讓智能模型“說人話”背后：AI可知論與不可知論的糾葛纏斗互聯(lián)網(wǎng)+
導(dǎo)讀
其實AI的可知論和不可知論之間，最核心的問題就是“AI出現(xiàn)了問題該怎么辦？”
其實AI的可知論和不可知論之間，最核心的問題就是“AI出現(xiàn)了問題該怎么辦？”
現(xiàn)如今人類對于AI的應(yīng)用，就好像帶媽媽去外面的餐廳吃飯，媽媽們不光要吃，還總想弄明白這些菜是怎樣做成的。就如同神經(jīng)網(wǎng)絡(luò)越是高效，我們就越好奇黑箱里究竟發(fā)生了什么。
一直以來我們對于AI可解釋性的追求可以被分為兩層，一是從技術(shù)角度探尋神經(jīng)網(wǎng)絡(luò)黑箱的運行機(jī)制；二是從社會角度將AI技術(shù)原理更多地解釋給各個行業(yè)。
雖然計算機(jī)科學(xué)家們一直沒有停止對神經(jīng)網(wǎng)絡(luò)黑箱突破的探索，但也有人曾經(jīng)明確地表示過，追求可AI的可解釋性并不是什么好主意。
去年年底，谷歌大腦負(fù)責(zé)人Geoff Hinton就曾在接受媒體采訪時說過若干“AI不可解釋”的理由。其中很重要的一點是，他認(rèn)為大多數(shù)人也沒法很好的解釋自己做出一種決策的理由，如果強(qiáng)迫人類對自己的行為做出解釋，結(jié)果很可能就是讓人類說出違心的謊言。AI也是一樣，也許強(qiáng)行在AI算法中加入可解釋性，得出的結(jié)果很可能只是一種“針對于解釋需求的答案”，并不能發(fā)揮出人們所期望的作用。他可以說是一位堅定的“AI不可知論”支持者。
讓AI模型說人話
不過在幾天前，佐治亞理工學(xué)院就推出了一種讓AI用人類語言解釋自己行為的模型。
整個模型的訓(xùn)練過程，建立在一款“小青蛙過馬路”的古老游戲上。游戲中玩家要操控著小青蛙前后左右躲避來往車輛，成功到達(dá)馬路對岸。
佐治亞理工學(xué)院先是收集了大量的人類樣本，讓人類實驗員玩一遍游戲，然后再回溯整個游戲過程，解釋出自己的每一步動作有哪些意圖。例如向左走是想躲避開后方來車，向前跳躍是因為漂浮的荷葉剛好來到自己面前。
這樣一來，可以將自然語言與游戲控制結(jié)合在一起建立映射。將這一模型遷移到AI的訓(xùn)練中，最終結(jié)果是AI在每進(jìn)行一步動作時，都會用自然語言解釋出自己的意圖。
實驗者可以再根據(jù)四個維度對AI的行為和解釋進(jìn)行評分，這四個維度分別是“信任（認(rèn)為AI的這一步行動是正確的）”“人性化（認(rèn)為這是人類采取的行動）”“理由充分（語言解釋和行為動作有相關(guān)性）”“可理解性（能看懂所給出的自然語言解釋）”。
由此以來，就可以對AI的游戲能力和自我解釋能力進(jìn)行共同的訓(xùn)練。
佐治亞理工學(xué)院所研發(fā)的這一模型，為AI的可解釋性帶來不少全新角度的突破。
當(dāng)AI進(jìn)行錯誤決策時，我們可以清晰地看到AI究竟錯在哪了。比如在游戲中小青蛙被路過的汽車撞死導(dǎo)致游戲失敗，通過自然語言解釋，我們可以看到可能是AI沒有“想到”要躲避汽車而導(dǎo)致失敗，還是已經(jīng)“想到”了，卻因想法和行為沒能成功匹配而導(dǎo)致失敗。在后期進(jìn)行參數(shù)調(diào)整時可以更加有的放矢，明確地找到問題所在。
更重要的是，這一過程完全是由人類的自然語言所表達(dá)的，普通人也能看到并理解問題發(fā)生的整個過程。技術(shù)的可解釋權(quán)不再受信息科技知識基礎(chǔ)所限制，甚至可以讓更多人參與到AI訓(xùn)練的過程中來。
AI可知論，是在開技術(shù)的倒車嗎？
但“小青蛙模型”并不能解決Geoff Hinton提到的“AI不可知論”的很多問題。
首先，讓人類描述自身行為，然后再將語言和行為建立對應(yīng)關(guān)系的玩法適用度并不高。
在小青蛙過馬路這樣簡單的游戲中，人類可以清晰明了地解釋自己行為。但換個場景，很多時候我們就像Geoff Hinton所說的，自己也說不清自己做出決策的原因。尤其在一些場景，例如行車時是撞到馬路上的動物還是撞到其他車輛，人們自身的選擇常常陷入道德困境不能統(tǒng)一，和AI的決策模式有著天然的差異，就無法形成語言解釋和行為之間的映射。
