本文轉自雷鋒網，如需轉載請至雷鋒網官網申請授權。

人工智能（AI）系統(tǒng)的脆弱性一直被行業(yè)人員所詬病，稍微的數(shù)據錯誤就會使系統(tǒng)發(fā)生故障。例如在圖像識別中，圖片微小的像素改變，不會干擾人類視覺，但機器可能會發(fā)生紊亂。正如CVPR 2017論文中所論述的那樣“修改一個像素,就能讓神經網絡識別圖像出錯”。

至于原因，研究人員有過很多探究：數(shù)據不夠好，算法設計不精妙....近日，在科技媒體wired上，計算機科學家Erik J. Larson撰文表示：優(yōu)化思維是AI脆弱性的根源。（譯者注：這里的優(yōu)化思維，也可以翻譯成“追求足夠好”、追求完美AI）

“We then must step toward heresy by acknowledging that the root source of AI’s current fragility is the very thing that AI design now venerates as its high ideal: optimization.”

優(yōu)化是推動AI盡可能準確的動力，在抽象的邏輯世界中，這種推動無疑是好的，但在AI運行的現(xiàn)實世界中，每一個好處都是有代價的。例如需要更多數(shù)據來提高機器學習計算精度，需要更好的數(shù)據來確保計算的真實性。

“這種更好”必須保證不斷的進行數(shù)據收集，因此當AI開始逐漸形成完整的畫面時，新數(shù)據的出現(xiàn)可能改變現(xiàn)有狀況，從而導致系統(tǒng)崩潰。這也是大眾眼中近乎完美的AI經?！胺妇癫　钡脑蛑唬簩⒐饭樊敵刹ぬ}，把無辜的人看成通緝犯。

1.優(yōu)化的脆弱性

人類不是一個優(yōu)化者，過去幾萬年大腦本身也并沒有進化出完美優(yōu)化的功能。大腦是輕量級的，從不追求100%的準確性，并能夠從小數(shù)據中得出假設。

換句話說，大腦滿足于在“門檻”上混日子，如果1%的準確率就能讓它生存，那么這就是大腦所需要的準確率。但這種最小生存策略也會導致認知偏見，讓人們思維封閉、魯莽、宿命論、恐慌。

AI嚴格的數(shù)據驅動訓練方法能有效避免這種認知偏見，卻也讓其陷入“過度糾正”。確實，對人類而言，好的心態(tài)能夠抵御完美主義帶來的破壞性影響，一個不那么神經質的大腦已經幫助我們在“生活的沖撞和搖擺”中茁壯成長。

將這種“反脆弱”引入AI，那么也意味著：與其追求壓縮越來越大的數(shù)據堆，不如專注于提高AI對不良信息、用戶差異和環(huán)境動蕩的容忍度。這種AI將消耗更少的能量，產生更少的隨機失誤，帶來更少的負擔。如何做？目前來看，有三種方式。

2.構建AI直面不確定性

五百年前，實用主義大師尼科勒·馬基雅維利指出，世俗的成功需要一種反直覺的勇氣。對于聰明人來說，大部分不存在的知識將是不必要的；生活往往不會符合我們的預期。因此，人類可以改變對模糊性的處理方式。

例如當AI遇到單詞suit時，它會通過分析更多的信息來確定該單詞是表示衣服，還是法律名詞。分析更多信息通常意味著利用大數(shù)據縮小答案范圍，這在99.9%的情況下有效，剩下的0.1%，AI仍然會“自信”的將suit表示為法律名詞，但實際上它是衣服。

因此，AI應該有足夠大的答案范圍。研究人員在設計AI時候，應該允許“模棱兩可”，并將模糊選項代入后續(xù)任務中，就像人類能夠讀懂一首詩歌的多個潛在含義一樣。如果下游任務不允許“模棱兩可”的存在，這時設計的AI應該能請求人類的幫助，讓人類代替它進行決策。

