過去一周，人工智能領(lǐng)域有三個大的新聞：

(資料圖)

一是特斯拉“召回”36萬輛車具有全自動駕駛功能的電動汽車，以解決其全自動駕駛系統(tǒng)在十字路口周圍做出的不安全行為及超速問題，消息當天特斯拉收跌5.7%。

二是聊天機器人Bard錯誤頻出，谷歌要求進行回爐重造，并動員公司全員進行內(nèi)測。上周在相關(guān)消息傳出后，谷歌市值一夜蒸發(fā)千億美元。

三是微軟新版Bing公開測試一周后，網(wǎng)友發(fā)現(xiàn)該搜索引擎不僅會侮辱、欺騙用戶，甚至已學會PUA(精神操控)，還愛上用戶誘其離婚。微軟已經(jīng)表示將限定Bing機器人“聊天長度”，避免AI“變態(tài)”。

紐約大學心理學和神經(jīng)科學教授Gary Marcus表示，有人在Twitter上說這是三個不同的問題，但并不是，“特斯拉召回、微軟Bing失敗和谷歌Bard失敗并不是獨立的，每一個都反映了一個事實，那就是我們不能僅靠大數(shù)據(jù)和深度學習在現(xiàn)實世界中構(gòu)建人工智能”。

“同時發(fā)生的內(nèi)爆會將AI打入寒冬嗎？”Marcus問到。

他在Twitter上說，我們需要新的方法，目前AI已經(jīng)被過度營銷。

從假新聞到假觀點，AI會讓互聯(lián)網(wǎng)“更假”？

近期ChatGPT火爆全球，讓人們看到了人工智能的飛速發(fā)展。

有分析稱，ChatGPT顯然是一個強大的新工具，有潛力在許多領(lǐng)域做很多好事，但也會有不利的一面。其中，像ChatGPT這樣的AI將能夠?qū)θ魏问虑楫a(chǎn)生無限的、幾乎免費的“意見”。但與此同時也會產(chǎn)生很多虛假觀點，并侵蝕自由主義話語中的另一個信任支柱，即活躍在線上的是真實的人。

如今，網(wǎng)絡(luò)上的假新聞泛濫已經(jīng)成為一個全球性的問題。假新聞以不實資訊誤導大眾，以帶來政治、經(jīng)濟、市場利益或心理成就感的新聞或宣傳，包括通過傳統(tǒng)新聞媒體（印刷和廣播）或在線社交媒體傳播故意錯誤資訊或惡作劇，并形成一種負面循環(huán)。

毫無疑問，處理故意的假新聞是一個難題。而AI如果分享的是虛假觀點，可能會產(chǎn)生更大的影響。宣傳者明白這一點：讓一個人相信某件事，最有效的策略也許就是讓他們相信大多數(shù)和他們一樣的人已經(jīng)相信了這件事。

與過去的機器人不同，ChatGPT或類似的AI不需要發(fā)送幾乎完全相同觀點的復(fù)制粘貼語句。它們可以模仿人類，在一系列主題中產(chǎn)生無限連貫、細致入微和完全獨特的內(nèi)容。

分析稱，由一個AI運行的Facebook賬戶可能會一開始每天發(fā)布食譜或關(guān)于它的狗的故事，過幾個月或幾年后才開始散布一些觀點，比如，烏克蘭應(yīng)該為俄烏沖突負責。數(shù)以百萬計的人可以、也將會在幾乎沒有成本的情況下創(chuàng)建這樣的賬戶。

機器人賬戶不僅會主動發(fā)帖，還會對其他用戶的帖子做出反應(yīng)，并參與長期對話。它們可以被編程為尋找特定的關(guān)鍵詞，如“烏克蘭”、“北約”或“普京”，分析過去的文章，并給出合理的回答。

幾乎免費的意見的無限供應(yīng)可能會排擠真實的——即人類的——貢獻。一旦機器人專家變得與人類無法區(qū)分，人類將開始質(zhì)疑網(wǎng)絡(luò)上每個人的身份，尤其是那些與他們意見相左的人。

分析還稱，盡管AI還不成熟，但技術(shù)的局限性并不妨礙播下不信任的種子。某種意義上，技術(shù)局限甚至可能是一種功能，而不是bug。

在Twitter上隨機爭論的用戶并不以其言論的準確性和復(fù)雜性而聞名。錯誤、不準確，甚至是編造的消息來源都可能給機器帶來人性化的感覺。最重要的是可信度，當前版本的ChatGPT制造可信內(nèi)容的能力肯定不比普通Twitter用戶差。

生成式AI是一面鏡子：它最大的缺陷是人類的缺陷

也有分析指出，生成式AI有時會被批評有偏見、不準確甚至自相矛盾，但這些都不是生成式AI本身的特征。問題的根本原因是，我們訓練神經(jīng)網(wǎng)絡(luò)來模擬的人類創(chuàng)造的內(nèi)容是有偏見的、不準確的、自相矛盾的。為什么?因為我們，創(chuàng)造它的人，每個人都有自己的偏見，會犯錯誤，然后這些內(nèi)容被用作訓練神經(jīng)網(wǎng)絡(luò)的語料庫。

一種可能的解決方案是確保當我們訓練神經(jīng)網(wǎng)絡(luò)時，我們提供給它的內(nèi)容是公正、準確和邏輯一致的。除非我們這樣做，否則我們只是在模仿和延續(xù)過去的錯誤：輸入垃圾，輸出垃圾。到目前為止，這個問題一直困擾著OpenAI的GPT系列模型，因為它們都被提供了大量網(wǎng)絡(luò)的快照，作為它們應(yīng)該模仿的內(nèi)容的基礎(chǔ)。

網(wǎng)絡(luò)當然不是完全公正、準確和邏輯一致的，這就是為什么OpenAI對其模型進行了編碼包裝，以試圖防止用戶得到模型可能產(chǎn)生的最壞結(jié)果——到目前為止，這只是部分成功。

不幸的是，確保用于訓練神經(jīng)網(wǎng)絡(luò)的內(nèi)容公正準確，說起來容易做起來難。另一種可能更現(xiàn)實的方法是試圖確定神經(jīng)網(wǎng)絡(luò)存儲信念的位置，然后編輯這些信念以使其準確，或者刪除錯誤的信念，否則會與同樣持有的正確信念相排斥。

無論采取何種方法，更棘手的挑戰(zhàn)將是找出誰來決定哪些信念是有偏見的、不準確的或不合邏輯的，哪些不是。這與其說是一個技術(shù)挑戰(zhàn)，不如說是一個文化和社會挑戰(zhàn)。

分析指出，在決定語料庫或模型的哪些部分是有偏見的、不準確的或不合邏輯的復(fù)雜過程中，以人為本的設(shè)計過程將是必不可少的，因為它強調(diào)理解使用系統(tǒng)的人的真實需求和生活經(jīng)驗，并經(jīng)常迭代以達到更高的質(zhì)量。

關(guān)鍵詞： 神經(jīng)網(wǎng)絡(luò) twitter bing 人工智能