現(xiàn)在對于AI 完成某項任務已不是什么新鮮事，畢竟在工業(yè)、醫(yī)療、農(nóng)業(yè)等諸多方面都大放異彩。最近，機器人的大腦又不斷被開發(fā)，不但開始擁有好奇心來驅(qū)動自學，而且還像人們解釋為什么作出了某些決策?機器人發(fā)展將迎來質(zhì)的飛躍。

[[186163]]

“我們需要質(zhì)疑為什么算法程序會做出這樣那樣的決定，如果我們不在 AI 動機解釋上花功夫，就無法信任這個智能系統(tǒng)。”卡內(nèi)基梅隆大學計算機科學教授 Manuela Veloso表示說。

據(jù)了解， 創(chuàng)業(yè)公司 OptimizingMind 發(fā)明了一項能觀察智能機器決策過程的技術。　這個算法的目的是創(chuàng)造“透明訪問”系統(tǒng)，以呈現(xiàn)機器學習是如何做出預期的。OptimizingMind的負責人 Tsvi Achler 說：“該系統(tǒng)以人腦的神經(jīng)模型為基礎，能把任何深度網(wǎng)絡轉(zhuǎn)化為該系統(tǒng)的模式。它的目的是探索 AI 行為的潛在預期，并且找出 AI 思維模式的哪個方面對決策影響***”。

“我感興趣的是，大腦和計算機的共同點在哪里?為什么人腦可以在學會任何模型之后把它解釋出來。如果我說 ‘章魚’，你是否能告訴我那是什么?如果我問章魚觸手長什么樣，你能告訴我嗎?”

當然AI與人類大腦的主要區(qū)別之一在于：我們會條件反射地自主去學習，而AI則要有一系列的程序輸入，而且牽一發(fā)動全身。這種靈活性與自主性對于AI來說還有很大的潛力可以突破。

此外，這個系統(tǒng)的“透明訪問“也十分炫酷。這個系統(tǒng)提供了一種實時觀察 AI 決策的方法，抓取重點信息上節(jié)省大量的時間。它可以程師們大幅減少機器開發(fā)的時間，幫企業(yè)節(jié)省資源。Achler 還表示，在提供透明度之外，這個算法還可以被修改。不但預期(expectations)能被表達出來，每個單獨預期還能隨著新信息立刻改變。

[[186164]]

今天，大多數(shù)機器學習的方法使用一個正反饋技術。風險投資公司 Naiss.io 的聯(lián)合創(chuàng)始人 Ed Fernandez 說，正反饋使用優(yōu)化過的權(quán)重執(zhí)行任務。在正反饋系統(tǒng)里，獨特性信息依據(jù)訓練中出現(xiàn)的頻率被錄入權(quán)重。這意味著整套訓練中的權(quán)重必須經(jīng)過優(yōu)化。這又意味著可以“根據(jù)正在被識別的模式執(zhí)行優(yōu)化”，這不是為了權(quán)重而優(yōu)化，而是為了模式識別去優(yōu)化。

如今，在機器人與商業(yè)捆綁日益緊密之時，更加智能細分的機器人已成時下必需，如果能在機器人行動動機上有所突破，那么，未來我們看到的將不再是答非所問跑題王，也不是獨臂行天下的低能機器人，而是心靈手巧，知錯能改的機器人。