电动车蓄电池,A16Z内部万字陈述:人类与AI结合的最佳形状,8x

admin 2019-03-28 阅读:278

来历:36Kr

摘要:人工智能技能正在快速开展,将会给咱们什么样的改变?人们应该怎么与人工智能共处?近来,A16Z博客上放出了一篇内部陈说,介绍了人工智能将会给咱们的社会带来的改变,以及咱们怎么与人工智能共处。作者为A16Z合伙人Frank Chen。原题为“Humanity + AI: Better Together”。

2017年7月,我发布了一个关于人工智能、机器学习和深度学习的入门视频。从那以后,我一向痴迷于阅览关于机器学习的报导。

一般来说,你会在媒体的头版上看到两类报导。一类报导的标题是“机器人来抢你的作业”,这预示着,咱们的社会将无情地走向大规划赋闲。

乃至像麦肯锡这样“清醒的”安排好像也在猜测,到2030年,三分之一的工人会由于主动化而遭到赋闲的厄运:

假如这还不行吓人的话,这儿是别的一类报导的标题:“天网,正在为你的孩子而来。”换句话说,人工智能将在任何作业上都比人类聪明,而咱们终究将成为地球上失利的物种。

可是,假如你翻到报纸的终究几页,或许阅览更多的期刊,你会发现别的一些故事,比方科技公司向初次告贷的人供给借款,为患者供给血液和疫苗,以及在战场和海上拯虞双双救生命。

因而,经过细心、深思熟虑、移情规划,咱们能够让自己活得更长、更安全。

咱们能够发明作业时机,在那里咱们能够做更多发明性的作业。咱们能够更好地了解对方。

可是在我谈到今日现已发作的许多比方之前,让我更广泛地同享一下人工智能生态体系中正在发作的作业。

人工智能生态体系中发作了什么

人工智能生态体系正在蓬勃开展,从大学到企业,再到国际各地的政府大厅。这儿有三个轶事能够阐明这个生态体系是有多活泼。

首要,这儿有一个来自人工智能学术研讨范畴的风趣实践。

研讨人员最大的学术会议是一个名为神经信息处理体系(NeurIPS)的会议。 会议始于1987年,在曩昔一年(2018年) ,会议门票在11分38秒内出售一空。

好吧,这还比不上碧昂斯(Beyonce),她那体育场巨细的演唱会的门票能在22秒内出售一空,但咱们正在挨近这一方针。

其次,各行各业的企业好像都在出资人工智能。 这是埃森哲首席技能官保罗多尔蒂(Paul Daugherty)的观念,他现已在公司作业了30多年。

最近,保罗做客A16Z播客时,他同享道:

我现已在我的公司作业了32年,在这个作业作业了一段时刻,并且参加了从咱们的互联网事务到咱们的云-移动物联网事务等一切这些事务的添加进程,没有什么能像人工智能现在这样,在整个安排中快速开展。

从实践开销、职工人数来看,没有哪种趋势添加得如此之快,不论你选用何种衡量标准。就企业影响而言,人工智能是咱们所见过的添加最快的趋势。这也是一切这些跨作业、跨部门的多样化趋势中的第一个。

第三,跟着学术界宣告更多论文,企业施行更多项目,政治家们天然而然地妄图将自己的国家或区域,定位为地球上最适合树立人工智能驱动的创业公司或进行机器学习研讨的当地。

许多国家都宣告了培育人工智能生态体系的方案,没有哪个国家比我国更注重这个问题。我国期望,到2030年成为人工智能范畴领导者。 乃至发布了一些信息图表:

现在,是咱们一切人一起运用这巨大的能量谋福全人类的时分了电动车蓄电池,A16Z内部万字陈说:人类与AI结合的最佳形状,8x。

经过深思熟虑、慎重和赋有同情心的规划,咱们真的能够让易贝闪贷自己更有发明力,成为更好的决议方案者,活得更长,在实践国际中获得超才干,乃至更好地了解互相。

让我同享一些来自实在国际的比方,阐明人工智能是怎么在这些方面协助咱们的。

一、主动化程序使咱们更有发明力

莎士比亚(Shakespeare)让哈姆雷特(Hamlet)这样点评人道:

人类是一件多么了不得的创作!多么尊贵的理性!多么巨大的力气!多么美丽的外表!多么文雅的行为!在行为上多么像一个天使!在才智上多么像一个天神!

