深度学习:科技黑箱的崛起

新知榜官方账号

2023-10-20 10:38:25

深度学习:科技黑箱的崛起

如今,深度学习已经贯穿于我们的生活,无论是汽车自动驾驶、AI医学诊断,还是面部、声音识别技术,无一没有AI的参与。然而,尽管人们早已明了深度学习的输入和输出,却对其具体的学习过程一无所知。

深度学习黑箱机器学习(machinelearning)是人工智能的一种形式,它使用大量的数据来训练自己对某些问题形成算法。与机器学习不同,深度学习(deeplearning)不需要结构化数据作为基础,利用人工神经网络(artificialneuralnet),即多个神经元一起工作,通过这些“神经元”来考虑数据并对数据进行分类。神经网络非常擅长图像识别,当向它们提供足够的数据后,他们可以挑出人眼看不见的图案或差异。利用这一点,深度学习可以实现自动驾驶汽车的行人侦查或肿瘤筛查。但是,当出现超出其参数范围的输入时,神经网络也会崩溃。

深度学习的意义在于,它可以解决各种复杂的问题,而且在特定的,狭窄定义的任务中,深度学习通常优于人类。但是,一旦神经网络失效时,往往会导致严重的后果。如果错误识别的图像发生在肿瘤患者身上或自动驾驶车上时,后果可能是致命的。但问题是这些系统是如此的密集和复杂,人类无法理解它们,对人类来说,深度学习如同一个科技黑箱。

除了令人不安之外,我们无法理解的计算机程序还可以做出一些不可预测的事情,并且当它们出错时,很难对其进行反向工程或纠正。归根结底,我们要搞清楚为什么神经网络的行为是这样,而不是相反。揭示神经网络的想法能彻底搞乱人工智能的数据被称为“对抗性数据”,它会导致一个通常可靠的神经网络犯下奇怪的错误。静态的、波浪状的人字纹,以及五颜六色的条纹,可能被AI自信地识别为“蜈蚣”或“熊猫”。不仅如此,一些常见的图像也会让深度学习人工智能崩溃。把消防车图片倒过来,AI就会看到一个大雪橇;放大一辆公共汽车的窗户,它在AI眼中就变成了一个出气筒。

为了找出原因,Nguyen创建了一个叫做DeepVis的工具来分析神经网络算法。该工具能够将深入学习AI的完整程序分离开来,并显示出单个神经元正在识别的内容。从这里开始,Nguyen能够打破深入学习AI的连续工作进程,从而理解它是如何一步步达到最终检测结果的。将识别对象简单的随机旋转几次,就足以将AI的分类精度从77.5%降到3%由于神经网络这种复杂性,对其所做的“解剖”对于人工智能开发人员最有用,提供的大量细节可以帮助科学家们更深入地理解破解黑箱所需的神经网络训练,就好比医生对于肿瘤的研究一样。但是,即使使用DeepVis,黑箱的秘密可能也不会完全打开。

随着算法变得更加复杂、更加强大和不透明化,围绕黑箱的问题也进一步深入到哲学上:当我们人类自己的神经网络仍然神秘时,要求AI神经网络完全透明是公平的吗?不得不承认,人类本身的神经网络也是一个黑箱。

本页网址:https://www.xinzhibang.net/article_detail-17388.html

寻求报道,请 点击这里 微信扫码咨询

关键词

深度学习 人工智能 机器学习

分享至微信: 微信扫码阅读

相关工具

相关文章

相关快讯