小编
1. AI1.1. AI已经发展成一门涵盖许多子领域的主要学科1.2. 机器学习是迄今为止AI运用最成功的子领域1.2.1. 在这个领域中，最大的技能打破便是
深度学习1.3. “人工智能”“机器学习”和“深度学习”的时候，可能不会把它们的观点区分得那么清楚，有时候，这几个词会被混用1.4. 2016年，基于深度学习技能开拓的围棋棋手AlphaGo击败了韩国棋手李世石，令天下为之震荡，而深度学习也借此彻底点燃了人们对AI的激情亲切2. 深度学习2.1. 第一篇阐述深度学习的学术论文揭橥于1967年2.1.1. 这项技能却花了近50年的韶光才得以发达发展，之以是经历了这么长的韶光，是由于深度学习须要海量的
数据和强大的算力，才能演习多达几千层的神经网络2.2. 如果把算力比作AI的引擎，那么数据便是AI的燃料，直到最近10年，算力才变得足够高效，数据才变得足够丰富2.2.1. 如今，智好手机所拥有的算力，相称于1969年美国国家航空航天局（NASA）把尼尔·阿姆斯特朗送上月球时所用电脑算力的数百万倍2.2.2. 2020年的互联网数据量险些是1995年时的1万亿倍2.3. 受人类大脑内部繁芜的神经元网络的启示，深度学习仿照生物神经网络，构建出包括输入层和输出层在内的人工神经网络，当将数据输入该网络的输入层后，在输出层就会显现出相应的处理结果2.3.1. 中间层2.3.1.1. 又称隐蔽层2.4. 只管深度学习的最初灵感来源于人类的大脑，但二者的运作办法截然不同2.4.1. 深度学习所须要的数据量远比人脑所须要的多得多2.4.2. 一旦经由大数据演习，它在相同领域的表现将远远超过人类2.4.2.1. 尤其是在数字的量化学习2.4.2.1.1. 挑选某人最可能购买的产品2.4.2.1.2. 从100万张脸中挑选最匹配的一张2.4.3. 人类在同一韶光内只能把把稳力放在少数几件事情上面，而深度学习算法却可以同时处理海量信息，并且创造在大量数据背后的模糊特色之间的关联，这些模糊特色不仅繁芜而且奇妙，人类每每无法理解，乃至可能不会把稳到2.5. 没有这些外在的人类规则，深度学习的效果实在会更好2.6. 深度学习的演习方法是，针对特定的运用处景，给人工神经网络的输入层“投喂”大量数据样本，同时给输出层“投喂”相应的“精确答案”，通过这样的演习，不断优化人工神经网络的内部参数，使根据输入天生最靠近“精确答案”的输出的概率最高2.6.1. 在演习过程中，可以将深度学习视为办理目标函数最大化问题的一种数学运算2.6.2. 目标函数是由每次的演习主题决定的2.7. 人工神经网络的演习是一个数学处理过程2.7.1. 通过不断调度网络中的数百万个参数（有时乃至是数十亿个参数），来最大限度地提高“只要输入有猫的图片，就输出‘有猫’的剖断”的概率，以及“只要输入没有猫的图片，就输出‘无猫’的剖断”的概率2.8. 深度学习险些在任何领域都能发挥识别、预测、分类、合成的浸染2.9. 在借助大量数据进行演习时，深度学习可以针对每一个用户供应定制化的做事——基于海量数据中较相似用户的数据，对每个用户做出贴切的预测，以达到千人千面的效果3. 人脑和AI“脑”的差别和善于3.1. 深度学习的能力非常强大，然而它并不是“包治百病”的灵丹灵药3.1.1. 不具备人类在面对决策时独一无二的汲取过去的履历、利用抽象观点和知识的能力3.2. 与人类比较，深度学习想要充分发挥浸染，离不开海量的干系数据、单一领域的运用处景以及明确的目标函数3.2.1. 这三项缺一不可，如果短缺个中任何一项，深度学习将无用武之地3.2.2. 如果数据太少，AI算法就没有足够多的样本去洞察数据背后的模糊特色之间的故意义的关联3.2.3. 如果问题涉及多个领域，AI算法就无法全面考虑不同领域之间的关联，也无法得到足够的数据来覆盖跨领域多成分排列组合的所有可能性3.2.4. 如果目标函数太过宽泛，AI算法就缺少明确的方向，以至于很难进一步优化模型的性能3.3. 图
4. 行业的运用4.1. 互联网行业的领头企业成为AI技能的第一批受益者也就不足为奇了4.2. 在互联网之外，深度学习触手可及的下一个行业是金融业4.2.1. 拥有单一领域（保险业）海量的高质量数据，而且这些数据都与业务指标紧密相连4.2.2. 通过对海量数据进行学习，实现更好的财务成果（基于用户信用评级降落违约率）、更高效的即时交易（借助AI和运用程序），以及更低的本钱（无须人工）4.3. AI还有一个非常有趣的上风，便是数据越多越好，数据越多元化越好4.3.1. 通过不断搜集数据（包括那些让人类专家大跌眼镜的稀奇古怪的数据），AI可以做出更精确的判断，从而创造更多的利润4.3.2. 所有这些信息都会成为证据，解释很多关于你的情形，包括你身为投保人的相对风险，而这些数据都可以通过你的手机运用程序来获取4.3.3. 