格雷顿解释称,人工智能目前可以就某事做出预测,但往往无法准确衡量预测时的不确定性,因此它在预测时有较大概率会犯下错误。
“它(人工智能)可能会自信地犯错。”当地时间9日,在伦敦举办的中英人工智能协会(CBAIA)年度大会上,伦敦大学学院(UCL)机器学习教授阿瑟·格雷顿(Arthur Gretton)在接受第一财经记者采访时称,当前人工智能领域,尤其是在因果人工智能(Causal AI)领域,最大的挑战之一就是在于不确定性量化。
格雷顿解释称,人工智能目前可以就某事做出预测,比如某款药物的疗效,或者某项政策的效果,但人工智能往往无法准确衡量预测时的不确定性,因此它在预测时有较大概率会犯下错误。
“我认为,这是人工智能研究未来面临的最大挑战之一,也是我的研究小组正在探索的课题之一。”格雷顿教授说。
另一项挑战是统计保障(Statistical Guarantees)。格雷顿教授称,其团队另一项研究课题是,随着数据量的增加,模型会根据数据的哪些特征不断改进,“这同样是一个巨大的挑战。”
本次CBAIA年会以“用数据为人工智能加冕”(Crowning AI with Data)为主题,来自学术界和金融界的多位嘉宾围绕这一主题进行了分享。
医学和金融案例
会上,格雷顿教授分享了一个疾病治疗的案例:假设一种疾病有轻度和重度两种形式,医生根据疾病的严重程度来决定治疗方式,轻度的用药,重度的手术。根据观察,用药治疗的治愈率为85%,手术治疗的治愈率为72%。医院管理层看到相关数字,便认为用药治疗效果更好,且药物往往还比手术费用更低,因此决定所有患者都接受药物治疗。但是,这个决策忽视了治疗与疾病严重程度之间的关系,即轻度患者适合药物,重度患者需要手术。当所有患者都接受药物治疗时,治疗的效果会大大降低,因为重度患者本应接受手术。
这个案例对于研究和使用人工智能的教训在于,在分析数据时,如果没有充分考虑各个因素之间的关系(例如治疗方法与疾病严重程度之间的关系),就可能得出错误的结论。医院管理层的干预打乱了治疗和疾病严重度之间的联系,导致错误决策和低效的治疗方案。因此,必须仔细考虑不同变量、不同数据之间的关系,避免错误简化复杂情况。
大数据公司DBdolphin首席运营官Yangchun Chu则分享了人工智能在金融领域的数据处理和应用案例。他表示,典型的量子对冲基金或量子交易柜台需要处理海量数据,例如,交易指令、公司财务数据以及其他相关数据。通过这些数据,团队会开发多种功能或因子,并将其应用于各种模型,用于预测投资回报;再根据模型的预测结果,生成交易信号。若其模型表现优秀,能够准确预测回报,则将赚取丰厚利润。
人脑提供了一个很好的模板
本次年会举办场所位于伦敦大学学院盖茨比计算神经科学中心。据介绍,该中心成立于1998年,由图灵奖和诺奖双料得主、被称作“AI教父”的杰弗里·辛顿(Geoffrey Hinton)教授参与创立。中心专注于了解大脑计算的神经机制,通过结合神经科学、数学和机器学习等不同学科,探索神经回路如何处理信息、如何进行学习和决策,以及这些过程如何产生感知和行为。
在中心的会议室中,格雷顿教授告诉记者:“利用神经科学来真正理解机器学习的研究还不够成熟。我认为,要理解人类大脑,实在太难了。”
但他也认为,人类大脑为研究人员提供了一个很好的模板,因为它能够在非常少的能量消耗下,处理极为复杂的任务,“所以,某种程度上,(人类大脑)为我们设定了一个目标,值得我们努力去追求”。
VIP课程推荐
APP专享直播
热门推荐
收起24小时滚动播报最新的财经资讯和视频,更多粉丝福利扫描二维码关注(sinafinance)