人工智能自学能力的提高对人类有威胁吗

计算机方面的研究人员报道，在一组有限的视觉相关测试中，人工智能的发展已经超越了人类的能力。

这是一个值得注意的进展，因为在生活中，所谓的机器视觉系统在很多地方都有应用，包括汽车安全系统，可以检测到步行者和自行车骑手，同样也应用在视频游戏装置，网络搜索以及工厂机器人等方面。

上周四，麻省理工大学、纽约大学和多伦多大学的研究员在《科学》期刊上报道了一种可以单次对焦的新型机器学习。这种机器学习，在分辨简单的手写字符能力中优于人类的表现。

该程序能快速学习各种语言的文字并从中归纳总结。程序作者认为，这个能力和人类对概念的学习和理解的方式相似。

这个新方法称为Bayesian Program Learning，简称为B.P.L，它不同于当前熟知的机器学习的深度神经网络技术。

尽管目前的机器学习也是以生物神经元的行为构建网络模型，但还不能以人类的方式来学习，特别是快速掌握新概念。相比而言，在《科学》期刊中所描述的新程序有能力做到只“看”几个甚至一个简单的例子后就能分辨出手写字符。

研究员对比了Bayesian方法和其他程序模型间的能力。众所周知，Omniglot是一个研究数据集合，里面包括了50种语言下1623个手写字符集合。研究员从中选出一个字符集，包括创建字符所需要的图片和笔画，设置了五个考察学习能力的独立测试。

麻省理工学院认知科学和计算方面教授Joshua B.Tenenbaum认为：“所有机器学习的进展，加上可以获取大量数据和更快的电脑，我们肯定能做很多不可思议的事情。”这篇论文的另一位作者说到：“然而当你观察小孩时也会惊讶，他们可以基于极少的数据来学习。有些是来自于先前知识，有一些则根植于我们的大脑。”

周四，一个年度性的学术类机器视觉竞赛的组织者也报道了他们的收获：通过数字图像，在软件查找物体并分类时如何降低出错率。

三位研究员，创建了一种新的计算机模型，进而领悟了人类一项独特能力：通过单一例子学习新概念

北卡大学教堂山分校计算机科学副教授AlexanderBerg说：“我一直对这个领域发展的速度感到惊讶。”

竞赛是一次大规模视觉识别的挑战，是学术界，政府和公司实验室之间的研究团队间在设计程序对物体识别并分类方面的对抗。今年，来自北京的微软研究院实验室的团队获胜。

在这次挑战中，微软的团队能够排除一半的错误数，这意味着他们的程序能够在1000个不同类别的集合中对物体分类。同时也做到了在200个类别中准确的检测出所有的物体，因此也在另一个竞赛中胜出。

这个竞争要求程序能够检测大量的数字图像，并在图像中标记或找到该对象。比如，他们能够区分不同的事物，比如自行车和汽车，尽量两者可能在某个角度看上去都是两个轮子。

笔迹识别挑战在《科学》杂志和视觉检测分类竞赛中都有提到，研究人员仔细对比了两者（程序的进展和人类能力），都一直认同目前软件的进步看上去已经超过了人类的能力。

尽管这样，计算机科学家认为这种类似的看法并不妥当：可以思考的机器或者直接和人类的智慧进行对比。

西雅图人工智能研究所的首席执行官Oren Etzioni说到：“我会对类似“超人类性能”这样的术语持谨慎态度。当然，霍夫曼可能也没意料到计算机这种超人类的性能。就像电影雨人里演员所刻画的那位数学能力超乎寻常的自闭症患者。”

这种进展也反应了硅谷和其他方面对这一领域日益增强的重视。

上个月，丰田工作宣布了一个为期五年的，十亿美元的投资，建立一个以

斯坦福大学为基础的研究中心，专注于人工智能和机器人方面。

同样，本周在蒙特利尔举办的神经信息处理系统，原本是一个前景不太明朗的学术会议。但相比前一年规模扩大一倍，也吸引了一大批新公司的赞助，包括首次赞助的的苹果公司。

Terrence Sejnowski是计算神经生物学实验室在圣地亚哥沙克研究所生物研究方面的主任。他说：“现在是一个卖方市场，企业没有足够的人才填补这方面的需求。博士生毕业后所得到的薪水比那些在大学给他们上课的老师还高。”