草根影響力新視野 夜未央編譯 

人工智慧經典地以三種形式出現：監督學習、無監督學習和強化學習。監督學習是為 AI 提供許多示例場景和每個場景的正確答案（例如標記為貓或狗的圖像）。 傳統上，無監督學習是人工智慧通過相似性（聚類）學習將項目組合在一起，沒有明確的標籤。強化學習是 AI 嘗試策略（例如在遊戲中）並嘗試優化獎勵功能（例如遊戲中的積分）的地方。

許多商業人工智慧都基於監督學習。例如，貸款審批 AI 可以從過去的貸款申請人示例中學習，其中每個申請人都被標記為高風險或低風險，具體取決於貸款最終如何為銀行製定。監督學習雖然得到了很好的建立和理解，但由於需要標記數據而受到限制。標記數據既耗時又容易出錯。最近的研究表明，著名的標記數據集存在錯誤，雖然標記公司正在湧現一般數據集（例如用於自動駕駛汽車訓練的街道物體），但許多專有數據集（例如用於貸款審批）無法被第三方公司標記。 進入自我監督學習（self-learning）。

 

圖片取自:(示意圖123rf)

在自我監督學習中—人工智慧可以使用標記和未標記數據的混合來完成傳統的監督學習任務（如分類或回歸）。自我監督學習有多種形式，它在自然語言處理領域取得了第一個成功，其中人工智慧學會了使用其他句子來學習概念來填補句子中的空白。自學習也來到了計算機視覺領域，Facebook 等公司開源了自學習包，這些包正在與視覺任務上的完全監督學習競爭。

人工智能如何自學？ 在某些方面，它類似於人類的學習方式。例如 – 想想我們如何學習貓和狗之間的區別。我們當然沒有得到世界上每隻貓或狗的標籤照片。在我們生命的早期，我們可能已經被告知哪個是貓，哪個是狗。然而，從那時起，我們遇到的任何新貓或狗都會自我分類，並讓我們了解貓和狗可能具有的不同特徵。 自我學習可能是縮小人工智慧與常識之間差距的第一步。雖然今天的人工智慧可以在特殊任務（如下棋或在腦部掃描中檢測腫瘤）上勝過人類，但即使是在駕駛等簡單任務中也很難了解人類的自然行為。人類能夠連接「常識」—我們對世界的一般知識，並將其應用於任何學習任務。 自學可以幫助 AI 做同樣的事情。

通過消除標記數據的瓶頸，自我學習有可能徹底改變跨行業構建新 AI 的方式。我們不可能為我們希望 AI 學習的所有內容標記數據。自學開闢了安全、偏見和道德方面的新問題。現在，我們對 AI 學習內容的控制權將更少，這使得 AI 素養對社會更加重要。

資料來源： https://www.forbes.com