人工智能正變得愈來愈廣泛，簡直天天都有關于人工智能新停頓或新運用的報導。人類對它的設法主意有若干懂得？我們又該若何盡力去研討它？

　　我們對人工智能的懂得

　　我們明天所懂得的人工智能中，年夜部門都遵守深度進修的規矩，即向機械輸出一組數據和想要的輸入成果，機械據此發生算法來處理成績。然后體系會反復這一進程，賡續進修。這被稱為神經收集。應用這類辦法來樹立人工智能長短常需要的，由于盤算機的編碼速度比人類要快。假如換作人類，能夠須要用一生的時光來手工編碼。

　　麻省理工學院電子工程和盤算機迷信傳授Tommi Jaakkola說：“假如你具有一個小型神經收集，你能夠很輕易就懂得它。然則，一旦這個神經收集擴展，直到具有數千層，而每層可到達數千個單元，那末就不那末輕易懂得了。”

　　我們正處在人類與這些體系正面比武的時期。在人類信賴機械之前，我們必需處理一個成績，即讓這些機械停止自我解讀。那末，我們用甚么方法來做到這一點呢？

　　1.逆轉算法。在圖象辨認中，當盤算機辨認它所進修過的形式時，須要對機械停止編程運算，以生成或修正圖片。以《創世紀》一圖為例，它應用了谷歌DeepDream技巧停止圖片修正，人工智能介入個中，調劑了圖象中一只狗的地位。由此，我們可以懂得到關于人工智能來講，狗的抽象是甚么樣的。起首，它重要辨認頭部（這是狗的重要特點）；其次，電腦的辨認方法是將其定位到亞當（圖象左邊）和天主（圖象右邊）的中央。總結一下就是，DeepDream技巧被應用于一幅描寫亞當出生的圖象，人工智能被請求尋覓狗并修正它的地位。

　　2.辨認它所應用的數據。如斯一來，人工智能吸收指令，記載進修摘要，并依據提醒重點“溫習”它此前應用過的文本。麻省理工學院臺達電子傳授ReginaBarzilay起首研收回這類懂得辦法，人類可以借此研討那些善于在數據中尋覓形式、并作出響應猜測的人工智能體系。CarlosGuestrin是華盛頓年夜學的機械進修傳授，他開辟了一品種似的體系，該體系可以或許拔取數據并對本身的選擇作出簡略說明。

　　3.監控單個神經元。Uber人工智能研討室的機械進修研討員JasonYosinski創造了這類辦法，應用探測器來檢測哪一幅圖象可以安慰神經元。這讓我們可以經由過程推剃頭現人工智能最須要的是甚么。但是，這些辦法在很年夜水平上是有效的。正如Guestrin所說：“我們的最終妄想是讓人工智能與人類對話，并向人類說明它的行動，而這一妄想還沒有完整完成。想要具有真實的可解讀式的人工智能，還有很長的路要走。”

　　為何人類須要加倍懂得人工智能？

　　懂得這些體系的任務方法是很主要的，由于它們曾經被運用于醫藥、汽車、金融和雇用等行業，而這些范疇對我們的生涯發生了基本性的影響。假如把這么艱難的義務交給我們不懂得的器械，那就太愚昧了。固然條件是，人工智能是老實的，也不會由于人類的行動或忽視而遭到影響。

　　試圖懂得機人工智能的焦點成績，實際上是一件頗具重要感的工作。假如我們可以或許完善地猜測人工智能行動，那末便可能會褫奪它們獨有的自立聰明。我們必需記住一點，人類有時連本身作出的決議都沒法懂得，更不消說人工智能了。認識成績一直是一個謎，也正由于有這一謎題的存在，世界才加倍風趣。

　　不外，Daniel Dennet也正告說，面臨人工智能的“侵入”，我們須要自問：“人類對人工智能的請求是甚么？對本身的請求又是甚么？”那末，這些能夠將很快掌控世界卻又不完整為人類所懂得的機械，我們應當若何設計和研發它們呢？換句話說，人類要若何為這些轉變世界的“神”編程？讓我們拭目以待。