簡析AI

從20世紀60年代開始，人們就在期待像哈爾（HAL）這樣的科幻級別的AI，然而直到最近，PC和機器人還是非常愚笨。現(xiàn)在，科技巨頭和創(chuàng)業(yè)公司宣告了AI革命的到來：無人駕駛汽車、機器人醫(yī)生、機器投資者等等。普華永道認為，到2030年，AI將會向世界經(jīng)濟貢獻15.7萬億美元。“AI”是2017年的熱詞，就像“.com”是1999年的時髦用語那樣，每一個人都宣稱自己對AI感興趣。不要被有關(guān)AI的炒作所迷惑，它是泡沫還是真實？和舊有的AI潮流相比，它現(xiàn)在有什么新穎之處？

AI并不會輕易或迅速地被應(yīng)用。最令人興奮的AI實例往往來自大學(xué)或者科技巨頭。任何許諾用最新的AI技術(shù)讓公司發(fā)生革命性變革的自封的AI專家，都只是在傳遞錯誤的AI信息，其中某些人只是重塑舊有技術(shù)的形象，把它們包裝成AI。每個人都已經(jīng)通過使用Google、微軟、亞馬遜的服務(wù)，來體驗了最新的AI技術(shù)。但是，“深度學(xué)習(xí)”不會迅速地被大企業(yè)所掌握，用來定制內(nèi)部項目。大多數(shù)人都缺乏足夠的相關(guān)數(shù)字數(shù)據(jù)，不足以可靠地用來訓(xùn)練AI。結(jié)果就是，AI并不會殺死所有的工作機會，尤其因為它在訓(xùn)練和測試每個AI的時候還是需要人類。

AI目前已經(jīng)能夠“用眼睛看到”，并精通一些視覺相關(guān)的工作了，比如：通過醫(yī)學(xué)影像識別癌癥或其他疾病，在統(tǒng)計學(xué)上優(yōu)于人類放射科醫(yī)師、眼科醫(yī)師、皮膚科醫(yī)師等，還有駕駛汽車、讀唇語。AI能通過學(xué)習(xí)樣本（比如畢加索或者你的畫作）畫出任何一種風(fēng)格的圖畫。反過來，它也能通過一幅畫，補足缺失的信息，猜出真實的照片是什么。AI看著網(wǎng)頁或應(yīng)用的屏幕截圖，就能寫出代碼制作出類似的網(wǎng)頁或應(yīng)用。

AI目前還能“用耳朵聽到”，它不只能聽懂你的話，還能通過聽Beatles或你的音樂，創(chuàng)作出新的音樂，或者模擬它聽到的任何人的聲音。一般人無法分辨出一幅畫或一首曲子是由人還是由機器創(chuàng)作的，也無法分辨出一段話是由人類還是AI說出的。

被訓(xùn)練用來贏得撲克比賽的AI學(xué)會了虛張聲勢，能夠處理丟牌、潛在的造假行為，還能誤導(dǎo)信息。被訓(xùn)練用來談判的機器人也學(xué)會了欺騙，能猜測出你什么時候在說謊，如果需要它們也會撒謊。一個用來在日語和英語間翻譯或者在韓語和英語間翻譯的AI，也能在韓語和日語間進行翻譯轉(zhuǎn)換。看起來翻譯AI自己創(chuàng)造了一種中間語言，能不分語言的界限演繹任何一個句子。

機器學(xué)習(xí)（ML）是AI的一個子類別，它能讓機器從經(jīng)驗中學(xué)習(xí)，從真實世界的實例中學(xué)習(xí)，數(shù)據(jù)量越大，它就能學(xué)到越多。據(jù)說，如果一臺機器完成一項任務(wù)的表現(xiàn)隨著經(jīng)驗的增多越來越好，那它就能根據(jù)這項任務(wù)的經(jīng)驗進行學(xué)習(xí)。但大部分AI還是根據(jù)固定規(guī)則制造出來的，它們并不能學(xué)習(xí)。從現(xiàn)在開始，我將使用“機器學(xué)習(xí)”這個詞來指稱“從數(shù)據(jù)中進行學(xué)習(xí)的AI”，以此強調(diào)它和其他AI的區(qū)別。