尽管咱们有逻辑和理性,但咱们也有惊人的发明力(“无限的才干”)。

当机器主动完结日常使命时,咱们将有更多的时刻、精力和留意力用于机器现在不拿手的所谓“右脑”思想,如整体思想、移情、发明力和音乐感。

让我同享几个比方。

咱们越来越依靠亚马逊Prime及其全球同类的产品,它们供给当天或两天的免费送达效劳。

为了满意咱们的需求,亚马逊一向在离咱们家越来越近的当地树立配送中心,并布置了不计其数的 Kiva 机器人将25磅重的黄箱子从一个当地搬到另一个当地。

除了这些机器人,亚马逊还雇佣了不计其数的人类工人来辅佐Kiva 机器人,并处理机器人卡住的问题。

上图所示的尼萨斯科特(Nissa Scott)在《纽约时报》的一篇文章中谈到她的作业时说:“对我来说,这是咱们这儿最具应战性的作业。这不是简略的重复。”

当机器接收简略重复的使命时,人类就能够自由地做他们最拿手的作业:跳出条条框框考虑,用发明性的办法处理杂乱的问题。

下面是另一个比方。

许多出售和营销人员,花了几个小时将数据守梦者观后感繁琐地输入到他们的客户联系办理( CRM )体系中。

可是尽管出售办理部门尽了最大尽力,这些体系也常常丢掉数据,更糟糕的是,常常会填错信息。

咱们的出资组合公司People.ai,运用机器学习将数据主动填充到CRM中。

有了完好的、最新的客户联系办理体系,出售和市场营销人员,终究能够依据他们期望从客户联系办理体系中获得的洞察力来举动。

比方,知道咱们应该在周五下电动车蓄电池,A16Z内部万字陈说:人类与AI结合的最佳形状,8x午给咱们的潜在客户艾莉森(Alison)打电话,由于这是她实在想了解新体系怎么协助她处理日常事务的时分。

经过帮出售人员将数据键入CRM的日常使命中解放出来,他们能够专心于了解别人的问题,并运用他们的同情心和发明力来协助处理这些问题

还有什么当地能够让咱们的日常作业主动化呢? 为审判做预备怎么样? 为审判做预备的第一步是搜集依据。

传统上,出庭律师在预备为案子辩解时,会挑选不计其数的文件、相片、视频、电子邮件和其他依据。

他们有必要弄清楚哪些文件与案子有关,它们是关于什么的,以及它们是怎么联络在一起的。没有软件,律师帮手整理每一个文件或图片或许需求几百或几梳齿鳚千个小时。

咱们出资的一家公司 Everlaw 简化了这个进程,它运用机器学习快速处理、分类和符号与案子相关的文件,并以简单拜访的办法存储它们。

因而,处理该案子的律师能够运用自己的才干,从事更具发明性的作业,将各个点连武侠之吾乃卫庄接起来,提出一个有目共睹的大故事,让陪审团能够更清楚的了解案子。

所谓的天然言语处理( NLP )体系,能够了解言语的软件,也在其他运用程序中找到了自己的路。

Dialpad是一种依据网络的电话和会议效劳,能够转录你的说话录音。

转录后,喜丽康Dialpad会运用一种叫做心情剖析的机器学习技能,来剖析文本中是否有愤恨或懊丧的痕迹。

假如体系检测到人们感到懊丧,它能够协助人们运用自己的发明力、同情心和智商让说话回到正轨。

咱们也能够把这些技能带到医师的办公室。

前次我拜访我的初级保健医师时,他和我在一起呆了大约35分钟,在那段时刻里,他和他的笔记本电脑互动,而不是和我互动,尽力让我的电子健康记载坚持最新。

Suki是一家创业公司,致力于经过倾听患者和医师之间的对话,主动更新患者的医疗记载,从头将医师和患者连接起来。

经过主动化惯例使命,医师能够专心于患者护理的发明性、移情性和情理性部分。

当这些技能(以及协助确诊问题的体系)进入大多数医师的办公室时,我信赖咱们会依据谁的临床办法最好来挑选咱们的医师,由于确诊和坚持体系的最新大多都会是主动化的。

二、机器学习给了咱们实践国际中的超才干

咱们的人类感知体系是惊人的。你的眼睛能够以十分翔实的分辩率分辩1000万种不同的色彩。

可是咱们的感知体系也有众所周知的局限性。这便是为什么咱们有炸弹嗅探犬,而不是炸弹嗅探人。

咱们的回忆也比咱们许多人想供认的要糟糕。咱们的大脑被规划成为了有充沛的理由忘掉你所看到和听到的许多东西。

假如咱们能够环绕人类感知体系的局限性进行规划,并在实践国际中赋予自己超才干,会怎么样?

