为什么我的电脑无法理解我?

日期:2017-08-18 05:05:20 作者:公乘咐什 阅读:

<p>Hector Levesque认为他的计算机很愚蠢 - 而你的计算机也是如此,Siri和谷歌的语音搜索也可以理解罐头句子,比如“7点钟附近有什么电影在我身边</p><p>”,但问题是什么</p><p>鳄鱼跑百米栏</p><p>“ - 以前没有人听说过</p><p>任何一个普通的成年人都可以找到一个(No Alligators不能跨栏)但是如果你把问题输入谷歌,你会得到关于佛罗里达Gators田径的信息其他搜索引擎,如Wolfram Alpha,无法回答这个问题,要么Watson,一个赢得“危险!”的计算机系统,可能不会做得更好在最近一次人工智能国际会议上发表的一篇很棒的论文中,研究这些问题的多伦多大学计算机科学家Levesque刚刚采取了关于人工智能领域的每个人的任务他都认为他的同事已经忘记了人工智能的“智能”部分</p><p>莱维斯特开始批评艾伦图灵着名的“图灵测试”,其中一个人,通过问题 - 和 - 回答会议,试图区分机器和人们你认为如果一台机器可以通过测试,我们可以安全地得出机器是智能的但是Levesque认为图灵测试几乎毫无意义,因为它太容易游戏每年,许多机器在真正的挑战中竞争,寻求称为Loebner奖的东西但是获胜者并不是真正聪明的;相反,它们往往更像客厅技巧,而且它们几乎天生具有欺骗性如果一个人问机器“你有多高</p><p>”并且机器想要赢得图灵测试,它别无选择,只能说服它事实上,胜利者倾向于使用咆哮和误导,远远超过任何接近真实智能的东西</p><p>一个程序通过假装偏执而工作;其他人通过抛弃那些分散对话者注意力的一线人做得很好在打击图灵测试的大多数努力中涉及的伪造是象征性的:人工智能的真正使命应该是建立智能,而不是构建专门用于修复某种类型的软件</p><p>任意测试为了让这个领域重回正轨,Levesque鼓励人工智能研究人员考虑一个更难以游戏的不同测试,他建立在与Leora Morgenstern和Ernest Davis(我的合作者)共同完成的工作之上</p><p>他们创造了一系列挑战,名为Winograd Schemas,以斯坦福大学开创性的人工智能研究员Terry Winograd命名</p><p>在20世纪70年代早期,Winograd询问如何构建能够回答这样问题的机器:镇议员拒绝向愤怒的示威者发放许可证,因为他们害怕暴力谁害怕暴力</p><p> a)镇议员b)愤怒的示威者莱维斯克,戴维斯和摩根斯坦已经发展出一系列类似的问题,这些问题对于一个聪明的人来说很容易,但对于仅仅运行谷歌搜索的机器来说很难有些人或多或少只有谷歌证明因为他们是关于化妆的人,根据定义,他们几乎没有谷歌的点击率:琼一定要感谢苏珊给予她所给予帮助的所有帮助</p><p> a)Joan b)Susan(为了让游戏变得更难,另一种形式用“收到”代替“给定”)人们不能简单地计算人们称Joan或Susan给其他人帮助的网页数量</p><p>回答这个问题需要对人类语言的微妙之处以及社交互动的本质有一个相当深刻的理解</p><p>其他人是谷歌证明,因为短吻鳄的问题是:短吻鳄是真实的,但有关的特殊事实不是人们通常评论例如:大球在桌子上坠毁,因为它是由聚苯乙烯泡沫塑料制成的什么是聚苯乙烯泡沫塑料</p><p> (替代配方用钢代替Stryrofoam)a)大球b)桌子Sam试图用绵羊描绘牧羊人的照片,但他们最终看起来更像高尔夫球手看起来像高尔夫球手</p><p> a)牧羊人b)绵羊这些例子取决于被称为回指的语言现象,因为它们需要常识 - 这仍然无法使用机器 - 并且因为它们得到了人们在Web上无需提及的东西页面,并不是最终的巨型数据集 更广泛地说,它们是我喜欢称之为长尾问题的实例:常见的问题通常只能通过网络搜索来回答,但是罕见的问题仍然会阻碍整个网络的所有资源充满大数据大多数人工智能程序如果他们正在寻找的东西没有明确地在网页上拼写出来,这就是麻烦这是沃森最着名的失误多伦多错误在美国一个城市的原因的一部分同样的问题出现在图像搜索中,两种方式:很多种图片很少见,很多种标签很少见有数百万只猫的图片标有“猫”;但Google Image搜索“带巧克力香烟的潜水员”几乎没有任何相关性(雪茄,迷人女孩,海滩和巧克力蛋糕的数十张图片) - 即使任何人都可以轻易地召唤一个心理形象适当装饰的潜水员或者采用“惯用右手的人”这个短语网上充满了右撇子男人的照片,这些男人从事明显的右手动作(比如投掷棒球),任何在照片档案中工作的人都可以快速理清但很少有这些照片被贴上标签</p><p>搜索“右撇子”而不是返回一个体育明星,吉他,高尔夫球杆,钥匙链和咖啡杯的抓包一些是相关的,但大多数不是Levesque保存他对论文结尾最严厉的批评不仅当代人工智能还没有解决这些问题;当代人工智能基本上已经忘记了他们在莱维斯克的观点中,人工智能领域陷入了“连续银弹”的陷阱,总是在寻找下一件大事,无论是专家系统还是大数据,但从不煞费苦心地分析普通人所拥有的所有细微而深刻的知识这是一项庞大的任务 - “更像是一座山,而不是铲车道”,Levesque写道,但这就是该领域需要做的事情简而言之,Levesque呼吁他的同事们停止虚张声势正如他所说的那样,“通过更充分地认识到我们自己的研究没有解决的问题,并且愿意承认可能需要采用其他......方法,可以获得很多东西”或者,换句话说,试图竞争对手的人类智慧,没有考虑到最好的人类思维的所有错综复杂,