人工神經(jīng)網(wǎng)絡(luò)只是通往機器學(xué)習(xí)的其中一種方式，其他路徑還包括決策樹、支持向量機等。深度學(xué)習(xí)是一種具有許多抽象層次的人工神經(jīng)網(wǎng)絡(luò)。不去談“深度”這個有炒作意味的詞，很多機器學(xué)習(xí)方法都是“淺顯的”。成功的機器學(xué)習(xí)通常是混合的，也就是很多方法的組合，比如樹+深度學(xué)習(xí)+其他，它們都是被分別訓(xùn)練而成的，再把它們結(jié)合在一起。每一個方法都可能帶來不同的錯誤，所以，平均了它們每一個方法成功的結(jié)果，它們就勝過了單獨一種方法。

舊有的AI并不能“學(xué)習(xí)”。它是基于規(guī)則的，它只是幾個人類寫成的“如果……那么……”。它只要能解決問題就被稱作是AI，但它不是機器學(xué)習(xí)，因為它不能從數(shù)據(jù)中進行學(xué)習(xí)。目前的AI和自動系統(tǒng)中大部分依然是基于規(guī)則的代碼。機器學(xué)習(xí)從20世紀60年代開始才被人了解，但就像人類大腦一樣，它需要大量的計算設(shè)備處理大量的數(shù)據(jù)。在20世紀80年代，要在PC上訓(xùn)練一個ML需要幾個月時間，而那時候的數(shù)字數(shù)據(jù)也非常稀少。手動輸入的基于規(guī)則的代碼能快速地解決大部分問題，所以機器學(xué)習(xí)就被遺忘了。但用我們現(xiàn)在的硬件，你能在幾分鐘內(nèi)就訓(xùn)練出一個ML，我們知道最佳的參數(shù)，而且數(shù)字數(shù)據(jù)也更多了。然后在2010年之后，一個又一個AI領(lǐng)域開始被機器學(xué)習(xí)所掌控，從視覺、語音、語言翻譯到玩游戲，機器學(xué)習(xí)勝過了基于規(guī)則的AI，而且通常也能勝過人類。

為什么AI在1997年的國際象棋比賽中就擊敗了人類，但直到2016年，才在圍棋比賽中擊敗了人類呢？因為在1997年，計算機僅僅簡單地計算出了國際象棋8x8棋盤中所有的可能性，但圍棋擁有19x19的可能性，計算機要計算出所有可能性需要十億年。這就像要隨機組合出所有字母，以此得到這樣一整篇文章一樣：這根本不可能。所以，人們已知的唯一的希望在于訓(xùn)練出一個ML，但是ML是近似的，不是確定的，機器學(xué)習(xí)是“隨機的”，它可以被用于統(tǒng)計分析的模式，但不能用于準確的預(yù)測。

機器學(xué)習(xí)讓自動化成為可能，只要你準備好訓(xùn)練ML的正確數(shù)據(jù)就可以了。

大多數(shù)機器學(xué)習(xí)都屬于監(jiān)督學(xué)習(xí)，這里用來訓(xùn)練的實例都是有標簽的，標簽就是關(guān)于每個實例的描述或者標注。你首先需要人工把那些關(guān)于貓的照片從關(guān)于狗的照片中分離出來，或者把垃圾郵件從正常郵件中分離出來。如果你錯誤地給數(shù)據(jù)打了標簽，最后ML就會不正確，這至關(guān)重要。把未打標簽的數(shù)據(jù)放到ML里，這就是無監(jiān)督學(xué)習(xí)，在這里ML會發(fā)現(xiàn)有用的數(shù)據(jù)的模型和群組，但它不能單獨用來解決很多問題。所以有些ML是半監(jiān)督式的。

在異常檢測中，你可以識別出不同尋常的東西，比如欺詐或者賽博入侵。一個通過老式欺詐訓(xùn)練出來的ML會錯過那些新式的欺詐。你可以讓ML對任何可疑的不同之處做出警告。政府部門已經(jīng)開始用ML來偵查逃稅行為了。

強化學(xué)習(xí)在1983年的電影《戰(zhàn)爭游戲》中就已經(jīng)有了體現(xiàn)，在電影里，計算機通過打通光速中的每一個場景，從而避免了第三次世界大戰(zhàn)。這個AI在百萬計的失敗與嘗試中探索，最終得到了巨大的回報。AlphaGo是這樣被訓(xùn)練而成的：它曾數(shù)百萬次地扮演自己的對手，從而獲得超越人類的技能。它使出了前所未見的招數(shù)，人類選手甚至可能會把它看做錯誤的招數(shù)。但后來，這些招數(shù)被公認為機智非凡。ML開始變得比人類圍棋選手更富有創(chuàng)造性。

