談談AI的「低潮期」─演算神經醫學

若說機器也有陷入低潮的時候,你相信嗎?從一個神經科學的角度觀察,某些神經傳導物質能改變大腦的學習方式,影響著生物的決策。那如果機器遇到了卡頓的狀況,是不是也有類似的方法能突破困境呢?在今日所見的機器模型中,「智慧」的意義也許是在預測和分類問題上能做得準確,畢竟機器的計算和記憶能力都比人類來得強大,但這真的代表智慧嗎?對人類來說,廣義的智慧應該是在不同情境下有獨立判斷與學習的能力,回顧過去幾年成果,很多AI模型仍必須在龐大資料庫中,輔以監督式學習(supervised learning)的架構方可獲得良好結果,這聽起來與期待中的智慧大相徑庭,畢竟一般人或動物並不需要在學習上付出這麼多心力。正當多數人關注著GPU的演算速度,追求模型的準確率時,也有人思考著如何讓機器面對不同任務時更通用化(generalized),且更有效率地學習。如此一來,正因需要從一些生物行為模式作為智慧的「典範」,許多科學家都將焦點轉移到神經生物學的研究上。.

Read more

「抱歉,我說錯話了!」AI正努力向人類學習對話

■舉微軟的對話系統為例,當機器接收到了一則訊息,它將會產生數千個可能的回應,並根據各個句子接近人類對話的相似度做排序,再從中選擇最接近正確的回答。在一次的Demo中,使用者問了機器「誰是Adele?」,系統羅列出了許多可能的回應,前五個最適合的句子依序是「她是歌手」、「我不知道她是誰」、「她就是歌手」、「Lana Del Rey(拉娜德雷,同為美國著名歌手)」以及「我不知道她是誰,但她是歌手」。我們大概可以看出機器對於世界應有相當的了解,而能認識到這邊講的Adele正是美國那位名為Adele的歌手。

Read more

嬰兒能根據你願意付出的勞力多寡推論出你的偏好

■三個實驗顯示,十個月大的嬰兒已經知道跳得高比跳得低費力、爬陡坡比爬緩坡費力、跳得遠比跳得近費力。而且他們已經有辦法把費力程度(cost)和報酬大小(reward)連結在一起,並藉此推論出他人願意花比較多的力氣去取得的選項應是他人所偏好的,而且能依此預測他人在之後會做出什麼樣的抉擇。

Read more