[[412385]]

人工智能如今得到了更廣泛深入的應用，尤其是人工智能技術(shù)在自動駕駛汽車方面的應用，而采用人工智能編寫代碼、設(shè)計谷歌芯片平面圖等也可以表明人們對人工智能的信任程度。

考慮到有些關(guān)于人工智能的宣傳通常只是炒作，人們很容易忘記許多企業(yè)在人工智能方面取得了真正的成功。在這里并不談論特斯拉公司對于人工智能的“全自動駕駛”的持續(xù)營銷。正如行業(yè)分析師Benedict Evans所指出的那樣，“自動駕駛實際上并不是真正的完全自動駕駛。”

最近的一項調(diào)查表明，要讓人工智能發(fā)揮作用，企業(yè)將需要充足資金和良好的數(shù)據(jù)。假設(shè)這些因素都到位，可以了解人工智能在改善人們的生活方面取得進展的一些領(lǐng)域，在這些行業(yè)領(lǐng)域中的應用不僅僅是營銷和宣傳。

人工智能編寫代碼

最近通過機器智能提高人類生產(chǎn)力的最明顯的實驗是GitHub的Copilot。與人們的智能手機(或Gmail之類的東西)在鍵入時推薦單詞或短語的方式類似，Copilot通過推薦要使用的代碼行或功能為開發(fā)人員提供幫助。Copilot在GitHub上接受了數(shù)十億行代碼的培訓，承諾通過允許他們編寫更少但更好的代碼來提高開發(fā)人員的工作效率。

現(xiàn)在宣稱Copilot是否有效還為時過早，這并不是說一定能夠做到。但許多開發(fā)商爭先恐后地嘗試，并稱贊其發(fā)展?jié)摿ΑＨ欢瑯I(yè)界人士對此有一些擔憂：人們不應該期望Copilot生成的代碼是正確的。一方面，這種類型的應用程序還處于早期階段，除了初始數(shù)據(jù)集之外幾乎沒有訓練。隨著越來越多的人使用Copilot，并且借鑒了他們?nèi)绾问褂闷浣ㄗh進行強化學習，其建議應該會得到改進。但是，仍然需要就使用的代碼段以及如何使用它們做出決定。出于安全原因，還需要對使用Copilot生成的代碼小心謹慎。

此外，還有對版權(quán)和開源的擔憂。有些人認為這在理論上聽起來不錯，但隨著開發(fā)人員回到編寫代碼的實踐中，這些擔憂會逐漸消失。關(guān)鍵是開發(fā)人員是否發(fā)現(xiàn)Copilot的代碼建議在實際編程場景中有用，而不是它完全可以這樣做的事實。人工智能只是增強人類的創(chuàng)造力，而不是取代人類。

真正的自動駕駛

當然，自動駕駛汽車目前的現(xiàn)實是并不是真正的自動駕駛，但可以通過承擔更多的工作來幫助駕駛員。自動駕駛汽車可能會由于依賴GPS而受到一定程度的阻礙，因為GPS可能會失效。但正如《科學機器人》雜志所描述的那樣，加州理工學院的科學家們開發(fā)了一種用于視覺地形相關(guān)導航的季節(jié)性不變的深度變換技術(shù)。這意味著自主系統(tǒng)(如汽車)可以從它們周圍的地形中獲取線索，以確定它們的位置，無論該地形是否被大雪、落葉或草叢覆蓋。

當前的方法需要地圖/地形數(shù)據(jù)與車輛“看到”的地形幾乎完全匹配，但是大雪和其他東西可能會破壞這一點。加州理工學院的科學家采用了一種不同的方法，稱為自監(jiān)督學習。雖然大多數(shù)計算機視覺策略依賴于人工注釋者，他們整理大數(shù)據(jù)集來教會算法如何識別它所看到的東西，但這個策略卻讓算法自學習。人工智能通過梳理出人類可能會錯過的細節(jié)和特征來尋找圖像中的模式。通過使用這種深度學習方法，科學家們創(chuàng)造了一種高度準確的方法來改善機器對周圍世界的看法和反應。

但汽車周圍的物體更多的可能是汽車，因此加州理工學院采用的方法也許無濟于事，但佛羅里達大西洋大學工程與計算機科學學院的一位科學家的新研究旨在從人類駕駛員的情緒中學習并相應地改變駕駛方式。目前還沒有人使用這種獲得專利的新方法，但它提出了自動駕駛安全和信任的一種新方法。

信任問題

這一切仍然有些推測，但谷歌公司在芯片設(shè)計上取得了一些成。正如《自然》雜志所描述的，谷歌公司工程師采用了一種芯片布局進行規(guī)劃的新方法，即采用人工智能設(shè)計計算機芯片物理布局。幾十年來，工程師一直在嘗試將這一工作實現(xiàn)自動化，但沒有成功。但是通過使用機器學習，谷歌公司的芯片設(shè)計人員花費了數(shù)月的時間進行開發(fā)，他們將芯片平面布局規(guī)劃作為一個強化學習問題來處理，并開發(fā)了一種基于邊緣的圖卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，能夠?qū)W習芯片的豐富且可轉(zhuǎn)移的表示。

為了達到這一點，谷歌公司的工程師使用一組1萬個芯片的平面圖對人工智能代理進行了預訓練。然后使用強化學習技術(shù)，正如工程師所指出的，人工代理從過去的成功中“學習”以規(guī)定要設(shè)置的下一個塊，在平面規(guī)劃的任何給定步驟中，受過訓練的代理評估芯片的“狀態(tài)”開發(fā)，包括它迄今為止構(gòu)建的部分平面圖，然后采用其學到的策略來確定最佳動作——也就是放置下一個宏塊的位置。

這是一項令人印象深刻的舉措，但更令人印象深刻的是，現(xiàn)在已在谷歌公司的生產(chǎn)中使用，這意味著谷歌公司信任其人工智能技術(shù)幫助開發(fā)的芯片布局圖。

IBM公司也開發(fā)了類似的項目，其名稱為UQ360。而人工智能面臨的挑戰(zhàn)之一是人們不愿意相信其結(jié)果。數(shù)據(jù)驅(qū)動是一回事，但如果人們不完全相信這些數(shù)據(jù)或機器會用它做什么，就不可能相信人工智能。UQ360是一個帶有Python包的開源工具包，為數(shù)據(jù)科學從業(yè)者和開發(fā)人員提供訪問先進算法的權(quán)限，以簡化機器學習模型的估計、評估、改進和交流不確定性的過程，作為人工智能透明度的常見實踐。

換句話說，它使用人工智能估計企業(yè)對人工智能想要做的事情的信任程度。

這是一個巨大的進步，因為它讓人們對越來越多的人工智能應用產(chǎn)生更多的信任。盡管人們多年來一直被告知機器人正在接管人類的工作，但人工智能在匹配用戶興趣與購買機會方面仍然很糟糕。而人工智能的一些應用正在成為現(xiàn)實，因此無需大肆宣傳。