在人們認為AI不是真正智能的時候，“AI效應(yīng)”就出現(xiàn)了。人們在潛意識里需要相信魔力，需要相信人類在宇宙中的獨一無二。每一次機器在某一項智能活動中超越了人類時，比如在下象棋、識別圖片或者翻譯時，人們總是會說：“那只是強力計算能力，那不是智能。”很多app里都有AI存在，然而一旦被廣泛應(yīng)用，它就不再被稱作“智能”。如果“智能”只是AI沒有達成的技能（也就是獨屬于大腦的技能），那字典每一年都要被更新，比如：數(shù)學(xué)在20世紀50年代之前才被認為是智力活動，現(xiàn)在已經(jīng)不是了。這真是太奇怪了。關(guān)于“強力計算能力”，一個人類大腦擁有100萬億個神經(jīng)元連接，比地球上任何一個計算機所擁有的都多得多。機器學(xué)習(xí)不能做“強力計算”，如果讓機器學(xué)習(xí)去嘗試所有連接，那需要花上十億年的時間。機器學(xué)習(xí)只會“在被訓(xùn)練的基礎(chǔ)上進行猜測”，并且它使用的計算能力比大腦使用的要少。所以，應(yīng)該是AI來宣稱人類大腦不夠智能，來宣稱人類大腦只是強力計算能力而已。

機器學(xué)習(xí)并不是一個人類大腦模擬器，真正的神經(jīng)元要不同得多。機器學(xué)習(xí)是通往真正大腦能力的另一條通路。大腦和機器學(xué)習(xí)都要處理統(tǒng)計數(shù)字（概率）來逼近復(fù)雜函數(shù)，它們都會給出稍微有點偏差的結(jié)果，但這個結(jié)果是可用的。機器學(xué)習(xí)和人類大腦會針對同一任務(wù)給出不同的結(jié)果，因為它們以不同的方式處理問題。所有人都知道，大腦容易忘記事情，并且在解決特定數(shù)學(xué)問題的時候也有很多限制，但機器在記憶和數(shù)學(xué)方面是完美無缺的。然而，那些認為“機器要么給出確切答案，要么就是機器壞了”的舊想法是錯誤的、過時了的。人類會犯很多錯，你不會聽到說這個人類大腦壞掉了，而是會聽到讓這個人類大腦更努力地學(xué)習(xí)。所以，ML也不是壞掉了，它們需要更努力地學(xué)習(xí)，在更多不同的數(shù)據(jù)中學(xué)習(xí)。

AI正在變得像人類一樣神秘。那些認為計算機無法擁有創(chuàng)造力，不能撒謊、出錯或者像人類一樣的想法，是來自于舊有的基于規(guī)則的AI，這些AI確實是可預(yù)測的，但它們會隨著機器學(xué)習(xí)的出現(xiàn)而發(fā)生改變。AI一旦掌握了某些新的能力，就被稱作“不夠智能”，這樣的時代已經(jīng)結(jié)束了，對AI來說，唯一真正重要的區(qū)別是：通用AI，或者狹義AI。

和其他科學(xué)不同，你無法驗證一個ML是否在使用邏輯化的理論。要判斷一個ML是否正確，你只能通過測試那些不可見的新的數(shù)據(jù)結(jié)果。ML不是一個黑匣子，你可以看到那些它生成和運行的“如果……那么……”列表，但通常對一個人類來說，這些數(shù)據(jù)量太大太復(fù)雜了。ML是一門試圖重現(xiàn)現(xiàn)實世界之混亂與人類直覺的實用科學(xué)，它不會給出簡單的或理論化的解釋。這就好像，你有一個行得通的想法，但你不能具體解釋出自己是怎么得出這個想法的。對于大腦來說，這被稱為靈感、直覺、潛意識，但對計算機來說，這就是機器學(xué)習(xí)。如果你能得到一個人在大腦里做出決定所需的全部神經(jīng)信號，你就能理解大腦做出這個決定的真正緣由和過程嗎？或許能吧，但這很復(fù)雜。

