MIT教授称人类大脑并不比AI复杂,30年内机器智能将可复制爱与同情

简介: 从Project Debater身上,我们见证了人工智能在更高维度上对我们的大脑的思维和运行方式的一次形象的模拟。这是否意味着,人的大脑的许多能力都可以用AI重现?

【新智元导读】不久前,由IBM研发的AI辩论系统Project Dabater与人类辩论冠军进行了一场辩论,AI的表现令人印象深刻。从Project Debater身上,我们见证了人工智能在更高维度上对我们的大脑的思维和运行方式的一次形象的模拟。这是否意味着,人的大脑的许多能力都可以用AI重现?

IBM的Project Dabater可人工智能系统在辩论赛中表现可圈可点,这是否意味着,人的大脑的许多能力都可以用AI重现?

不久前,由IBM研发的人工智能辩论系统Project Dabater与以色列辩论冠军Noa Ovadia和Dan Zafrir举行了一次辩论。辩论的主题是从40个随机话题中抽取出来的,研究人员事先并没有对系统进行过针对辩论赛的特别训练,Project Dabater自己对多达3亿篇的新闻文章资源库的内容进行识别、分类和选择,并从中提取出适合在辩论中使用的片段。

在辩论中,Project Dabater可以做到表述语法基本正确,语义和逻辑基本清晰连贯,在听取辩论对手就辩题的看法之后,还能够做出切合话题的反驳。

Project Debater在辩论中的表现虽然算不上完美,但还是令人印象深刻,而且让我们向着人工智能深化的方向向前迈进了一步:Project Debater吸收大量不同的信息和观点,帮助人们建立有说服力的论据并做出明智的决策。可以说,从Project Debater身上,我们见证了人工智能在更高维度上对我们的大脑的思维和运行方式的一次形象的模拟。

实际上,我们所掌握的知识,对事物的观点和认识,甚至是创造力大部分都来源于周围的大量信息。大脑会对我们从周围环境中获取到的这些信息进行记忆、整理、分类、整合等处理,从中识别出不需要的、或多余的信息,从某种程度上说,这些信息也可是以视作一个规模庞大无比、内容无所不包的数据库。

如果说我们掌握的知识和形成的观点是大脑对外部信息的筛选和整合,那么创造力、情感、判断力等这些更高层面的感知能力,也可以归为大脑对信息的多次复杂处理之后得到的结果。如果这些相对高级的感知能力都有望由人工智能建模实现,如果我们的大脑的某些运行模式可以被代码所重现,考虑到现在的计算机,尤其是未来的量子计算机的极快的运算速度和惊人的数据处理能力,那么从某种意义上说,我们的大脑可能并不比AI更加优越,大脑的一些复杂、精确的能力也可以化为代码和程序,最终能够被AI所学习和复制。

一些从事人工智能行业的专家和从事脑科学研究科学家对这个问题也有着类似的思考。

英特尔(Intel)负责人工智能业务的Naveen Rao说:“我们或许能在30年内创造出一种有限智能,它可以在空间中移动,了解周边环境,并且对自己有感知。”他认为人类有可能高估了自己的大脑,爱和同情是可以被人工智能学习和复制的。

麻省理工学院(MIT)的神经学家James DiCarlo表示,“认为人脑将总是比人工智能复杂的观点是错误的,对于大脑和认知方面的科学家来说尤其如此。我相信,工程学将会逐渐地掌握大脑的某些特定功能。”

实际上,Project Dabater的真正价值不在于辩论本身,而是人工智能系统可以为人类决策团队做出的重要贡献。比如在警务室,情报分析掩体或教室内,都可以引入人工智能工具来增进对话,使得基于证据而做出的决策更加合理,或者为人类决策提供的新的信息或可供参考的反对意见。

未来,可能产生能够真正理解我们,并能对我们做出回应的人工智能。换句话说,不管是对AI大力鼓吹还是对其持怀疑态度的人来说,AI可能都要比他们想象中更为强大。

原文链接:
https://www.ft.com/content/36c669c0-791b-11e8-af48-190d103e32a4

原文发布时间为:2018-07-20
本文来自云栖社区合作伙伴新智元,了解相关信息可以关注“AI_era”。
原文链接:MIT教授称人类大脑并不比AI复杂,30年内机器智能将可复制爱与同情

