文耕源于中小企业
量子比特制作|微信官方账号QbitAI
最近，哈佛的五名博士生集体来到著名社区reddit，围绕人工智能和认知科学发起了一场AMA(Ask Me Anything)。
简单介绍一下这些博士生：罗克韦尔安约哈是分子生物学系的；Dana Boebinger和Kevin Sitek来自哈佛-麻省理工学院演讲和听力项目；Adam Riesselman和William Yuan来自医学院。他们利用机器学习进行相关研究。
这两个小时的在线交流得到了reddit用户的热烈参与，qubit从中整理摘录了一些精彩的问答。如下。
问题：我们需要担心人工智能和自动化的快速发展吗？
回答：我们应该做好生活在一个充满人工智能和自动化的世界的准备。许多工作在不久的将来会被淘汰。既然我们知道这一天会到来，整个社会应该制定有效的政策。
埃隆马斯克的《AI末世论》遭到了很多人的反对，尤其是AI从业者。正如吴恩达所说，“我认为失业是一个巨大的问题，但我希望每个人都能专注于解决这个问题，而不是关心科幻小说之类的东西”。
问题：在哪个领域(医疗、金融等。)AI会带头吗，为什么？
回答：AI在医学图像处理领域取得了很大的进步。比如在通过图片识别皮肤癌方面，人工智能机器已经达到了人类医生的水平。
金融和银行部门将更快实现自动化。通常，购买股票是一个复杂的决策过程。最终，这些交易将由各种数据决定，算法正在取代人们的决策。
但是我们仍然不知道人工智能将如何影响我们的经济和工作。只有时间能证明一切。
问题：机器学习是目前的热门话题。AI的下一个大事件会是什么？
回答：从纯机器学习的角度来看，无监督学习将是下一个大事情。研究人员现在向机器“输入”数据的方式被称为监督学习。这些数据不仅知道类型(比如图片)，还会有标签(比如图中的一只猫)。在监督领域有许多伟大的成就。
如何让机器自学？这就是无监督学习的目的。宝宝出生后，父母不用什么都教，宝宝会自己学。当然，无监督学习是一件棘手的事情，AI研究人员正在为此努力。例如，Yann LeCun最近一直在谈论无监督学习。
问题：你可能低估了无监督学习。你研究这个AI问题已经几十年了，但是毫无进展。这不是一个新的研究重点。
回答：谢谢你的回复。这里要讲的是无监督学习的具体算法框架。生成模型就是用来解决这个问题的，因为它能以某种方式检测数据中潜在的变量，生成新的数据。
以前用唤醒-睡眠算法解决过这个问题，但是没怎么成功。然后是玻尔兹曼机和深度信念网络的制约。然而，当这些技术应用到现实世界中时，它们都遇到了巨大的挑战。
最近变分自编码器、生成对抗网络等模型有所突破。这些模型可以快速简单地对非结构化数据执行复杂的任务，包括创建角色草图、生成句子和自动给图片着色。
是的，人们已经在这个领域努力很久了。而通过以上的新技术，我认为我们正在接近一个新的领域，——，让机器自己认识我们的世界。
问：你认为政府应该为人工智能制定具体的法律法规吗？
回答：有阿西莫夫的机器人三定律。
第一定律：机器人不得在目睹人类个体处于危险时伤害人类个体或袖手旁观。
第二定律：机器人必须服从人类给它的命令，除非这个命令与第一定律相冲突。
第三定律：机器人要在不违反第一、第二定律的前提下，尽可能保护自己的存在。
说真的，应该有一些法律来规范人工智能的应用，或许一些机构应该进行代码评估，以确定人工智能是否会被用于不道德的领域。脑海中想到无人车需要面对的“电车难题”:为了救10个人，应该牺牲另一个吗？
我们不是这方面的专家。
问题：最近，脸书的工程师关闭了机器学习的翻译程序。据说这些人工智能创造了他们自己的语言。对此你怎么看？(点击此处查看相关报告)
回答：我觉得没什么好怕的。
机器学习的一个很大的问题是产生类似人类的反应或反馈。一种解决方案是让机器生成人类的句子，然后你告诉机器它做得好不好。这个方法很难，因为费时费力。即使是自学习算法也需要数百万个语料库才能正确工作。另一种方式是让一台机器生成句子，另一台判断是否符合人类语言。
