1
| 本文作者： 思睿 | 2015-08-27 15:22 |
人工智能的现实是：苹果的虚拟语音助手 Siri 十分糟糕，多数时候她完全不知道你在说什么。即使当 Siri 识别出你的问题，有时也会用一个包含了网页链接的页面作为回应，并不会直接告诉你答案。
原因在于，苹果的语音助理是建立在旧技术之上的。但即使 Siri 升级到最新的人工智能，她也远远不如有血有肉的真助理。人工智能在过去的几年有了十足的进步，但它距离智能仍然有很长的路要走。
“M”是 Facebook 目前正在研发的全新虚拟助理，它也印证了这一点。
这一语音助手建立在 Facebook 即时通讯应用 Messenger 之上。根据雷锋网消息，M 于本周三亮相，旧金山湾区的数百名用户开始测试这一功能了。毫无疑问，这是 Facebook 为了与 Siri、Google Now 和微软的 Cortana 竞争而交出的答卷。不过，根据 Facebook 的描述，它能够执行更广的任务，你能向 M 下达指令，帮你订晚餐，规划下一个假期等。
这是因为 M 会让人工智能在人类的协同下，回应你的问题。Wit.ai 的创始人 Alex Lebrun 表示：“人工智能试图做一切事情，但它需要受到人类监督”。雷锋网曾介绍，Wit.ai 是 Facebook 收购的一家人工智能创业公司，帮助开发了 M。
在这个由人工智能驱动私人助理的大环境下，M 的诞生似乎是一种倒退。Facebook 才刚刚公开测试，目前还不清楚这种人机合作的方式，在扩展到更多普通用户身上时能否跟上步伐。虽然这是一个违反直觉的方式，但实际上 M 可能更加智能的人工智能。
Facebook 的想法是，人类不仅仅能回答人工智能无法回答的问题，而且从长远来看，有利于提高它们能力。如今的人工智能，都至少需要获得人类的一些训练。如果你想要一个系统能自动识别 YouTube 视频中的猫咪，首先人类必须告诉它猫咪是什么样，而且还必须标注各种猫科动物的照片，提供其他必要的数据。通过人类对 M 提供支持，Facebook 正在以异常复杂的方式做这类事情。
具有讽刺意味的是，Wit.ai 提供的依然是很老的人工智能技术。这一技术基于两个算法——条件随机域和最大熵分类器。这两个算法已经服务于这个高科技世界十多年了。不过，这种方法为 M 在找到更好的人工智能技术之前，提供了跳板。
Lebrun 于2013年成立了 Wit.ai，之后开发了一个AT&T公司用于与客户沟通的数字代理。Wit.ai 提供了一种可以帮助软件程序员开发类似于 Siri 系统的服务，其可以识别语音，并在一定程度上理解自然语言。这一服务正是基于上述所说的旧算法，但它不需要像苹果和 Google 一样，收集大量的语音数据就可以学会识别语音。
负责 Messenger 的 Facebook 副总裁 David Marcus，之前曾想扩大 Messenger 的使用范围，产生更多收入，之后他接触到了 Lebrun 和他的公司。今年一月 Facebook 收购了这家仅有10人的创业公司，收购金额不详。Marcus 表示，Facebook 拿下了“在全球人与人工智能交互中做的最好的团队之一”。不过当时，Lebrun 并不清楚 Facebook 要做什么。
约三个月后，他们团队产生了开发一个运行在 Messenger 之上的虚拟助手的想法，但它不会是另一个 Siri。首先，它主要是通过文字沟通，而不是声音。其次，它也会回答一系列更复杂的问题。Lebrun 表示：“如今有很多的人工智能助手，如 Siri、Google Now 和 Cortana，但应用范围有限。我们希望开始做一些更加雄心勃勃的事情，给人们他们真正想要的答案。”
当你向 M 提问，人工智能会理解你的问题，并制定相应的回应。但它不会将结果发送给用户，系统会先将结果发送给人工智能“培训师”——也就是 Wit.ai 团队的员工。培训人员经过审核，再决定为你提供所要寻找的内容。
根据 Lebrun 的说法，该人工智能可以自动完成大部分简单的工作，例如讲笑话。对于更复杂的任务，比如预约驾驶考试，人类会在其中担当最繁重的工作，并会真正向目标公司预约。
在有人为参与的任务中，人类会因特定的问题应该如何回答，产生相应的操作路线图，每一步都会被记录下来。未来，这些数据可以帮助推动基于深度学习而产生的更先进的系统，基于深度学习的人工智能会通过机器的庞大网络分析信息，这些网络就像是在模仿人类大脑中的神经元。
这种神经网络已经被证明在识别图像、识别语音、定向广告，甚至是指导机器人拧上瓶盖等方面极为有效。Facebook 现在使用神经网络来识别照片中的面部，确定哪些内容可能是你想要在新鲜事中看到的。采用了 M 之后，它的目的就是将技术进一步在产品中应用。
那么为什么不从一开始就用神经网络开发 M 呢？如果没有正确的数据，神经网络将无法提供如此强大的服务。有了几千个数据点，你就可以开始建立一个模型，之后采用这一模型，就会得到更多的数据，一旦你有了一百万个数据点，就会得到一定程度的深度学习能力。
正如 Lebrun 所描述的那样，这是一个非常宏大的计划。即使将神经网络混合进去之后，Facebook 将在未来几年继续使用人类参与这项计划。随着 M 的不断使用，它就需要更多的数据才能继续提升。你知道的越多，你不知道的也越多。人工智能做的越多，也就有更复杂的任务需要去做。
随着 M 的使用范围扩大到越来越多的用户，就需要越来越多的“培训师”。Lebrun 预计其培训人员的数量将会随着用户的数量的增长而增长，这会带来的负担将是巨大的。Messenger 目前有7亿人在使用。
但同时，即使 Facebook 能够保持系统持续运行，人工智能可能不会像 Lebrun 所期望的那样快速进化。数字助理创业公司 x.ai 的 Dennis Mortensen 表示，让人类和人工智能一起工作实际上可能会放慢改革的步伐。他拿无人驾驶汽车作类比，除了像Google这样的完全无人驾驶，现在还有一种方式是在汽车中逐渐加入智能功能。但后者的问题是，它可能并不会最终达到完全的无人驾驶，毕竟所收集的数据可能人工智能并不需要。
但Mortensen也承认了数据的重要性，并表示，如果Facebook适当使用了培训师，或许能为人工智能找到捷径，不过它要将重点放在未来，而不是看它现在能做什么。
via wired
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