每個人都可以通過直覺來想象另一個人的臉，可以是現(xiàn)實的臉也可以是畢加索式的臉。人們還能想象一種聲音或者音樂風(fēng)格。但沒人能用完整而有效的方式來描述一張臉、聲音或者音樂風(fēng)格的變化。人類只能看到三個維度，即使愛因斯坦也不能有意識地解決500個維度上機器學(xué)習(xí)一般的數(shù)學(xué)問題。但我們的人類大腦一直在用直覺解決這種500維的數(shù)學(xué)問題，就像魔法一樣。為什么它不能被有意識地解決呢？想想一下，如果對每個想法，大腦都給出它所使用的有上千個變量的公式，會怎樣？那些多余的信息會讓我們非常困惑，并且大幅減緩我們思考的速度，這又何必呢？沒有人類能進行幾頁長的數(shù)學(xué)計算，我們的頭上并沒有進化出USB電纜那樣的東西來。

有缺陷的自動化會提升人類的工作，而不會殺死這些工作。

如果沒有人能預(yù)測任何事，那么機器學(xué)習(xí)同樣做不到。很多人用多年的市場價格變化來訓(xùn)練ML，但這些AI還是無法預(yù)測市場走向。ML只有在過去的因素和趨勢保持不變的情況下進行預(yù)測。但股票和經(jīng)濟趨勢經(jīng)常變動，幾乎是隨機的。當舊的數(shù)據(jù)不再有效或者頻繁出現(xiàn)錯誤的實話，ML就會失靈。已經(jīng)習(xí)得的任務(wù)和規(guī)則必須保持一致，或至少是很少再變動，這樣你才能再次訓(xùn)練。舉個例子，學(xué)習(xí)開車、打撲克、按某種風(fēng)格畫畫、根據(jù)健康數(shù)據(jù)預(yù)測疾病、在不同語言之間進行轉(zhuǎn)換，這些是機器學(xué)習(xí)能做到的，舊有的實例在近期未來依然會是有效的。

機器學(xué)習(xí)能在數(shù)據(jù)中找到因果聯(lián)系，但它找不到并不存在的東西。比如，在一項名為“使用面部圖像自動識別罪犯”的怪異研究中，ML學(xué)習(xí)了很多在押罪犯和無罪者的面部照片，研究者聲稱，機器學(xué)習(xí)只根據(jù)一張面部照片就能抓到新的“壞人”，但研究者“感覺”，更進一步的研究將駁回根據(jù)面貌進行判斷的有效性。他們的數(shù)據(jù)設(shè)置是有偏見的：有些看起來無辜的白領(lǐng)罪犯甚至?xí)靶λ麄兊淖龇āL能學(xué)到的唯一聯(lián)系是開心或生氣的嘴巴、領(lǐng)子的類型等。那些微笑著的穿著白領(lǐng)的人被分類為無辜誠實的，而那些看起來悲傷的穿黑領(lǐng)衣服的人則和“壞人”相關(guān)。那些機器學(xué)習(xí)專家嘗試著用人們的面部來判斷這個人的好壞，但他們卻不能通過衣著（社會階層）去判斷。機器學(xué)習(xí)放大了一種不公平的偏見：街上穿著便宜衣服的小賊比腐敗的政客和頂級企業(yè)欺詐者更容易被發(fā)現(xiàn)并受到懲罰。這種機器學(xué)習(xí)將會發(fā)現(xiàn)所有街上的小賊并把他們投入監(jiān)獄，但一個白領(lǐng)都沒有。機器學(xué)習(xí)并沒有像任何一個成年人那樣在我們這個世界生活過，它們不知道在數(shù)據(jù)以外還有什么，連那些很“明顯的”也不知道，舉個例子：在一場火災(zāi)中，火勢越大，被派去的救火車就越多。一個ML會注意到，在一個火場的消防員越多，第二天看到這場造成的破壞就越大，所以正是那些救火車導(dǎo)致了火災(zāi)破壞。結(jié)論：機器學(xué)習(xí)會以縱 火罪把消防員送進監(jiān)獄，因為這其中有95％的相關(guān)性！

（機器學(xué)習(xí)不能從不存在的東西中尋找相關(guān)性，比如：帶有犯罪傾向的面部。但這些數(shù)據(jù)是帶有偏見的：沒有微笑著的白領(lǐng)罪犯在其中！機器學(xué)習(xí)會學(xué)到這些偏見。）