机器学习正在协助咱们做到这一点。 例如,Pindrop 赋予银行、零售商和政府安排超级听力的力气。

Pindrop的效劳有助于避免语音诈骗,这是黑客盗取身份和金钱的越来越常用的办法。

经过剖析近1400种声学特点,这个体系能够协助安排在你打电话的时分确认你是否真的是你,这依然是咱们与商家,政府安排和银行打电话进程中互动的78%。

它经过倾听咱们的声响(跟着年纪的添加,声响会加深到中年,然后腔调会升高),以及咱们的电话和电话网络在线路上引进的噪音,来做到这一点。

运用专有的机器学习算法,Pindrop能够运用线路上的噪音,来猜测你是在家顶用iPhone打电话,仍是在爱沙尼亚用 Skype 打电话。这种超级听力才干,有助于安排大幅削减成功诈骗妄图的数量。

在Ox和Bowery Farms等公司运营的室内农场中,机器学习也给咱们供给了越来越多的超才干。

作为人类,咱们很难调查事物生长缓慢的进程,并跟着时刻的推移进行比较:咱们的感知体系,被规划用来留意快速移动的捕食者,而不是生长缓慢的菠菜。

另一方面,机器视觉体系能够被练习,能够精确地知道一棵健康的生菜在它生命的第36天应该是什么姿态。

关于不能茁壮生长的莴苣,农场能够主动调理温度、光照条件、水位、营养成分、湿度和其他要素,以协助它抵达最佳的健康状况。

这些室内农场的作物,产值可高达每平方英尺15磅,而高效温室和田间栽培作物的产值分别为每平方英尺7磅和每平方英尺1磅。

并且,在不运用杀虫剂和削减95%的水的状况下,这些作物的产值也能够抵达这些添加功率。 超级视觉的力气使咱们成为更有功率的农人。

超级视觉也能够在工厂内部运用。

尽管国际规模内对机器人技能进行了很多出资,但大约90%的工厂作业仍由人手完结。

应战在于,工厂里边指出了很多的本钱,很难让工人持续做这些作业。

美国一家运营十分好的工厂或许每年有30%的营收,用来付出贵重的再招聘和再练习费用。

在我国,每天有2%的工人流失率并不稀有,这意味着几个月后,你就会有一个全新的劳动力部队。

鉴于本钱如此之高,工厂将练习每位新职工的本钱降至最低是至关重要的。

Drishti正在给这些工厂带来超级视觉才干。

经过在工人拼装产品时捕捉和剖析视频,体系能够为每项作业供给个性化的举动主张,协助他们跟上开展。

运用Drishti的工厂劳动出产率进步了25 %,过错率降低了50%。

当咱们给修建工地带来超视视觉才干时,咱们能够协助整体职工坚持安全、预算和开展。

Doxel每天下班后都运用激光雷达(与主动驾驭轿车上运用的激光雷达相同)和摄像头从地上机器人和无人机上搜集数据。

经过构建精确的3D地图(精确度高达2mm ),Doxel 知道现已建成了什么(“是什么”),并将其与修建平面图(“应该是什么”)进行比较。然后它能够猜测修建的首要部分何时竣工。

这种每天进行地循环使命,有助于坚持适宜的工人在适宜的时刻、用适宜的资料和东西抵达现场。

这也有助于避免你在自己的房子改造项目中或许遇到的过错,比方在水管工或电工修完墙后的管道或电缆之前,就先把墙修好。

运用Doxel的这个体系,Kaiser Permanente协助修建工人进步了38%的出产率,并在缔造Viewridge 医疗办公室时,节省了11%的预算。

当然,谈到人工智能的超才干,咱们不能不议论主动驾驭轿车。

先进的驾驭员辅佐体系会导致二级效应之一,是咱们将在事端现场有牢靠的目睹者。

不论一辆主动驾驭轿车走到哪里,咱们都会有十几台中天票务摄像头、几台激光雷达、多台雷达和超声波传感器等的传感器数据。

想想这对法院和保险公司意味着什么。不必再依靠目睹证人的证词,乃至在周围没有人的状况下,咱们能够重现事端现场发作的状况。

2018年9月,特斯拉向2017年8月后出产的轿车发布了9.0版辅佐驾驭软件。 有了这个软件版别,用户能够将轿车的摄像头数据存储到一个 USB 闪存驱动器中,许多司机也初步这样做。