相关文章
|
3天前
|
机器学习/深度学习 人工智能 算法
UCLA、MIT数学家推翻39年经典数学猜想!AI证明卡在99.99%,人类最终证伪
近日,加州大学洛杉矶分校和麻省理工学院的数学家团队成功推翻了存在39年的“上下铺猜想”(Bunkbed Conjecture),该猜想由1985年提出,涉及图论中顶点路径问题。尽管AI在研究中发挥了重要作用,但最终未能完成证明。人类数学家通过深入分析与创新思维,找到了推翻猜想的关键证据,展示了人类智慧在数学证明中的不可替代性。成果发表于arXiv,引发了关于AI在数学领域作用的广泛讨论。
113 92
|
3月前
|
人工智能 安全 搜索推荐
北大计算机学院再登国际AI顶刊!张铭教授团队揭露医疗AI致命漏洞
【10月更文挑战第17天】北京大学计算机学院张铭教授团队在国际顶级人工智能期刊上发表重要成果,揭示了医疗AI系统中的致命漏洞——“模型反演”。该漏洞可能导致误诊和医疗事故,引起学术界和工业界的广泛关注。研究强调了医疗AI系统安全性评估的重要性。
49 1
|
17天前
|
机器学习/深度学习 人工智能 自然语言处理
AI自己长出了类似大脑的脑叶?新研究揭示LLM特征的惊人几何结构
近年来,大型语言模型(LLM)的内部运作机制备受关注。麻省理工学院的研究人员在论文《The Geometry of Concepts: Sparse Autoencoder Feature Structure》中,利用稀疏自编码器(SAE)分析LLM的激活空间,揭示了其丰富的几何结构。研究发现,特征在原子、大脑和星系三个尺度上展现出不同的结构,包括晶体结构、中尺度模块化结构和大尺度点云结构。这些发现不仅有助于理解LLM的工作原理,还可能对模型优化和其他领域产生重要影响。
58 25
|
22天前
|
人工智能 数据挖掘
AI长脑子了?LLM惊现人类脑叶结构并有数学代码分区,MIT大牛新作震惊学界!
麻省理工学院的一项新研究揭示了大型语言模型(LLM)内部概念空间的几何结构,与人脑类似。研究通过分析稀疏自编码器生成的高维向量,发现了概念空间在原子、大脑和星系三个层次上的独特结构,为理解LLM的内部机制提供了新视角。论文地址:https://arxiv.org/abs/2410.19750
65 12
|
2月前
|
人工智能 知识图谱
成熟的AI要学会自己搞研究!MIT推出科研特工
MIT推出科研特工SciAgents,结合生成式AI、本体表示和多代理建模,实现科学发现的自动化。通过大规模知识图谱和多代理系统,SciAgents能探索新领域、识别复杂模式,加速新材料发现,展现跨学科创新潜力。
47 12
|
3月前
|
人工智能 安全 搜索推荐
北大计算机学院再登国际AI顶刊!张铭教授团队揭露医疗AI致命漏洞
【10月更文挑战第16天】北京大学张铭教授团队在国际顶级人工智能期刊上发表重要成果,揭示了医疗AI系统中的致命漏洞——“模型反演”。该漏洞可使攻击者通过特定数据样本误导AI诊断,引发误诊风险。此发现引起广泛关注,强调了医疗AI安全评估的重要性。
66 4
|
3月前
|
机器学习/深度学习 人工智能 算法
Nature子刊:AI模型测大脑年龄,究竟哪些因素会加速大脑衰老?
【10月更文挑战第7天】《自然医学》杂志近期发布了一项研究,介绍了一种名为BrainAge的人工智能模型,该模型可预测个体的大脑年龄并分析影响大脑衰老的因素。研究团队来自美国加州大学旧金山分校,利用英国生物银行的近50,000名参与者的数据,发现高血压、糖尿病、肥胖、吸烟、饮酒、缺乏运动及遗传因素均与大脑衰老有关。尽管存在数据集限制等局限性,BrainAge模型仍为研究大脑衰老和相关疾病提供了重要工具。
73 1
|
3月前
|
人工智能 自然语言处理 机器人
MIT新研究揭秘AI洗脑术!AI聊天诱导人类编造记忆,真假难辨
麻省理工学院的一项新研究《基于大型语言模型的对话式AI在证人访谈中加剧虚假记忆》显示,使用生成式聊天机器人进行犯罪证人访谈会显著增加参与者的虚假记忆,且影响持久。研究设置了对照组、问卷访谈、预设脚本及生成式聊天机器人四种条件,结果显示生成式聊天机器人诱导的虚假记忆数量远超其他方法。尽管AI技术在效率和准确性方面潜力巨大,但在敏感领域需谨慎应用,并需进一步评估风险,制定伦理准则和监管措施。论文详细内容见[这里](https://arxiv.org/abs/2408.04681)。
64 2
|
4月前
|
人工智能 算法 程序员
程序员为何容易爱上AI?MIT学者诊断:智性恋浓度过高!
【9月更文挑战第20天】近日,一篇由MIT学者撰写的论文在网络上引发热议,探讨了程序员为何易对AI产生深厚情感,即“智性恋”。论文指出,程序员在开发和使用AI时,因对其智能和能力的钦佩而形成依赖与认同,但这可能导致过度依赖AI,忽视自身价值或其局限性,甚至引发不健康的竞争。论文链接:https://arxiv.org/pdf/2407.14933。
57 5
|
4月前
|
机器学习/深度学习 人工智能 TensorFlow
神经网络深度剖析:Python带你潜入AI大脑,揭秘智能背后的秘密神经元
【9月更文挑战第12天】在当今科技飞速发展的时代,人工智能(AI)已深入我们的生活,从智能助手到自动驾驶,从医疗诊断到金融分析,其力量无处不在。这一切的核心是神经网络。本文将带领您搭乘Python的航船,深入AI的大脑,揭秘智能背后的秘密神经元。通过构建神经网络模型,我们可以模拟并学习复杂的数据模式。以下是一个使用Python和TensorFlow搭建的基本神经网络示例,用于解决简单的分类问题。
54 10