弱人工智慧
出自 MBA智库百科(https://wiki.mbalib.com/)
弱人工智慧（Weak General Intelligence，Weak AI）
目錄 |
弱人工智慧（Weak General Intelligence，Weak AI）又稱“狹義人工智慧（ Artificial Narrow Intelligence，ANI）”“狹義AI”“窄人工智慧”是特定於應用程式或任務的人工智慧。
它是一種擅長執行單一任務的人工智慧。例如下棋或圍棋、提出購買建議、銷售預測、面部識別、語音助手中的語音識別或駕駛汽車和天氣預報。語音和圖像識別仍屬於狹義的人工智慧，儘管它們的進步看起來很吸引人。甚至百度的翻譯引擎，儘管它很複雜，也是一種狹義的人工智慧。
弱人工智慧的優勢[1]
1.促進更快的決策
弱人工智慧有助於更快地做出決策，因為它們處理數據和完成任務的速度比人類快得多。因此，它們讓我們能夠提高整體生產力和效率，從而提高生活質量。舉個例子，人工狹義智能IBM的Watson等系統通過利用人工智慧的力量，幫助醫生做出快速的數據驅動決策。這使得醫療保健比以往任何時候都更好、更快、更安全。
2.將人類從平凡的任務中解放出來
弱人工智慧的發展確保了人類從一些枯燥、例行和平凡的任務中解脫出來。它讓我們的日常生活變得更加輕鬆，從在Siri的幫助下線上訂購食物，到減少分析大量數據以產生結果的工作。
此外，自動駕駛汽車等技術將我們從長時間堵車的壓力和負擔中解脫出來，而是為我們提供了更多的休閑時間來開展我們感興趣的活動或任務。
3.為開發更智能的人工智慧提供了基礎
弱人工智慧是最終開發更智能的人工智慧版本的基礎，如通用人工智慧和 超級人工智慧。語音識別使電腦能夠非常準確地將聲音轉換為文本，而電腦視覺則能夠對視頻流中的對象進行識別和分類。目前，谷歌正在使用人工智慧為數百萬個YouTube視頻添加字幕。
今天，人工智慧驅動的電腦視覺已經被用於解鎖屏幕和線上標記朋友。與此同時，自動駕駛汽車部門正在探索“情感人工智慧”領域，該系統可以學習非語言的細微差別(感覺、情緒)，並提示昏昏欲睡的卡車司機在駕駛時保持警惕並集中註意力。所有這些基礎技術只是為未來具有自我意識和意識的人工智慧版本鋪平了道路。
4.比人類更好地完成單一任務
狹義的人工智慧系統可以比人類更好地執行單個任務。例如，與訓練有素的放射科醫師相比，一個被編程為從X射線或超聲波圖像中檢測癌症的窄AI系統可能能夠以高得多的準確度快速發現一組圖像中的癌塊。
另一個例子是在製造工廠使用的預測維護系統。該系統實時收集和分析傳入的感測器數據，以預測機器是否即將發生故障。Narrow AI自動完成這項任務。整個過程要快得多，就速度和準確度而言，個人或一群人幾乎不可能與之匹敵。
弱人工智慧的整體性能、速度和準確性超越了人類。也就是說，人工智慧社區在擴大弱人工智慧的範圍方面面臨著幾個關鍵挑戰。
弱人工智慧面臨的挑戰[1]
1.缺乏可解釋的人工智慧
人工智慧進步的一個基本要求是創造更少黑箱的人工智慧的實踐。這意味著我們必須更好地理解神經網路中發生的事情。今天的人工智慧系統，如推薦書籍閱讀的系統，有效地採用了黑盒方法。在這種情況下使用的深度學習演算法將數百萬個數據點視為輸入，並將特定特征相關聯以提供結果。底層過程是自我導向的，對於程式員和領域專家來說，解釋起來具有挑戰性。
然而，當人們依靠人工智慧模型做出涉及巨額投資的高風險商業決策時，這種黑箱方法可能是有害的，因為系統的輸入和操作對相關方來說是不可見的。因此，一個關鍵的挑戰是創造更多可解釋的人工智慧，而不是黑箱方法。
2.對堅不可摧的安全的需求
神經網路被狹隘的人工智慧廣泛利用。然而，理解人工智慧相當脆弱是至關重要的——它可能會註入雜訊並愚弄系統。例如，攻擊者可以侵入自動駕駛汽車的軟體系統，並更改人工智慧程式代碼，使程式可能將路上的公車誤認為大象。這可能會產生嚴重的影響和後果。黑客還可以劫持在一個地區運行的整個自動駕駛汽車網路，最終抹去數十億美元的投資。