这段龙火战神视频来自北卡罗来纳州的特斯拉司机:

走运的是,事端中没有人受伤,可是外表盘上的录像片段标明,在没有目睹者的状况下,电动车蓄电池,A16Z内部万字陈说:人类与AI结合的最佳形状,8x有摄像头是多么有用。

本田司机明显不合法操作,假如没有录像片段,这种状况或许会演变成一场僵局,两个司机都会坚称他们没有职责。

下面是我在这一部分的终究一个比方,阐明机器学习体系是怎么在实践国际中给予咱们超才干的。

一家名为 OrCam 的以色列公司出产了一种名为“MyEye 2”的产品,它能够夹在一副眼镜上,协助有视力问题(如失明、视力妨碍、阅览妨碍)的人们在国际上导航。

这个产品用于拍照周围的环境,并描绘视频中的内容。

它能够阅览一本书中的文字、当人们接近时说出他们的姓名(这是一个我很喜爱的功用,尽管我的视力很正常!) 、区别5美元和50美元的钞票,区别食物杂货店的产品等等。

三、协助咱们做出更好的决议

机器学习算法,能够协助咱们做出更好的决议方案,经过将人类的成见最小化,运用更完好的数据集,或许补偿咱们决议方案软件中已知的缺点。

尽管陈旧的计算机科学正义“废物输入,废物输出”依然hu7923适用,但精心规划的具有彻底代表性数据集电动车蓄电池,A16Z内部万字陈说:人类与AI结合的最佳形状,8x的体系,能够协助咱们做出更正确的决议方案。

考虑一下招聘场景。Textio开发了一种软件产品,协助人们写作业描绘,这种描绘最有或许招引有资历、有才干做特定作业的人。

这家公司由一个微软 Office 老职工团队兴办,在你写内容时在屏幕上供给辅导。

例如,当你在某个特定的时刻点,运用某个性别比另一个性别更有招引力的词语时,Textio 会提示你。

比方翔实、强制、无畏之类的词汇现已被统计学证明,会让你的人才库倾向男性。

Textio还指出了区域差异。

例如,假如你用“好的作业道德”来描绘你的抱负提名人,这或许会招引圣何塞的工人,但会阻挠华盛顿区域的工人。假如你的方针是埃弗段根元雷特的提名人,最好不要说这句话。

鉴于Textio能够拜访广泛的数据集,比方现有的职位描绘、运用统计数据和作业体现数据等等,能够协助你消除招聘进程中的盲点。

机器学习还能够协助你,找出是什么让你最优异的职工如此高效,并协助你在第一天就把新手变成专家。

Cresta.ai调查最有用的出售人员在聊地利怎么与潜在客户互动:弄清楚潜在客户需求什么,引荐产品,答复问题。

这个体系提取最佳实践方案,并将其转化为实时主张,供经历不足或功率较低的出售人员在与潜在客户互动时运用。

在 Intuit 这样的客户布置中,出售团队的转化率上升了2安纳塔拉休假酒店本相0% ,练习时刻节省了66%。

换句话说,与没有运用这个体系比较,出售代表在练习较少的状况下完结了更多的事务。

这个体系对出售人员和客户都有长处。

正如一位 Intuit 代表所描绘的,“我忧虑运用这个体系会损坏与客户的个人联系或对话,可是将这个人工智能作为作业帮手,有助于翻开个性化对话。”

机器学习也有助于进步十分娴熟的专业人员的决议方案才干,例如寻觅特定矿藏的地质学家。

锂离子电池(如手机、笔记本电脑或电动轿车中的电池)内部或许含有一种叫西野翎做钴的矿藏质,这种矿藏质能够协助电池在屡次充放电循环后仍旧坚持功用。

跟着特斯拉的Gigafactory等电池工厂出产更多的锂离子电池,钴的需求正在迅速添加。

不幸的是,国际已知钴储量的65%在刚果民主共和国,这个国家政治不稳定,据报导或许有多达40000名儿童在挖掘钴矿。

假如咱们在刚果民主共和国政府中有一个牢靠的政治同伴,咱们或许会尽力改善一切矿工的作业条件,可是咱们也应该寻觅新的钴来历。

这正是KoBold Metals正在做的作业。

经过查看许多不同的数据源,如地势数据、在某一区域生长的植物、磁和电磁形式、水和气候形式、岩石类型等等,在咱们差遣十分贵重的探险队挖掘之前,这个体系能够协助地质学家找到钴的或许存在的方位。