另一點則是，讓AI“自我解釋”這種行為，投入和產(chǎn)出比究竟如何？
我們知道自然語言處理是AI領(lǐng)域中一塊相當(dāng)難啃的硬骨頭，如果“AI說人話”這種模式成為標(biāo)配，結(jié)果恐怕就是讓所有領(lǐng)域的AI模型都要進(jìn)行相關(guān)的訓(xùn)練。也就是說，未來一家做智能客服產(chǎn)品的企業(yè)，為了AI的可解釋性，需要招聘NLP領(lǐng)域人才；但未來一家人臉識別產(chǎn)品的企業(yè)，為了AI的可解釋性，同樣也需要招聘NLP領(lǐng)域人才……NLP專業(yè)學(xué)子或成最大贏家。如此為AI產(chǎn)業(yè)帶來的巨大成本，又將怎樣被覆蓋呢？
世界在等待AI+X
在Geoff Hinton發(fā)表過那番“AI不可知論”后，有不少社會學(xué)專家進(jìn)行了相關(guān)反駁。其中劍橋智能未來中心的研究員就提出，AI在事物效率上的提升和對于社會的影響，本來就不能分開討論，Geoff Hinton這樣的科學(xué)家，如果認(rèn)為自己脫離了社會語境和政策語境，那么很可能在研究過程的一開始就走錯了方向。
其實AI的可知論和不可知論之間，最核心的問題就是“AI出現(xiàn)了問題該怎么辦？”
不可知論者認(rèn)為，當(dāng)AI出現(xiàn)了問題，我們就應(yīng)該像算法訓(xùn)練過程一樣，在發(fā)現(xiàn)問題后立刻進(jìn)行針對性的訓(xùn)練和矯正。
但可知論者認(rèn)為，如果我們等到AI在現(xiàn)實場景中出現(xiàn)問題再進(jìn)行改善，一切就已經(jīng)晚了。當(dāng)前的要務(wù)是讓更多社會角色參與到AI的研發(fā)過程中來，在廣泛的現(xiàn)實應(yīng)用之間就能夠從多種角度發(fā)現(xiàn)問題。
正因如此，才會出現(xiàn)佐治亞理工學(xué)院這種“讓AI說人話”的項目出現(xiàn)。而在AI學(xué)會說人話之前，AI與人之間、AI專家與其他專家之間，仍然會呈現(xiàn)出嚴(yán)重的溝通斷層。在相當(dāng)長的一段時間內(nèi)，AI+X的跨領(lǐng)域人才，都將炙手可熱。
一直以來我們對于AI可解釋性的追求可以被分為兩層，一是從技術(shù)角度探尋神經(jīng)網(wǎng)絡(luò)黑箱的運行機(jī)制；二是從社會角度將AI技術(shù)原理更多地解釋給各個行業(yè)。
雖然計算機(jī)科學(xué)家們一直沒有停止對神經(jīng)網(wǎng)絡(luò)黑箱突破的探索，但也有人曾經(jīng)明確地表示過，追求可AI的可解釋性并不是什么好主意。
去年年底，谷歌大腦負(fù)責(zé)人Geoff Hinton就曾在接受媒體采訪時說過若干“AI不可解釋”的理由。其中很重要的一點是，他認(rèn)為大多數(shù)人也沒法很好的解釋自己做出一種決策的理由，如果強(qiáng)迫人類對自己的行為做出解釋，結(jié)果很可能就是讓人類說出違心的謊言。AI也是一樣，也許強(qiáng)行在AI算法中加入可解釋性，得出的結(jié)果很可能只是一種“針對于解釋需求的答案”，并不能發(fā)揮出人們所期望的作用。他可以說是一位堅定的“AI不可知論”支持者。
讓AI模型說人話
不過在幾天前，佐治亞理工學(xué)院就推出了一種讓AI用人類語言解釋自己行為的模型。
整個模型的訓(xùn)練過程，建立在一款“小青蛙過馬路”的古老游戲上。游戲中玩家要操控著小青蛙前后左右躲避來往車輛，成功到達(dá)馬路對岸。
佐治亞理工學(xué)院先是收集了大量的人類樣本，讓人類實驗員玩一遍游戲，然后再回溯整個游戲過程，解釋出自己的每一步動作有哪些意圖。例如向左走是想躲避開后方來車，向前跳躍是因為漂浮的荷葉剛好來到自己面前。
這樣一來，可以將自然語言與游戲控制結(jié)合在一起建立映射。將這一模型遷移到AI的訓(xùn)練中，最終結(jié)果是AI在每進(jìn)行一步動作時，都會用自然語言解釋出自己的意圖。
實驗者可以再根據(jù)四個維度對AI的行為和解釋進(jìn)行評分，這四個維度分別是“信任（認(rèn)為AI的這一步行動是正確的）”“人性化（認(rèn)為這是人類采取的行動）”“理由充分（語言解釋和行為動作有相關(guān)性）”“可理解性（能看懂所給出的自然語言解釋）”。