在某些情況下，機器學(xué)習(xí)能預(yù)測人類不能預(yù)測的事情。“Deep Patient”是一個由紐約西奈山醫(yī)院用70萬患者數(shù)據(jù)訓(xùn)練而來的ML，它能用來預(yù)測精神分裂癥，而沒有任何一個人類明白要如何預(yù)測！只有ML可以做到，人類無法通過學(xué)習(xí)機器學(xué)習(xí)而做到同樣的事情。這就是問題所在：對一項投資、醫(yī)療、司法和軍事決定來說，你可能想知道AI是如何得出它的結(jié)論的，但你無法知道。你無法知道機器學(xué)習(xí)為什么拒絕了你的貸款，為什么判定你入獄，為什么把一個工作機會給了別人。ML公不公平？機器學(xué)習(xí)計算是可見的，但它們很難做成人類可閱讀的總結(jié)。機器學(xué)習(xí)就像個預(yù)言者那樣講話：“你們?nèi)祟惒焕斫猓词刮艺故窘o你們數(shù)學(xué)你們也不懂，所以信奉我吧！你測試過了我以往的預(yù)測，它們都是對的！”

人類也從來不會完整地解釋他們所做的決定。我們會給出聽起來合理的理由，但卻通常是不完整的過于簡化的理由。那些總能從ML那里得到正確的答案的人們，會開始編造虛假的闡釋，就是因為這樣會讓公眾更容易認可ML的預(yù)測。還有些人會偷偷使用ML，并把得出的想法說成是他們自己的想法。

ML是有限的，就是因為它們?nèi)狈νㄓ弥悄芎褪孪鹊某ＷR。即使把所有專業(yè)的ML融合在一起，或者訓(xùn)練一個ML做所有事情，它依然無法完成通用智能的工作。舉個例子，拿理解語言來說，你不能和Siri、Alexa或Cortana談?wù)撍性掝}，就像和真正的人聊天那樣，它們只是智能助手。在2011年，IBM的Watson在Jeopardy節(jié)目中比人類選手回答得更為迅速，但它卻把加拿大和美國搞混了。ML能夠為長文生產(chǎn)出實用的簡短總結(jié)，包括做出情緒分析，但卻不能像人類那樣可靠地完成這項工作。聊天機器人無法理解太多問題。目前也沒有任何一個AI能完成對一個人來說很容易的事情：推測一個顧客是否是惱怒的、充滿諷刺的，并進而調(diào)整自己的語調(diào)。并不存在像電影里那種通用的AI。但我們依然可以得到一些科幻式AI的細枝末節(jié)，也就是那些在某個狹窄專業(yè)領(lǐng)域里勝過人類的AI。最新的消息是，狹窄領(lǐng)域也可以包括有創(chuàng)造性的或那些通常被認為只有人類能做的事情，比如繪畫、作曲、創(chuàng)作、猜測、欺騙和偽造情緒等，這些看起來都不需要通用的AI。

沒人知道如何造出一個通用AI。這真是棒極了，我們已經(jīng)擁有了超人類的專業(yè)工人（狹義AI），但沒有任何一個終結(jié)者或黑客帝國會自己決定要殺掉我們。不幸的是，人類會訓(xùn)練機器頃刻間殺掉我們，舉例來說，一個恐怖分子可能會訓(xùn)練一個自動駕駛的卡車沖撞人行道。而擁有通用智能的AI可能會自我毀滅，也不會遵循恐怖分子的指令。

AI倫理可能將被入侵，并且重新編程為非法的模式。目前的AI既不是通用的也不是屬于科學(xué)家的AI，它總是會遵從人類的指令。

AI會殺死舊有的工作，但還會創(chuàng)造出新的機器學(xué)習(xí)訓(xùn)練員的工作，就和寵物訓(xùn)練員有點類似，而不像工程師。一個ML比一直寵物要難訓(xùn)練多了，因為它不具備通用智能，它會學(xué)會它從數(shù)據(jù)中看到的所有東西，不帶任何篩選和常識甄別。一只寵物在學(xué)會做壞事之前還會三思而后行，比如說殺死它的小伙伴們之類的。然而對ML來說，它為恐怖分子服務(wù)或為醫(yī)院服務(wù)沒什么區(qū)別，而且它也不會解釋自己為什么要這樣做。ML并不會為自己的錯誤和它為恐怖分子營造的恐怖氛圍而道歉，它畢竟不是一般的AI。