另一个很好的比方是金融技能。

向初次告贷人发放借款是有风险的,尤其是在第三国际国家,如肯尼亚、坦桑尼亚或尼日利亚。

在这些国家,信誉安排要么不存在,要么无法接触到一切人,致使许多人无法获得传统借款。

咱们的出资组合公司Branch,一向致力于在这些范畴为初次告贷人供给借款。

在没有信誉安排的状况下,Branch妄图依据告贷人的移动运用程序运用状况和经过其移动运用程序搜集的行为来确认告贷人的资历。

运用机器学习,Branch剖析了数据,并确认了几个行为方针,这些方针现已被证明,能够猜测借款归还的或许性。

以下是一些令人惊奇的要素或行为,使得Branch的告贷人更有或许归还借款的特征:

除了终究一个方针,列表上的大多数方针都不太令人惊奇。

数据发现飞向你的床,假如一个人是赌徒,并且手机上有赌博运用,他们更有或许归还借款。

假如你觉得这有点违背直觉,你并不孑立。

这仅仅证明了一个人类决议方案者是多么的不靠谱,这是由于个人成见和曩昔的经历形成的。

这是否意味着算法在一切决议方案方面都比人类好? 还没有。

从安排样本中比较癌症确诊功用的研讨显现,例如哈佛医学院2016年6月宣告的这一项研讨和谷歌AI H石萱ealth研讨员2018年10月宣告的另一项研讨,当人类与算法比赛时,一直供给最精确确诊的是人类+算法,它们的体现优于独自的算法和独自的人类。

为了让你了解医师用来确诊癌症的办法,这儿有两张并排的图片。左面的一张显现了现已染色的安排切片。

右边的图显现了计算机视觉算法叠加“热图电动车蓄电池,A16Z内部万字陈说:人类与AI结合的最佳形状,8x”的成果,热图显现了它以为更多(赤色)或更少(蓝色)含有癌安排的区域。

为什么人类运用的算法比独自的算法和独自的人体现更好?一种或许性是,这些算法改善决议方案的办法,与语法和拼写查看有助于进步咱们的写作水平的办法类似。

一般来说,这些查看器能很好地发现电动车蓄电池,A16Z内部万字陈说:人类与AI结合的最佳形状,8x咱们的打字过错和语法过错(实在的长处)。 可是偶然,查看器会符号出过错(假阳性)或许给出一个你不赞同的语法暗示。

在这些状况网管哥下,你终究将重写查看器。这种进程终究的成果是,写出的东西比任何一方自己写出的东西都要好。

四、将风险的作业和使命主动化使咱们愈加安全

有些作业明显是风险的,例如海上救援、向偏远区域运送血液和疫苗,以及冲进大楼看看里边是否有仇视战士。创业公司和非营利安排正在协助完结这些作业的主动化。

下面这段视频,或许是国际上第一架无人驾驭飞机拍照的海上救援视频:

