习生成的大量行业知识与二维应用程序设计相关,像Waze这样的产品是个例外,不能作为标准。


对于这种变化存在原因的最简单解释就是钱.移动游戏和社交网络市场正在被越来越少的大公司承包,这些公司非常乐意通过算法来优化或者自动化他们的系统,因为这样可以降低开销,并允许在研发方面(未来利润)进行更大的投资。


然而,没有东西能一直火下去,手机市场萎缩在即。研发预算已经开始推向了VR、AR和MR计算平台,并且这些新设备将逐渐降低硬件成本。反过来,这又会激励创造大量的3D内容、数据流,并使重点从移动市场转移过来。


就像我们之前看到的Waze一样,数据供应的增加,将大大的降低成本。这两个事件的区别在于,虽然Waze只是一个应用程序,但MR将是一个全新的计算平台,Waze变得精通单一行业——GPS导航。MR的“Waze”将是一个机器学习SDK,它位于MROW浏览器上,可访问任何联网数据集,因此MROW的行业熟练度将取决于各个行业。

相同的故事,不同的结果

核裂变并没有直接导致原子弹的产生。它只是开启了军备竞赛。同样,机器学习不会马上建立AI,这将一场智力竞赛必不可少,这迫使每个政府和公司都能够连接和优化每个可以想象的2D和3D环境,否则就有被竞争对手打败的风险,就像诺基亚被Waze打败一样。


为什么?


在任何系统中,硬件的连接和分布越广泛,则获取和共享数据的成本就越低。这对经济、军事以及每个现有的结构都有深远的影响——这一切都保证了MROW和机器学习SDK的创建。如果不对此类技术投资,将导致各类风险。


那么当MROW和机器学习SDK与IoT(物联网)完全整合时会发生什么呢?


对于初学者来说,定义机器学习SDK消除了机器学习程序员的稀缺性,降低了所有未来优化的成本,连接这些数据集的API也将实现自动化创建,这将进一步降低开发成本。正如我在之前文章中所描述的那样,混合现实app将通过算法生成,这将为数字模拟与物理系统之间引入自动化反馈机制。


最重要的是,这个新的、网络化的系统所产生的领域专业知识将等于硬件与MROW连接的所有域的总和。因为快速增长的行业数据库即将联网,上面描述的系统集成情况将导致一个转折点。


最后的飞跃结果将是智能爆炸,以及真正AI的诞生。


这种AI智能与其构成算法、领域的熟练程度将有何不同?


作为起步,创建基于自动反馈机制的自动化算法,将允许其可编程组件对紧急情况作出反应。虽然可以控制单个算法,但其他的各种正负反馈机制将使得这些结果的建模和预测成为概率性的,而不是确定性的。


这导致了两个结论,首先,人工智能系统的功能类似于人类大脑中的神经活动,其中信号\传感器数据的强度与其自身连接结构行为一样重要。


 

第二个结论是,就像人类婴儿的环境和遗传条件影响他们成年时的行为一样,AI系统的初始设置和结构将在其未来行为中扮演非常重要的角色。


人工智能无法从组成它的MROW浏览器协议、机器学习SDK、行业熟练度,以及传感器交互演变中获益。


基于这些原因,我们必须非常谨慎地设计MROW和机器学习SDK。

要点:三个教训


正如我们前面讨论的那样,Waze的故事应该有三个教训,让我们在人工智能的背景下重新审视它们。

 

第一个教训是:一些市场是赢家通吃的。


除非我们设计的算法数据是开源的,或者要求以某种方式从新算法中分配新知识,否则很有可能第一个MROW中出现的AI将主宰所有其他正在发展的连接系统。先发优势只会变大,而无法被克服,虽然人类在社会中取得正面成果的原因,取决于AI系统的初始设置,但这并不能完全保证。因此,我们应该按最好的可能性去设想,而按最坏的可能性去计划,并且极其小心的去建设。


第二个教训是,通过在任何数据集上添加智能层,可以针对任何目标进行优化。


上面的文章表明,这个原则可以产生一个通用的AI。然而,这一教训也应该应用于开发有益的人工智能,也就是说,除了在追求利润最大化的过程中使用机器学习来优化系统之外,我们还必须在大规模应用前,对系统行为建模,通过这种方式,有可能会对AI系统行为的初始化情况产生影响。


第三个教训是,所有行为都有后果,而这些后果与我们对它们的理解无关。


Facebook的口号是“迅速行动,并打破它”。事实上,技术的进步以及想象力的提升需要这样。然而,随着我们越来越接近无法完全控制的系统,在我们的设计中同时考虑动机和目标是非常必要的。只要这样做了的话,即使改变技术发展方向的机会从我们身边溜走,那也没有什么关系。


参考链接:

https://medium.com/@ibdrew/thebirthofai-a195d933c162

-END-

专 · 知

人工智能领域主题知识资料查看获取【专知荟萃】人工智能领域26个主题知识资料全集(入门/进阶/论文/综述/视频/专家等)

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料

请扫一扫如下二维码关注我们的公众号,获取人工智能的专业知识!

请加专知小助手微信(Rancho_Fang),加入专知主题人工智能群交流!加入专知主题群(请备注主题类型:AI、NLP、CV、 KG等)交流~

投稿&广告&商务合作:fangquanyi@gmail.com


点击“阅读原文”,使用专知


展开全文
Top
微信扫码咨询专知VIP会员