英语轻松读发新版了,欢迎下载、更新

厌倦了人工智能的炒作?我有一些坏消息。

2024-10-18 12:30:00 英文原文

作者:Kelsey Piper

原文:In周三的未来完美时态通讯,我的同事Dylan Matthews写了一篇文章,表达了对今年诺贝尔经济学奖得主的怀疑态度。他的观点是,虽然他们的理论很有趣,但有很多理由怀疑这些理论的正确性。

然而,对于今年的其他几个诺贝尔奖,我的怀疑则走向了相反的方向。物理学诺贝尔奖被授予时,授予奖项给今年颁发给约翰·J·霍普费尔德和杰弗里·E·辛顿“为了实现人工神经网络机器学习的基础性发现和发明。”

注册这里探索世界面临的重大而复杂的问题以及解决这些问题最有效的方法。每周发送两次。

该奖项无疑反映了他们在所做的严肃、令人印象深刻、改变世界的工作上的成就。研究课题,几乎可以肯定的是其中一些最具影响力的工作。激烈争论的问题是,这个物理学诺贝尔奖是否实际上应该算作物理学。

霍普费尔德和辛顿一起做了大量的基础工作关于神经网络,它们通过改变神经元之间的权重来存储新的信息。诺贝尔委员会认为,霍普菲尔德和辛顿的物理学背景为他们的基础人工智能工作提供了灵感,并且在开发早期神经网络时,他们用分子相互作用和统计力学类比进行推理。

那挺酷的,但这是物理学吗?

有些人并不买账。“最初,当我看到他们获得了如此盛大的奖项时我很高兴,但当我进一步阅读并发现这是物理学领域的奖之后,我就有点困惑了,”人工智能研究员安德鲁·伦森告诉人们。宇宙杂志“我认为更准确的说法是他们的方法可能是受到启发的“由物理研究。”

“我无言以对。我和其他人一样喜欢机器学习和人工神经网络,但很难认为这是物理学上的发现。”推特发布了物理学家乔纳森·普里查德。“猜诺贝尔奖受到了人工智能热潮的影响。”

人们对AI抢走风头的不满在化学诺贝尔奖公布时进一步加剧了。宣布其中一部分授予了Google DeepMind创始人Demis Hassabis及其同事John Jumper,以表彰他们对AlphaFold 2的贡献,机器学习蛋白质结构预测器.

生物学中最难的问题之一是预测由一组氨基酸序列打印出的蛋白质在其折叠过程中会产生的许多分子相互作用。更好地理解蛋白质结构将极大地加速药物开发和基础研究。

AlphaFold能够将理解蛋白质结构所需的时间大幅缩短几个数量级,这是一个巨大的成就,并且非常令人鼓舞,预示着AI模型最终能够在这一领域作出重大贡献。它无疑是诺贝尔奖级别的——如果生物学有诺贝尔奖的话。(实际上没有,所以化学奖颁发给了它。)

化学诺贝尔奖在我看来远没有物理学诺贝尔奖那么令人意外;如果说它引发了怨恨的抱怨,我怀疑那主要是因为除了物理学奖项之外,计算机科学也开始看起来像是在完成其对诺贝尔奖的“接管”。自然在化学奖宣布之后写下的。

诺贝尔奖委员会押注于人工智能,在世界最具声望的舞台上宣布,机器学习研究人员的成就构成了严肃、值得尊敬且世界级的重要贡献,这些成就受到了模糊启发的相关领域的认可。在一个AI越来越重要,但同时有很多人认为它被过度炒作并且极其令人烦恼的世界里,这是一个充满争议的声明。

将AI称为过度炒作是一种糟糕的想法

AI被过分夸大了吗?是的,绝对如此。关于AI能做什么的说法一直充斥着夸张和讨厌的言论。有些人提出荒谬的钱数通过将“人工智能”附加到与人工智能几乎没有关系的商业模式上。对“基于人工智能”的解决方案的热情往往超过了对其实际工作原理的理解。

但所有这一切都可以——确实也与人工智能真正是一件大事并存。AlphaFold在蛋白质折叠预测竞赛的背景下取得了成就,因为人们普遍认为解决这个问题非常重要。无论你对聊天机器人和生成艺术是否感兴趣,同样的技术已经为世界带来了廉价、快速且有效的转录和翻译服务——使各种研究和沟通任务变得更加容易。

而我们目前仍然处于刚开始使用辛顿和霍普菲尔德首次奠定框架的机器学习系统阶段。确实有些人自诩为“反对人工智能炒作”,但实际上他们就像早期20世纪工厂里的人靠在墙上说:“你们用电来解决所有问题了吗?还没有?嗯,看来电也没什么大不了的。”

那是在20世纪初期很艰难为了预见电力会把我们带向何方,但实际上很容易就能看出,将人类劳动的大块任务交给机器的能力将会非常重要。

同样,不难看出人工智能将会变得非常重要。因此,虽然确实存在一群聒噪且热情的无知投资者和不诚实的筹资者急于将一切与AI挂钩,并且公司经常系统性地夸大他们最新模型的先进程度,但这并不意味着认为AI是当今极为重要的科学和技术成就之一是一种炒作。这只是一个准确的看法。

诺贝尔委员会可能是在试图利用舆论热度——他们只是像其他人一样的普通人,有着各种各样的动机——但他们的工作确实很重要,我们都生活在一个被这项工作丰富了的世界里。

关于《厌倦了人工智能的炒作?我有一些坏消息。》的评论


暂无评论

发表评论

摘要

在本周三的《未来完美》通讯中,我的同事Dylan Matthews撰写了一篇文章,讨论了对今年诺贝尔经济学奖得主持怀疑态度的理由。Hopfield和Hinton共同完成了关于神经网络的基础工作,这些网络通过改变神经元之间的权重来存储新信息。“我和其他人一样喜欢机器学习(ML)和人工神经网络(ANN),但很难看出这是物理学上的发现,”物理学家Jonathan Pritchard在推特上写道。“在20世纪初,很难预测电力会把我们带到哪里,但是可以很容易地看到,将大量人类劳动交给机器的能力是意义重大的。所以尽管确实存在一些令人讨厌的、热情的无知投资者和不诚实的资金筹集者急切地给一切贴上AI的标签,并且公司经常系统性地夸大他们最新模型的重要性,但认为人工智能是一个巨大的事件并且是我们这个时代最杰出的科学和技术贡献之一并非‘炒作’。”