脸书的工作是制造一台可以谈判的机器，但结果表明他们的党
式不会奏效，所以关闭了这项研究。
提问：我对AI和机器学习感兴趣已经两年了。希望未来能有机会从事AI安全相关的工作。能给我一些建议么？我应该做什么活着学点什么？多谢！
回答：Google的人写过一篇非常有趣的文章，来说明AI安全问题。他们给出了五个要点：
1、避免有害副作用：机器人如何才能在追求效率的同时避免造成连带损伤？
2、避免激励机制漏洞：如何才能防止机器人投机取巧？
3、弹性监督：如何让机器人能自主验证目标，正确完成任务，而不需要让用户花极高的时间成本与机器人反复核实？
4、安全探索：如何避免机器人在探索陌生环境、学习新技能时对人类造成损害？
5、切换环境后的可靠性：我们如何能保证机器人在切换环境后，能将已经习得的技能无缝迁移到新环境中，避免造成不必要的麻烦？
另外，建议你更多的熟悉算法，知道机器如何工作。
提问：未来想要从事AI，现在最佳路线是什么？我现在就读于社区大学，正在攻读一个计算机科学的学士学位。
回答：坦白讲，我认为想要搞好机器学习，需要有很强的数据背景。机器学习的本质上是统计学，只不过披上了花哨的算法外衣。这个领域迅速演变，就像狂野的西部，所以也有人形容机器学习是：牛仔统计学。但我认为机器学习被夸大了，基本的统计学就能解决很多问题。
我觉得你也应该在其他自己喜欢的领域继续研究。如果你不理解手上数据的意思，你也不可能进行很好的建模。我们这些人都会研究一个具体的问题，在他们感兴趣的领域，应用机器学习的方法。当然，你也可以选择搞纯粹的机器学习研究。
总之，数学和你感兴趣的领域，都很重要。
更多问答内容，可以访问这个网址：
https://www.reddit.com/r/IAmA/comments/6qbw5f/we_are_phd_students_from_harvard_university_here/
△ 参与答问的William Yuan
最后，他们还给出一些建议：
编程入门可以借助这个网站CodeAcademy
地址：https://www.codecademy.com/
进阶学习需要Python编程语言
地址：https://www.edx.org/course/introduction-computer-science-mitx-6-00-1x-10
以及计算机科学入门课程（CS50）
地址：https://www.edx.org/course/introduction-computer-science-harvardx-cs50x
概率入门课程（Stat110）
地址：https://projects.iq.harvard.edu/stat110/about
机器学习入门课程
地址：https://www.coursera.org/learn/machine-learning
不知道如何着手使用数据进行预测？以及想跟别人比试比试机器学习水平？可以试试参加Kaggle竞赛。
地址：https://www.kaggle.com/
推荐一本最棒的机器学习教科书：《Machine Learning: A Probabilistic Perspective》
地址：https://www.cs.ubc.ca/~murphyk/MLbook/
Sklearn：真正伟大的机器学习算法，开箱即用
地址：http://scikit-learn.org/stable/
TensorFlow：先进的机器学习工具包，可以用来构建自己的算法
地址：https://www.tensorflow.org/tutorials/
教程：https://github.com/aymericdamien/TensorFlow-Examples
【完】
活动报名
8月9日(周三)晚，量子位邀请三角兽首席科学家王宝勋，分享基于对抗学习的生成式对话模型，欢迎点击这里报名~
内容来源网络，如有侵权，联系删除，本文地址：https://www.230890.com/zhan/254878.html