这个叫“Little Ripper”的安排正驾驭无人机在海洋上空搜集视频画面。他们方案树立一个辨认水中鲨鱼的机器学习模型,作为冲浪者和游水者的前期预警体系。

在一次搜集录像的练习使命中,一个实在的求救电话打了进来。

在70秒内,无人机操作员就飞到了罹难游水者身边,把救生背心扔给他们,解救他们,一切这一切都不需求派一队救生员进入风险的波浪中。

Zipline,咱们的出资组合公司之一,正在尽力为卢旺达全国人民供给救命的血液和疫苗。

他们以无人机为根底的运送体系十分遍及,以至于现在卢旺达输血所用血液的25% 都是他们供给的。大多数快递都在半小时内完结。

这家公珍珠小枝司现在正在将他们的配送体系扩展到加纳,并已初步在美国进行试飞。

终究,咱们的出资组合公司Shield.ai正在制作一种无人驾驭飞机,以增强美国军队今日履行最风险的举动中的人类战士的才干。

这被称为“整理”,它触及差遣装备的人类战士进入他们从未见过的修建。

这家公司的Nova无人驾驭飞机,在铲除存在不知道敌人的修建物时,对战士来说是一种无价的协助。

它能够探究并传送修建物通道的具体地图,一起运用机器学习算法将修建物内的居住者符号为朋友或敌人。

海上救援,快速向偏远区域运送血液,铲除或许存在潜在对手的对修建:这些作业中的每一项,明显都很风险。

令人惊奇的是,依据美国劳工统计局的数据,美国最风险的作业之一是远程货车运送。

这个作业的逝世人数比其他作业都要多,并且这个现已令人痛心的数字还没有考虑到远程货运对健康的负面影响。

远程货车司机的肥壮率是一般人群的两倍多,并且风险还不止于此。

肥壮会添加一个人患糖尿病、癌症和中风的风险,并且由于作业自身的压力,货车司机更有或许经过喝酒和吸烟来缩短寿数。

咱们有必要尽快让这些货车司机下车,这需求咱们能树立起比人类司机更安全的主动驾驭体系。

驾驭客车也十分风险。国际卫生安排估量每年有120万人死于路途交通事端。

这是15至29岁年轻人逝世的首要原因,国际卫生安排以为,从丧命的交通事端中恢复过来耗费了国际GDP的3%。

一旦主动驾驭体系满足安全,能够操控方向盘,咱们就有必要让人类驾驭员下车,咱们有一组出资组合公司在这个生态体系中活跃开发产品和效劳。

DeepMap正在构建精巧具体的3D地图仙武之妖孽来临,这些算法能够用来安全地为咱们在路途上导航。

Applied Intuition创立了模仿体系,协助工程师测验和从头测验他们的算法,以保证他们创立的算法在露出于各种条件下时,行为彻底符合预期。

Voyage在退休社区内供给主动化出租车效劳,这样即便咱们失去了驾驭才干,咱们也能够坚持自己独立举动的才干。

Cyngn 正在开发一整套主动驾驭软件,这些软件能够在各式各样的车辆中运用。

五、机器学习将协助咱们更好地了解互相

你或许以为人类最有才干了解互相。究竟,说话的另一方是另一个人类。

但实践证明,精心规划的软件实践上能够协助咱们更好地了解互相。想想被确诊患有自闭症的人。

总部坐落剑桥的两家公司 Affectiva 和 Brain Power 现已开发了运用程序,经过运用简化的表情符号,协助自闭症患者认识到周围人的心情状况,以便他们能够恰当地调整自己的行为。

他们的体系经过谷歌眼镜剖析视频,并将恰当的表情叠加在一个人的脸上,协助佩带者最精确地了解与他们沟通的人的心情状况。

这是一个正在运转中的体系:人工智能研讨的初步方针之一便是机器翻译,也便是把一种人类言语翻译成另一种言语。

这个范畴最困难的应战是同步实时翻译:当一个人用一种言语说话时,体系会主动及时输出另一种言语的翻译,这样两个人就能够进行天然的对话。

这种类型的翻译十分具有应战性,就算是专业的联合国翻译人员一次只能作业20分钟,然后他们就会被一个队友顶替。

2018年10月,百度发布了同步翻译体系 STACL (即带有预期和可控推迟的同步翻译体系) 。

鉴于技能应战是如此之大,人工智能社区朝着这个方针正在获得坚实的开展,这令人形象深入。

为了跟上说话者的脚步,机器学习体系实践上会生成多个猜测,猜测说话者初步说话时每个语句将怎么完毕。这有点像谷歌在你的浏览器的查找栏中的主动完结功用。

体系需求为一个语句创立和翻译不同的或许结束,由于假如不这样做,它就会落后于说话者。

幻想一下,在咱们走进的每个会议室或翻开的每个浏览器窗口的每次网络呼叫中嵌入实时翻译,咱们能够更好地了解每个呼叫。

下面是终究一个比方,阐明怎么更好地了解对方,这或许是我在整个讲演中最喜爱的比方。

有一个叫做Crisis Text Line的非营利安排,它经过短信向处于危机中的人们供给咨询。

上一代人在面对危机时或许会拨打热线电话,而现在这一代人则更喜爱发短信。

当Crisis Text Line启动时,他们要求练习有素的参谋列出50个触发词,这些词能够用来猜测高风险短信发送者。

他们生成的单词一般和你幻想的相同: 比方“死”、“割”、“自杀”和“杀”。在这项效劳运转了一段时刻之后,这家公司运用机器学习技能,看看是否还有其他单词能够从列表中添加或删去,成果十分令人惊奇。

你知道布洛芬这个单词猜测自杀的或许性,是自杀这个词的14倍吗? 哭丧的表情是是自杀这个词的11倍吗?

