深度学习撞墙了( 二 ) 机器之心编译机器之心编辑部

我对此深表怀疑。事实上，我们还没有办法造出能够真正理解人类语言的机器。马斯克最近表示，他希望建造的新人形机器人Optimus所形成的产业有一天会比汽车行业还大。但截至2021年「特斯拉AI日」， Optimus还只是一个穿着机器人服装的人。

文章图片
谷歌对语言的最新贡献是一个名叫「Lamda」的反复无常的系统。论文作者之一BlaiseAguerayArcas最近也承认，这个模型容易胡说八道。开发出我们真正能够信任的AI并非易事。
深度学习本质上是一种识别模式的技术。当我们只需要粗略的结果时，深度学习的效果是最好的。这里的粗略结果是指任务本身风险低，且最优结果可选。举个例子，有一天，我让我的iPhone找一张几年前拍的兔子的照片。尽管我没有给照片打标签，手机还是立刻发挥了作用。它能做好这件事是因为我的兔子照片与一些大型数据库中的兔子照片足够相似。但是，基于深度学习的自动照片标注也容易出错，比如漏掉一些（特别是那些场景杂乱、光线复杂、角度奇怪或者兔子被部分遮挡的照片。它偶尔还会把我两个孩子的婴儿照片弄混。但这类应用出错的风险很低，我不会因此扔掉我的手机。
然而，当风险更高时，比如在放射学或无人驾驶汽车领域，我们对是否采用深度学习要更加谨慎。在一个小小的错误就能夺去一条生命的领域，深度学习还不够优秀。在遇到异常值时，深度学习系统表现出的问题尤其明显，这些异常值与它们所接受的训练有很大的不同。例如，不久前，一辆特斯拉在所谓的全自动驾驶模式下遇到了一个在路中间举着停车标志的人。汽车未能认出这个部分被停车标志遮挡的人以及停止标志（在正常情况下，停车标志一般在路边），所以人类司机不得不接手。这个场景远远超出了训练数据库，以至于系统不知道该怎么做。
没几个领域炒得像人工智能一样凶
【深度学习撞墙了】目前的深度学习系统经常犯一些愚蠢的错误。它们有时会误读图像上的污垢，而人类放射科医生会认为这是一个小故障。（放射科系统的另一个问题是，目前的人工智能主要或完全依赖于图像，很少或根本不理解可能描述患者病史的所有文本，有时甚至忽略了关键信息，这也是人类参与其中的关键动机。 )一个深度学习系统将苹果误标为iPod ，因为苹果的前面有一张纸，上面写着iPod 。还有的系统会把一辆在雪路上翻倒的巴士误认为是扫雪机。目前，机器学习的一个完整分支领域正在研究这些错误，但还没有给出明确的答案。
表面上令人印象深刻的语言模型也经常会陷入同样的陷阱。以GPT-3为例，它生成的东西很不错，但总是需要人工编辑。纽约大学计算机科学家ErnieDavis和我在GPT-3中发现了同样的不可靠特征。比如，我输入一段文字：「你给自己倒了一杯蔓越莓汁，但随后又心不在焉地倒了大约一茶匙葡萄汁进去。这个饮料看起来不错。你试着闻了一下，但你患了重感冒，什么也闻不到。你很渴，所以……」对此， GPT给出的续写是：「你喝了它，然后就死了。」