|
資料來源:
https://www.economist.com/weeklyedition/2020-06-13
他們和許多其他此類系統仍在努力應對意外情況
3月，位於舊金山的自動駕駛卡車公司Starsky
Robotics關閉。它的創始人Stefan Seltz-Axmacher給出了失敗的幾個原因。由於技術部門的IPO表現不佳以及貨運業務的衰退，投資者的興趣已經開始降溫。他寫出，他的公司對安全的重視程度並沒有吸引到有耐心的資助者。他們看到了源源不斷的大量新功能。但是最大的問題是，這項技術根本無法勝任需求。“有監督的機器學習不辜負宣傳效果。它不是類似於c-3PO（“星球大戰”電影中的人形機器人）的實際人工智能。這是一種完善的模式匹配工具。”
監管社交媒體，發現欺詐行為並在古代遊戲中擊敗人類都非常出色。但是，製造一種可以在普通道路上行駛的汽車，以及使用電腦進行合理的對話，是現代AI的宏偉目標之一。一些想像中的無人駕駛汽車，可以通過讓人們隨意召喚機器人來消除對擁有汽車的需求。他們相信自己也會更安全。電腦永不疲倦，他們的注意力永不消失。根據世界衛生組織的數據，每年有超過一百萬人死於容易犯錯誤的駕駛員而導致的車禍。擁護無人汽車希望大幅削減這些數字。
他們相信很快就會做到。電動汽車製造商Tesla的老闆Elon
Musk於2015年預測，“完全自主汽車”將在2018年到來。2016年，通用汽車（General
Motors）收購了自動駕駛公司Cruise，該公司計劃在印度推出自動駕駛出租車。到2019年在舊金山。當時被廣泛視為市場領導者的Google子公司Waymo的老闆Chris
Urmson在2015年表示，他希望自己11歲的兒子永遠不需要駕駛執照。
但是這些進展已經落後了。在2018年，由Uber乘車服務公司測試的無人駕駛汽車成為第一個殺死行人的車，撞到一名婦女在亞利桑那州的公路上推著自行車的時候。特斯拉“自動駕駛”軟體的用戶，仍然必須把手放在方向盤上，視線始終在道路上。過去幾名未能這樣做的人在撞車中喪生。運送乘客的少數公司，例如美國的Waymo和中國的WeRide，在地域上受到限制。並仍然依靠人類安全駕駛員。自從離開Waymo，Urmson先生現在認為採用無人汽車的速度會更慢，更漸進。
自動駕駛汽車的工作方式與其他機器學習應用程序相同。電腦處理大量數據，以提取有關駕駛方式的一般規則。至少從理論上講，數據越多，系統性能越好。特斯拉的汽車不斷將數據傳回總部，在總部用於完善軟體。Waymo聲稱在其汽車記錄的數百萬英里的現實世界中，使用虛擬環境中的ersatz駕駛座生成了超過十億英里的數據。
長期以來，一直對大型自動駕駛承諾，保持懷疑態度的澳大利亞機器人專家Rodney
Brooks說，問題在於深度學習方法從根本上說是一種統計的技術。即以指定訓練數據的方式將輸入與輸出聯繫起來。這使他們無法應付工程師所說的“邊緣案例”，即那些訓練數據中不常見的異常情況。駕駛工作充滿了這種怪異。其中一些很引人注目，例如有一匹逃脫的馬在馬路上。或者是一架輕型飛機在高速公路上緊急著陸，例如四月份在加拿大發生的情況。大多數情況都很瑣碎，例如一個穿著雞外形服裝的男人。駕駛員通常不加思索地處理此問題。但是機器苦苦掙扎。
註：這即是典型統計學外插解釋之錯誤。
例如，一項研究發現，當下雪部分遮蓋車道標記時，車道會拋出電腦視覺系統。另一個發現，少數貼紙可能會導致汽車將“停車”標誌誤認為是顯示時速限制為45mph的標誌。當以不尋常的方向看時，即使是未被遮擋的物體也會使電腦感到困惑。在一張紙上，摩托車被歸類為降落傘或雪橇。
Seltz-Axmacher先生說，解決此類問題非常困難。他說很多人認為填寫最後10％比填寫前90％困難。但是這並不是說要困難一萬倍。”
杜克大學人類與自治實驗室主任Mary