此外，對神經網路的一次入侵就能破壞依賴於同一網路的幾個系統的運行。此外，由於神經網路容易受到攻擊，提供不可滲透的安全性仍然是一個至關重要的挑戰。
3.需要從小數據中學習
人工智慧模型是根據來自例子的數據進行訓練的——這意味著例子是當今人工智慧的真正貨幣。為了讓人工智慧進一步進化，它必須準備好從更少的數據中學習更多。人工智慧應該能夠通過利用先驗知識，將其學習從一個神經網路轉移到其他網路。
人工智慧融合了學習和推理。儘管今天的人工智慧在學習和積累知識方面取得了重大進展，但將理性應用於這些知識仍然是一個挑戰。例如，零售商的客戶服務聊天機器人可以回答有關商店營業時間、產品價格和商店取消政策的問題。
然而，一個關於產品X為什麼比類似產品Y更好的棘手問題可能會凍結機器人。儘管創造者可以編寫機器人來回答這些問題，但教會人工智慧自己應用推理仍然是大多數科學家和專家面臨的問題。
4.傾向於偏見
今天的人工智慧系統容易出現偏差，因為它們經常給出不正確的結果，而且沒有合理的解釋。複雜的人工智慧模型不斷在包含偏見或不准確信息的大量數據上進行訓練。因此，在這種有偏差的數據集上訓練的模型可能會認為不正確的信息是可信的，並做出有偏差的預測。
隨著人工智慧系統從過去的例子中學習，考慮一個負責做出信貸決策的系統。基於以前的模式，系統可能會認為“不向婦女或少數民族提供信貸”是適當的。因此，核實和檢查系統使用的例子沒有偏見仍然是一個關鍵的挑戰。
此外，由於弱人工智慧缺乏“常識”方面，或公平和公正的意識，處理訓練偏差需要大量的規劃和設計工作。
5.受制於人的缺點
弱人工智慧在很大程度上依賴於人類來執行任務。因此，它容易出現人為失誤，比如人們設定了過於雄心勃勃的業務目標，或者錯誤地安排了任務的優先順序。
考慮人類錯誤定義任務的情況。在這種情況下，不管一臺機器工作多長時間或者它執行多少次計算，最終結果仍然是一個錯誤的結論。因此，弱人工智慧對易錯人類的依賴對該領域的專家來說是一個巨大的挑戰。
6.倫理問題[2]
弱人工智慧是指各種模擬人或動物智能解決各種問題的技術，包括問題求解、邏輯推理與定理證明、自然語言理解、專家系統、機器學習人工神經網路、機器人學、模式識別、機器視覺等。以深度學習為基礎的弱人工智慧技術目前在圖像識別、語音識別、機器翻譯、自然語言處理等方面取得了巨大成功，並大規模市場化。在圖像識別領域，基於深度學習的人臉識別、物體識別、行為識別等應用在醫療、交通、教育等行業都有廣泛的用途，能夠有效提高安全防範水平，打萬擊犯罪和恐怖主義，懲治交通違法行為，提升交通安全水平等。深度學習+數據模式甚至在文學創作、司法審判、新聞編輯、音樂和美術作品創作等方面也有驚人的表現，能夠極大地提升工作效率和質量，降低人類的工作強度，激發人類的創作靈感，創作出更好的作品。弱人工智慧技術給人類帶來的益處是顯而易見的。但因為不瞭解深度學習的運行機制，一些超出人類的能力反倒令人們開始惴惴不安。
2016年6月，微軟總裁薩蒂亞·納德拉(SatyaNadella)說“我們不僅想要智能機器，還需要可理解的機器。”尤其深度學習在醫療、金融、軍事等關鍵領域的應用，使得弱人工智慧倫理問題日益得到關註。與尚未實現的強人工智慧在未來可能給人類帶來的倫理困惑或問題不同，弱人工智慧是在現實中可能給我們帶來種種倫理風險或困惑。
- ↑ 1.0 1.1 Vijay Kanade。What Is Narrow Artificial Intelligence (AI)? Definition, Challenges, and Best Practices for 2022.spicework.2022-3-22
- ↑ 莫巨集偉. 強人工智慧與弱人工智慧的倫理問題思考[J]. 科學與社會, 2018, 8(1):11.
