对话人工智能，算法的成长之路

前段时间爆火的ChatGPT也带火了人工智能，作为搭载大量数据与知识成果的技术模型，当你向人工智能提问“人工智能是什么？”会得到什么答案？

【资料图】

AI代表着人工智能。人工智能是将认知科学技术应用于人工创造的东西，它能够执行只有人类才能完成的任务，例如推理、自然交流和问题解决。人工智能之所以重要，是因为它有潜力帮助人类更好地完成认知任务，并自动化目前对人类而言难以完成或不可能完成的任务。

以前很多技术进步都能够实现常规事务的增强或者自动化，但是人工智能的变革力量在于，它有能力增强或自动化一些过去只有人类才能完成的事务。

人工智能的能力来自对机器学习的运用。机器学习专注于设计能够自动和迭代地从新数据中构建分析模型的算法，而无需明确地编程解决方案。

在过去的10年左右，机器学习作为一种预测技术的应用范围大大扩展，现如今已经司空见惯：Pandora根据用户的偏好学习如何提供更好的音乐推荐；Google可以根据在网上找到的翻译文档自动将内容翻译成不同的语言；Facebook预测用户对个性化广告的反应，以通过其信息流提供广告。

机器学习最常见的应用之一是计算机视觉，即利用计算机从图像和视频中提取信息，比如在线图像内容的标记或审核、自动驾驶汽车、从数据库中检索特定图像或视频等。

而在最近五年中，人们越来越关注机器学习算法的一个特定子集——神经网络。

神经网络算法能够有效地描述复杂关系。它可以将一组数据输入转化为对输出结果的预测，衡量“接近程度”，然后调整所使用的权重，以缩小预测和现实之间的差距。因此，神经网络就能在在输入数据的过程中学习。其中，在输入和输出之间具有两个以上转换层的网络被称为“深度”网络。

随着技术进步，计算性能改进，计算机变得足够强大，现在公共和私营实体都可以访问到大规模和复杂的数据集，可用于开发和训练人工智能模型。

我们来看一些利用机器学习取得进步的例子。第一个例子，斯坦福大学在2010年举办了首届ImageNet挑战赛，挑战内容是，在一个包含120万张彩色图像、分为1,000个类别的“训练集”中，训练一个模型对新的彩色图像进行分类。2010年和2011年的获胜团队使用传统编码方法，无法将错误率降低到25%以下。2012年，一位参赛者首次使用了深度神经网络，并以16.4%的错误率获胜。随后的几年中，深度学习在该问题上的创新使得2017年的获胜错误率仅为2.3%，显著低于平均人类进行分类任务的水平。

第二个例子是AlphaGo，一个设计用于与人类玩古老游戏围棋的软件。它使用神经网络，并且除了了解围棋规则外，该模型还通过与自身对弈以及数千场真实的业余和职业比赛来学习策略。在2016年3月，AlphaGo以4比1战胜了世界排名第一的选手。研究人员随后考虑通过让神经网络仅与自身对弈来训练它，结果诞生了AlphaGoZero。这个神经网络从随机策略开始，在三天内自我对弈了490万局。这个新的人工智能以100比0击败了之前版本的AlphaGo。

第三个例子是DALL-E，与GPT-3有相同的技术基础。DALL-E是一个经过训练的模型，可以根据用户提供的文本描述生成图像。它在一组2.5亿个文本-图像对上进行了训练后可以创建出从未“见过”的图像，但与提示的文本描述相匹配。请参见图2，这是在提示“一群多样化的经济学家和计算机科学家，在一条河旁边，辅以一只棕白相间的狗，试图学习人工智能”的情况下给出的输出示例。