由此以來，就可以對AI的游戲能力和自我解釋能力進(jìn)行共同的訓(xùn)練。
佐治亞理工學(xué)院所研發(fā)的這一模型，為AI的可解釋性帶來不少全新角度的突破。
當(dāng)AI進(jìn)行錯誤決策時，我們可以清晰地看到AI究竟錯在哪了。比如在游戲中小青蛙被路過的汽車撞死導(dǎo)致游戲失敗，通過自然語言解釋，我們可以看到可能是AI沒有“想到”要躲避汽車而導(dǎo)致失敗，還是已經(jīng)“想到”了，卻因想法和行為沒能成功匹配而導(dǎo)致失敗。在后期進(jìn)行參數(shù)調(diào)整時可以更加有的放矢，明確地找到問題所在。
更重要的是，這一過程完全是由人類的自然語言所表達(dá)的，普通人也能看到并理解問題發(fā)生的整個過程。技術(shù)的可解釋權(quán)不再受信息科技知識基礎(chǔ)所限制，甚至可以讓更多人參與到AI訓(xùn)練的過程中來。
AI可知論，是在開技術(shù)的倒車嗎？
但“小青蛙模型”并不能解決Geoff Hinton提到的“AI不可知論”的很多問題。
首先，讓人類描述自身行為，然后再將語言和行為建立對應(yīng)關(guān)系的玩法適用度并不高。
在小青蛙過馬路這樣簡單的游戲中，人類可以清晰明了地解釋自己行為。但換個場景，很多時候我們就像Geoff Hinton所說的，自己也說不清自己做出決策的原因。尤其在一些場景，例如行車時是撞到馬路上的動物還是撞到其他車輛，人們自身的選擇常常陷入道德困境不能統(tǒng)一，和AI的決策模式有著天然的差異，就無法形成語言解釋和行為之間的映射。
另一點則是，讓AI“自我解釋”這種行為，投入和產(chǎn)出比究竟如何？
我們知道自然語言處理是AI領(lǐng)域中一塊相當(dāng)難啃的硬骨頭，如果“AI說人話”這種模式成為標(biāo)配，結(jié)果恐怕就是讓所有領(lǐng)域的AI模型都要進(jìn)行相關(guān)的訓(xùn)練。也就是說，未來一家做智能客服產(chǎn)品的企業(yè)，為了AI的可解釋性，需要招聘NLP領(lǐng)域人才；但未來一家人臉識別產(chǎn)品的企業(yè)，為了AI的可解釋性，同樣也需要招聘NLP領(lǐng)域人才……NLP專業(yè)學(xué)子或成最大贏家。如此為AI產(chǎn)業(yè)帶來的巨大成本，又將怎樣被覆蓋呢？
世界在等待AI+X
在Geoff Hinton發(fā)表過那番“AI不可知論”后，有不少社會學(xué)專家進(jìn)行了相關(guān)反駁。其中劍橋智能未來中心的研究員就提出，AI在事物效率上的提升和對于社會的影響，本來就不能分開討論，Geoff Hinton這樣的科學(xué)家，如果認(rèn)為自己脫離了社會語境和政策語境，那么很可能在研究過程的一開始就走錯了方向。
其實AI的可知論和不可知論之間，最核心的問題就是“AI出現(xiàn)了問題該怎么辦？”
不可知論者認(rèn)為，當(dāng)AI出現(xiàn)了問題，我們就應(yīng)該像算法訓(xùn)練過程一樣，在發(fā)現(xiàn)問題后立刻進(jìn)行針對性的訓(xùn)練和矯正。
但可知論者認(rèn)為，如果我們等到AI在現(xiàn)實場景中出現(xiàn)問題再進(jìn)行改善，一切就已經(jīng)晚了。當(dāng)前的要務(wù)是讓更多社會角色參與到AI的研發(fā)過程中來，在廣泛的現(xiàn)實應(yīng)用之間就能夠從多種角度發(fā)現(xiàn)問題。
正因如此，才會出現(xiàn)佐治亞理工學(xué)院這種“讓AI說人話”的項目出現(xiàn)。而在AI學(xué)會說人話之前，AI與人之間、AI專家與其他專家之間，仍然會呈現(xiàn)出嚴(yán)重的溝通斷層。在相當(dāng)長的一段時間內(nèi)，AI+X的跨領(lǐng)域人才，都將炙手可熱。
1.TMT觀察網(wǎng)遵循行業(yè)規(guī)范，任何轉(zhuǎn)載的稿件都會明確標(biāo)注作者和來源；
2.TMT觀察網(wǎng)的原創(chuàng)文章，請轉(zhuǎn)載時務(wù)必注明文章作者和"來源：TMT觀察網(wǎng)"，不尊重原創(chuàng)的行為TMT觀察網(wǎng)或?qū)⒆肪控?zé)任；
3.作者投稿可能會經(jīng)TMT觀察網(wǎng)編輯修改或補充。