在这些信息中，有的一看便是代价很高的，有的看起来代价一样平常，但是深度学习的强大之处就在于它可以在所有信息的特色中找到奇妙的组合，对组合特色中丰富的有代价的信息做更深层的洞察，而这个过程是人类无法理解、无法做到的5. 深度学习的问题5.1. 深度学习会使AI比你更理解你自己5.1.1. AI也会节制你的缺陷5.1.2. 奈飞平台2020年的高分记录片《智能陷阱》就展现了AI个性化推举如何让人们在无意识中被操纵，使AI运用程序背后的利益方达成目的5.1.2.1. 如果人们对AI的个性化推举上瘾，这类运用程序就可能缩窄人们的视野、扭曲事实的原形、加剧社会的分解，对人类的感情、生理康健、幸福感等方面造成负面影响5.1.3. 信息茧房5.1.3.1. 你在手机上的每次点击都会激活代价数十亿美元的超级打算机，它会根据从20亿用户的行为中学习到和提取到的履历，对准你的大脑，企图旁边你的思维5.1.4. AI所演习的目标函数常日针对的是单一目标，例如赢利（或者更多的点击量、广告），因此，AI有可能过度热衷于企业的目标绩效，而不考虑用户的福祉5.1.4.1. 一种通用的方法是让AI的目标函数变得不再单一5.1.4.2. 设计目标函数时须要考虑人类的福祉，并让人类更大程度地参与数据标注和目标函数的设计5.1.4.3. 不仅须要对AI的繁芜目标函数展开更加深入的研究，而且须要对“所花费的故意义的韶光”“掩护社会公正”“幸福”等观点进行量化5.1.5. 办理方案5.1.5.1. 一种方法是制订法规，对某些侵害人类福祉的行为给予惩罚5.1.5.2. 另一种方法是对企业承担社会任务的行为进行评价5.1.5.3. 一种方法是建立第三方监管机构，监督企业对技能是否有不当利用5.1.5.4. 特殊困难但又特殊有效的一种方法是，确保AI技能持有者的利益与每个用户的利益达成100%的同等5.2. 会使不公正和偏见得以延续5.2.1. AI完备基于数据优化和结果优化进行决策，理论上该当频年夜部分人更加不受偏见的影响，但是，实在AI也可能产生偏见5.2.2. 倘若用于演习AI的数据不足充分、全面，对某些群体的覆盖率不敷，那么就会产生偏见5.2.3. 倘若演习数据全部网络自一个有偏见的环境，那么数据本身就可能带有偏见5.2.4. 微软的Tay对话机器人和OpenAI的措辞模型GPT-3，都天生过歧视少数群体的辞吐5.2.5. AI可以基于面部微表情精准地推断一个人的性取向，这种AI运用就可能导致不公正和偏见5.2.6. 萨赫杰的“低种姓”并不是直接标注给AI系统的，而是AI系统通过历史数据和个人特色推断出来的5.2.6.1. 萨赫杰并没有被直接贴上“达利特”的标签，但由于他的数据和特色与“达利特”高度干系5.2.7. 如果把带有偏见的AI运用于医学诊断或者法律剖断，那么其风险将无法想象5.2.8. 办理方案5.2.8.1. 利用AI的公司该当表露AI系统被用在哪里以及利用目的5.2.8.2. AI工程师该当接管一套职业道德准则的培训5.2.8.2.1. AI工程师该当接管一套职业道德准则的培训5.2.8.3. 工程师利用的AI演习工具该当嵌入严格的测试机制，以对基于样本比例不公正的数据演习出来的打算模型发出警告或彻底禁止天生模型5.2.8.4. 该当制订AI审计法5.2.8.4.1. 这与传统的财务审计或税务审计类似，AI公司被举报后，政府须要叮嘱消磨专家对其进行审计5.2.8.4.2. 如果一家公司在AI的伦理道德或者公正性方面多次被投诉，它的AI算法就必须接管审计，以检讨、确定其是否存在不公正、偏见或隐私保护方面的漏洞5.3. 不可阐明性5.3.1. 人类总是能阐明人类决策背后的缘故原由，由于人类的决策过程本身比较大略，是基于履历积累得出的规则5.3.2. 经由海量数据演习而得出的数学方程组，要把这个方程组精确地简化成一个人类可以听得懂的“缘故原由”，基本上是不可能的5.3.3. 无论是出于法律的考量，还是出于用户的期望，许多关键的AI决策都须要给出一个阐明5.3.3.1. 为理解决这一问题，人们目前正在进行许多干系的研究，这些研究试图简化、总结AI繁芜的逻辑过程，或者发明具有可阐明性框架的AI算法，从而使AI变得更加“透明”5.4. 任何强大的技能都是一把双刃剑5.4.1. 电力可以为人类社会的日常举动步伐供应动力，但如果人直接碰触电，就可能损失性命5.4.2. 互联网让统统变得更加方便，但也大幅降落了人对事物的专注力5.4.3. 所有的新技能都有缺点5.4.3.1. 历史表明，许多技能的早期漏洞都将随着韶光的推移而得到纠正或被彻底办理5.4.3.1.1. 防止人类触电的断路器5.4.3.1.2. 查杀电脑病毒的杀毒软件5.4.3.2. 未来通过改进技能和完善政策法规，将会办理深度学习（乃至AI）所带来的大部分问题，比如不公正、偏见、不透明