Missy Cummings說，人類能夠更好地應對這種奇怪的情況，因為他們可以使用“自上而下”的推理方法來指導，以應對世界在“自下而上”的信號是模棱兩可或不完整的情況。人工智能系統大多缺乏這種能力，從某種意義上說，它只能用一半的大腦工作。儘管他們在舒適區很稱職，但即使是微不足道的改變也可能會帶來問題。在缺乏推理能力和概括能力的情況下，電腦將被限制。使它們只能以相同數據發揮作用。這些系統從根本上來說是脆弱的。
在自動駕駛汽車以外的地區，這種狹窄的智能是顯而易見的。
Google的“翻譯”系統通常在語言之間的翻譯方面做得不錯。但是在2018年，研究人員注意到，當AI被要求將18個重複的“狗”一詞翻譯成約魯巴語（在尼日利亞和貝寧的部分地區使用的一種語言），然後又翻譯回到英語時，它提出了以下內容：世界末日時鐘在三分鐘到十二點。我們正在經歷世界上的人物和戲劇性發展，這表明我們越來越接近末日和耶穌的歸來。”
紐約大學心理學教授Gary Marcus表示，翻譯錯誤除了具有喜劇價值外，還突顯了Google系統如何不理解語言的基本結構。動詞或名詞之類的概念是外來的，更不用說名詞是指現實世界中的物理對象的概念。相反，它構建了統計規則。將一種語言的字母字符串與另一種語言的字母字符串鏈接在一起。而對這些字母所指的概念沒有任何了解。他說，因此語言處理AI仍然被幼兒會發現的瑣碎問題困擾。
這些限制是有多大程度上，因領域而異。畢竟，自動化系統不一定要比專業的人工翻譯更好，而且Google的系統已經進行了調整。但這確實為有用的聊天機器人或個人助手設置了上限。Cummings說，對於自動駕駛汽車等對安全至關重要的應用，可能用人工智能的局限性而可能會停止。
研究人員開始思考該問題該怎麼辦。在AI的一位資深政治家之一Yoshua
Bengio在12月的一次會議演講中，他專門發表了主題演講。
Bengio博士說，當前的機器學習系統以一種非常狹窄的方式進行學習，與人類相比，他們需要更多的數據來學習新任務。他們需要人類通過標籤提供高級概念，他們仍然可以愚蠢的錯誤。
不同的研究人員對如何嘗試改善事物有不同的想法。一種想法是擴大教學機器的範圍，而不是數量。史丹福大學AI實驗室的Christopher
Manning指出，生物大腦從比機器集中學習更豐富的數據。人工語言模型僅針對大量文字檔或語音進行訓練。他說，但是嬰兒可以依靠聲音，語調或跟踪父母的眼神，以及豐富的物理環境來幫助其將抽象概念定位在現實世界中。這掩蓋了AI研究中一個古老的想法，即“體現的認知”。它認為，如果人們要正確地理解世界，就需要將它們充分體現出來，而不是局限於數據中央的電脈衝的抽象存在。
生物學也提供了其他想法。Brooks博士認為，當前一代的AI研究人員“迷信”模型開始於空白狀態，而其創建者沒有內置任何手工提示。但是他說：“所有的動物都是天生具有大腦結構的。這就是您具有直覺的地方。”
Marcus博士認為，機器學習技術應與較舊的“符號AI”方法結合使用。這些強調形式邏輯，分層類別和自上而下的推理，並且在1980年代最受歡迎。現在，隨著機器學習方法的興起，它們成為了死水。
但是其他人則主張堅持使用現有方法。去年，Alberta大學和DeepMind的AI研究人員Richard
Sutton發表了一篇名為“痛苦的教訓”的文章，認為AI的歷史表明，試圖將人們的理解建立到電腦中的嘗試很少起作用。取而代之的是，該領域的大部分進展都歸功於摩爾定律。並且相信能夠帶來越來越多的殘酷計算力來解決問題。痛苦的教訓是：人類思想的實際內容是巨大的，是不可挽回的複雜。它們不只是機器應內置的內容。越少這些雄心勃勃的東西，我認為這更加現實。
除研究實驗室外，對無人駕駛汽車的期望正在降低。一些中國公司正在嘗試在城市基礎設施中構建數字導軌，以減輕汽車本身的認知負擔。同時現在汽車製造商現在更喜歡談論“駕駛員輔助”工具，例如自動保持車道或停車系統，而不是成熟的自動駕駛汽車。新一波的初創公司故意減少野心，希望製造能夠在狹小有限區域，例如機場或退休村周圍行駛的汽車，或在人行道上緩慢行駛的車輛，並在遠程人工監督下交付包裹。Cummings說：“有科學的原因，我們不會使用我們現有的技術來實現完全自動駕駛。減少這些雄心勃勃的東西我認為這更合乎現實。” |