實用機器學(xué)習(xí)訓(xùn)練。如果你用手拿著物品的照片訓(xùn)練一個ML，它會把手看做是這個物品的一部分，也就無法單獨識別出這個物品本身。一只狗知道如何從人的手上吃東西，而那愚蠢的ML則會把食物連同你的手一起吃掉。要改掉這個問題，那就要先訓(xùn)練它認識手，再訓(xùn)練它認識單獨的物品，最后訓(xùn)練手拿著物品的情況，并打上標簽“手握著物品X”。

對一個小公司的大多數(shù)工作來說，訓(xùn)練人工要比訓(xùn)練機器學(xué)習(xí)便宜得多。教一個人類開車很容易，但讓機器學(xué)會開車去漫長而艱難。當然，也許讓機器來開車比人類要安全，尤其是考慮到那些喝醉了的、困倦不堪的、看著手機開車的、無視限速的人或者那些本性瘋狂的人類。但那么昂貴和可靠的訓(xùn)練只在大公司里有可能存在。用便宜方法訓(xùn)練出來的ML既靠不住又十分危險，但只有很少的公司有能力訓(xùn)練出可靠的AI。一個受訓(xùn)的ML永遠無法被復(fù)制，不像一個大腦的經(jīng)歷被傳送到另一個大腦中那樣。大的提供商將會售賣未經(jīng)訓(xùn)練的ML來完成可重復(fù)使用的任務(wù)，比如“放射科醫(yī)師ML”。ML可以補充一個人類專家，專家總是被需要的，但它可以替代其他“多余的”員工。一家醫(yī)院可以聘用一位放射科醫(yī)師監(jiān)督ML，而不用聘用很多個放射科醫(yī)師。放射科醫(yī)師這個工作并不會滅絕，只是在每家醫(yī)院的工作職位變少了。訓(xùn)練ML的公司將會把ML賣給多家醫(yī)院，從而賺回投資資金。每一年，訓(xùn)練ML需要的成本都會降低，因為越來越多人將學(xué)會如何訓(xùn)練ML。但由于數(shù)據(jù)儲備和測試的原因，可靠的ML訓(xùn)練最終也不會變得非常廉價。在理論上說，很多工作任務(wù)都可以被自動化，但實際上只有一部分工作抵得過訓(xùn)練一個ML的成本。對于那些過于不尋常的工作，比如泌尿科醫(yī)師，或者翻譯一種古代的已經(jīng)失傳的語言，這樣的工作，其人類薪資從長期來看依然比一次性訓(xùn)練一個ML來的便宜，因為從事這種工作的人數(shù)太少了。

在ML研究之外，人類依然會繼續(xù)從事通用AI的工作，IQ測試是錯誤的，IQ測試并不能預(yù)測人們在生活中的成功，因為那是非常多不同智能的綜合，視覺、語言、邏輯、人際關(guān)系等等，但結(jié)果依然不能用量化的IQ數(shù)字來衡量。我們認為，和人類IQ比起來，昆蟲是“愚蠢的”，但一直以來，蚊子在“咬完就跑”這樣一個單獨的任務(wù)上都勝過了人類。每一個月，AI都在更加狹窄的任務(wù)領(lǐng)域打敗人類，就像蚊子的技能那樣狹窄。等到奇點時刻來臨，AI將在所有事情上打敗我們?nèi)祟悾@很可笑。我們正在遇見很多個狹義的奇點，一旦AI在某件事上打敗了人類，所有人都期待著那些監(jiān)督AI的人放棄他們的工作。我總是讀到這樣的文章，認為人類將能夠保有他們獨一無二的有缺陷的手工工作，但事實上，AI是可以假裝有缺陷的，它們會學(xué)著在每一件制成品中做出手工一般的不同缺陷。要預(yù)測AI下一個會戰(zhàn)勝什么領(lǐng)域的人類，這不太可能，AI是有創(chuàng)造力的，但它依然缺乏通用的智能。舉個例子：喜劇演員和政客的工作是安全的，雖然他們不需要獨特的（狹窄的）學(xué)習(xí)或?qū)W位，但他們就是能夠用幽默和有說服力的事情談?wù)撊魏问虑椤Ｈ绻愕膶I(yè)是一個復(fù)雜卻狹窄的通用任務(wù)，比如你是放射科醫(yī)師，ML就會受訓(xùn)來取代你。你需要具備通用智能！

感謝?陳思?對本文的審校。

本文轉(zhuǎn)載自異步社區(qū)

專屬主機

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。