3.用數(shù)據作為靈感來源

目前的AI希望通過大數(shù)據的發(fā)散性思維實現(xiàn)創(chuàng)造。但眾多科學研究顯示，生物的創(chuàng)造力往往涉及無數(shù)據和非邏輯過程。因此，依靠大數(shù)據或許能夠批量創(chuàng)造出許多“新”作品，但這些作品僅限于歷史數(shù)據的混合和匹配。換句話說，大規(guī)模的發(fā)散性思維的產生必然伴隨著低質量。

數(shù)據驅動的創(chuàng)造所產生的局限性可以從GPT-3以及Artbreeder等文本和圖像生成器中看到。通過“觀察”歷史場景，然后添加專家意見，試圖產生下一個梵高。但結果往往是這位“梵高”只能復制以前畫家的作品。這種AI設計文化，顯然誤解了創(chuàng)新的含義。這種情況從大家對FaceNet的盛譽中可見一斑，因為有一些面部識別的創(chuàng)新，仍然是蠻力優(yōu)化?？梢灶惐葹檎{整汽車的扭矩帶增加汽車性能，并稱其為汽車交通革命。

因此，是時候將數(shù)據看成靈感來源，而不是偽造來源了。90年前，《科學發(fā)現(xiàn)的邏輯》一書的作者卡爾·波普爾就指出：用事實推翻想法比證明想法更合乎邏輯。將這種思維引入到AI產物中，我們可以將數(shù)據的功能從小想法的大量產生者轉變成大規(guī)模的毀滅者（a mass destroyer of anything except），當然一些前所未有的想法除外。（譯者注：這里的大規(guī)模毀滅者是指將“重復作品”篩選出來）

因此，與其無休止的產生“重復作品”，不如讓計算機搜索有價值的作品，從而找到未被賞識的“梵高”。

4.人機結合

將人腦融入AI聽起來很科幻，短期內很難有大的進展，但我們可以另辟蹊徑，設計友好的人機關系。當前人與機器的合作關系并沒有發(fā)揮它應有的作用，人類要么充當機器的保姆，要么充當AI系統(tǒng)更新的附屬品。前者意味著乏味、枯燥，后者意味著被動。如何解決？當前的工作重點已經關注三個方面：

1.攻關科研，讓AI有能力“知道”它何時缺少訓練數(shù)據。換句話說，追求正確的AI，不如追求讓AI知道自己何時不正確，賦予AI認知自己的智慧。人類的大腦無法擁有計算機的數(shù)據處理速度，所以當無知的算法認為自己無所不能的時候，人類的干預總是太晚。因此，應該通過編程讓“傻瓜”發(fā)現(xiàn)自己是“傻瓜”。

2. 完善人機交互界面。因追求優(yōu)化而造成的不透明設計，即黑盒算法。交互設計應該消除黑盒性質，例如將剛性按鈕（只有一個選項）替換成包含概率的選項，標明第一個選項的可能性為70%，第二個選項的可能性為20%，第三個選項的可能性為5%，以此類推。如果沒有滿意的選項，那么就要求AI重新定向，或者進行手動操作，以最大的限度提高計算機的邏輯和人類的主動性。

3. 仿照大腦建立去中心化的AI模型。大腦包含去中心化的認知機制，例如邏輯、敘述、情感，它們之間相互制約、相互平衡。因此，AI系統(tǒng)也可以設計包含不同推理架構，例如如果深度學習不能訪問它所需要的數(shù)據，系統(tǒng)就可以過渡到if-then的控制程序。更重要的是，人工智能可以向外看，從人類學的線索中學習，而不是狂熱地集中在自己的內部優(yōu)化策略上。

以上技術建議并不是未來虛幻的想象，它是現(xiàn)在就可以實現(xiàn)的設計創(chuàng)新。需要研究者拋棄大數(shù)據以及完美智能的假設，在這個不斷變化的世界中，創(chuàng)造性要求比最準確要求來的更加明智。