【儀表網(wǎng) 儀表下游】導(dǎo)讀：實(shí)現(xiàn)我們的人工智能目標(biāo)需要改變當(dāng)前的數(shù)據(jù)范式；是時(shí)候?qū)⑷祟?lèi)置于AI培訓(xùn)過(guò)程的中心了。
 

　　將人工智能(AI)作為解決具體問(wèn)題的首選技術(shù)的熱情是不可否認(rèn)的，也是值得注意的。但是，盡管每天通過(guò)監(jiān)督學(xué)習(xí)或強(qiáng)化學(xué)習(xí)等流行的人工智能方法仍取得了很大進(jìn)展，但這些經(jīng)典方法的使用方式往往是單一的，這可能也是阻礙人工智能的因素。
 

　　雖然人工智能在越來(lái)越多的領(lǐng)域取得了越來(lái)越大的成功，但它仍然主要作為一種工具來(lái)執(zhí)行狹隘的任務(wù)，或者作為一種簡(jiǎn)單的自動(dòng)化形式，而不是與人類(lèi)用戶(hù)建立關(guān)系的支持伙伴。它很大程度上依賴(lài)于精心策劃或注釋的數(shù)據(jù)，大多是歷史數(shù)據(jù)，而且只能非常間接地從人類(lèi)用戶(hù)那里學(xué)習(xí)。人工智能在某些情況下具有非凡的預(yù)測(cè)能力，但卻無(wú)法具備人類(lèi)從嬰兒時(shí)期就具備的適應(yīng)能力。它只是(還)不能像人類(lèi)那樣根據(jù)從未遇到過(guò)的數(shù)據(jù)進(jìn)行推斷。此外，對(duì)更高精確度的需求導(dǎo)致了越來(lái)越大和復(fù)雜的模型、計(jì)算密集型訓(xùn)練和工程挑戰(zhàn)，這些挑戰(zhàn)阻礙了我們?cè)诨谌斯ぶ悄艿慕鉀Q方案中尋求的可信度、可移植性和可擴(kuò)展性。
 

　　實(shí)現(xiàn)我們的人工智能目標(biāo)需要改變當(dāng)前的數(shù)據(jù)范式；是時(shí)候?qū)⑷祟?lèi)置于AI培訓(xùn)過(guò)程的中心了。您不必相信我們的話：從設(shè)計(jì)到部署將人力和AI資源混合的好處在其他獨(dú)立研究中得到了呼應(yīng)，例如麻省理工學(xué)院斯隆2020年人工智能全球高管研究和研究項(xiàng)目的發(fā)現(xiàn)，以及由此產(chǎn)生的結(jié)果在德勤洞察中，協(xié)作甚至被稱(chēng)為“超級(jí)團(tuán)隊(duì)”。
 

　　與標(biāo)準(zhǔn)的AI方法相比，設(shè)計(jì)、培訓(xùn)和部署混合人類(lèi)用戶(hù)和AI代理的解決方案提供了新的成功途徑。模仿學(xué)習(xí)、課程學(xué)習(xí)和其他較新的技術(shù)已經(jīng)展示了通過(guò)利用人類(lèi)的專(zhuān)業(yè)知識(shí)、反饋和指導(dǎo)來(lái)訓(xùn)練人工智能的其他方法。與其將我們自己局限于一種方法，不如我們可以擁有一切，并將所有這些不同的方法結(jié)合在一起，與人類(lèi)一起構(gòu)建新的智能系統(tǒng)，而不再局限于任何特定的方法、模型或算法?？紤]到人類(lèi)和人工智能各自的優(yōu)勢(shì)和劣勢(shì)，這種人與人工智能的伙伴關(guān)系將產(chǎn)生的不僅僅是其各部分的總和，利用互補(bǔ)的能力來(lái)實(shí)現(xiàn)僅靠一個(gè)或另一個(gè)不可能或很難實(shí)現(xiàn)的結(jié)果。然而，為了讓人工智能代理與人類(lèi)盡可能緊密地協(xié)同工作，具體的方法、途徑和技術(shù)是有必要的。值得注意的是，它要求體系結(jié)構(gòu)設(shè)計(jì)自然有利于多代理、多人、技術(shù)不可知的分布式方法，在研究、原型和操作之間快速、無(wú)摩擦地反復(fù)迭代。
 

　　這些都是Cogment背后的指導(dǎo)原則，Cogment是一個(gè)新的開(kāi)源框架，旨在實(shí)現(xiàn)人類(lèi)和AI代理之間的這種合作伙伴關(guān)系。它今天已經(jīng)在復(fù)雜的環(huán)境中使用，比如人機(jī)協(xié)作、自適應(yīng)學(xué)習(xí)和關(guān)鍵決策支持系統(tǒng)，而且它已經(jīng)為應(yīng)對(duì)未來(lái)的挑戰(zhàn)做好了準(zhǔn)備。
 

　　(原標(biāo)題：人工智能的未來(lái)：數(shù)據(jù)還不夠)