斯坦福大学的研讨人员,接着提取了最有用的咨询师的的最佳实践。

他们发现有用的技能之一是发明力:成功的咨询师以发明性的办法回应,而不是运用过于抽象或“模板化”的回应。

在危机咨询的极点状况下,机器学习帮好老板进销存助咱们更好地了解互相。

结语

尽管机器学习软件,在使咱们成为更好的人类方面有很大的潜力,可是假如咱们没有成心的、深思熟虑的和同情心的话,咱们就不或许抵达这个意图。

“废物输入,废物输出”的说法依然建立,并且跟着咱们越来越信赖依据人工智能的体系,这种说法或许更具潜在风险性。

话虽如此,关于怎么最大极限地进步人类的昌盛,我有三个主张。

为了冲击“废物输入,废物输出”,咱们有必要用高质量、容纳性的数据来练习咱们的机器学习体系。

Ai4all、 OpenAI 和Partnership for AI等安排正在发布最佳实践(关于容纳性和安全性) ,供研讨人员和产品团队在规划体系时运用。

咱们有必要学会运用像埃森哲、谷歌和微软这样的安排供给的数据质量东西和概念结构。

跟着公司和安排朝着一个容纳、安全的机器学习体系的未来开展,安排规划不断扩大,他们常常发现自己需求雇佣一名全职考虑这些问题的高管。

这是硅谷最抢手的新职位之一:人工智能道德和政策总监。

第二,咱们不要把这变成核军备比赛的重演,一场零和比赛。

与20世纪80年代初步的专有数据库年代比较,跟着开源代码库(如谷歌的TensorFlow、Databricks的mlflow、无处不在的Keras和scikit-learn )和同享数据存储库(来自Kaggle、UCI、Data.gov等安排)的激增,咱们在机器学习社区现已有了更好的初步。

可是咱们还有很长的路要走。

尽管来自各个国家的专家,或许想把这变成一个零和游戏,一个国家以另一个国家为价值获得成功。

但咱们能够、并且应该一起尽力,完结机器学习支撑的软件对一切人的许诺,而不论其国籍怎么。

终究,谈谈作业问题。

尽管猜测作业的未来超出了这个陈说的规模,可是我留意到像 Gartner 这样的安排,最近的研讨猜测,在未来几十年里会有新的作业时机,而之前的研讨,则猜测未来几十年会有大规划的赋闲。

我喜爱我的朋友李开复在他的《人工智能超级大国: 我国、硅谷和国际新秩序》一书中提出的结构。

幻想两个坐标轴:在 x 轴上,咱们有一系列更惯例的作业,而不是需求发明力和战略的作业。 在 y 轴上,咱们有需求同情心才干做好的作业。隆林山歌

李开复以为,电动车蓄电池,A16Z内部万字陈说:人类与AI结合的最佳形状,8x机器学习将首要替代的作业是左下角的作业:不需求太多同情心的惯例作业。

但即便这些作业消失了,咱们依然有3个象限的作业:那些需求同情心的作业在图表的上半部分,以及需求很多发明力的作业。

这些作业是现在的机器学习技能还没有开展到能够替代的境地。

在考虑怎么让子孙后代为这些作业做好预备时,我想起了我生长进程中盛行的一本书。

这本书的作者是一位名叫罗伯特福尔甘(Robert Fulghum)的牧师,书名叫《我在幼儿园学到的一切我需求学习的东西》。

在书中,他以为咱们应该在孩子身上培育人类的价值观:同理心、公平比赛、学会怎么与别人共处、说声抱愧、幻想力等等。

尽管我知道咱们需求在这个根底上添加一套有用的技能窍门,但我赞同他的观念,即一个赋有情商、同情心、幻想力和发明力的根底,是让人们为机器学习的未来做好预备的绝佳跳板。

在这个未来,人类和算法会更好地结合在一起。

人工智能 开发 人类
声明:该文观念仅代表作者自己,搜狐号系信息发布渠道,搜狐仅供给信息存储空间效劳。