人工智能,有必要像人类一样吗?
机器会思考吗?人工智能可以像人类一样聪明吗?
一项最新研究表明,人工智能或许可以做到了。
在一项非语言图灵测试中,意大利技术研究院 Agnieszka Wykowska 教授领衔的研究团队发现,类人行为变异性(Behavioral variability)可以模糊人与机器之间的区别,即可以帮助机器人看起来更像人类。
具体来说,他们的人工智能程序在与人类队友玩有关形状和颜色匹配的游戏时,模拟了人类反应时间的行为变异性,通过了非语言图灵测试。
相关研究论文以“Human-like behavioral variability blurs the distinction between a human and a machine in a nonverbal Turing test”为题,已发表在科学期刊 Science Robotics 上。
研究团队表示,这一工作可以为未来的机器人设计提供指导,赋予机器人具有人类可以感知的类似人类的行为。
对于这一研究,林雪平大学认知系统教授 Tom Ziemke 和博士后研究员 Sam Thellman 认为,研究结果“模糊了人与机器之间的区别”,为人们对人类社会认知的科学理解等方面做出了非常有价值的贡献。
但是,“人类相似性不一定是人工智能和机器人技术发展的理想目标,让人工智能不那么像人类可能是一种更加明智的做法。”
通过图灵测试
1950 年,“计算机科学与人工智能之父”艾伦·图灵(Alan Turing)提出了一种用于判定机器是否具有智能的测试方法,即图灵测试。
图灵测试的关键思想是,有关机器思维和智能可能性的复杂问题,可以通过测试人类是否能够分辨出他们是在与另一个人还是与一台机器在交互来验证。
如今,图灵测试被科学家用来评估应该在人工智能体上实现什么样的行为特征,才能使人类不可能将计算机程序和人类行为区分开。
人工智能先驱司马贺(Herbert Simon)就曾表示:“如果程序表现出的行为类似于人类表现出来的,那我们就称它们是智能的。” 类似地,Elaine Rich 将人工智能定义为“研究如何让计算机去做目前人做得更好的事情”。
而非语言图灵测试,是图灵测试的一种形式。对于人工智能来说,通过非语言图灵测试并不容易,因为它们在检测和区分其他人(物体)的微妙行为特征方面,表现得并不像人类那样熟练。
那么,一个类人机器人是否能够通过非语言图灵测试,在其物理行为中体现人类特征呢?在非语言图灵测试中,研究团队试图搞清楚能否通过编程让人工智能在类似于人类行为变异的范围内改变反应时间,从而被视为人类。
为了做到这一点,他们将人类和机器人安排在一个屏幕上有不同颜色、形状的房间里。
图|机器人与人类共同执行任务。(来源:该论文)
当形状或颜色改变时,参与者就会按下按钮,而机器人则通过点击屏幕上显示的相反颜色或形状来响应这一信号。
图|通过按下按钮来响应(来源:该论文)
在测试过程中,机器人有时由人类远程控制,有时由被训练模仿行为变异性的人工智能控制。
图|参与者被要求判断机器人行为是预先编程的还是由人类控制的。(来源:该论文)
结果表明,参与者可以很容易地分辨出机器人何时是被另一个人操作的。
但是,当机器人被人工智能操作时,参与者猜错的概率却超过了 50%。
图|图灵测试的平均准确率。(来源:该论文)
这就意味着,他们的人工智能通过了非语言图灵测试。
但是,研究人员也表示,类人行为的可变性可能只是通过实体人工智能的非语言图灵测试的一个必要不充分条件,因为它在人类环境中也可以表现出来。
人工智能,有必要像人类一样吗?
长期以来,人工智能研究一直将人类相似性作为目标和衡量标准,Wykowska 团队的研究证明,行为变异性或许可以用来让机器人更像人类。
Ziemke 等人却认为让人工智能不那么像人类可能是一种更加明智的做法,并以自动驾驶汽车和聊天机器人两个案例做了阐述。
比如,当你在马路上准备穿过人行横道时,看到一辆汽车正在接近你,从远处看,你可能无法判断它是否是一辆自动驾驶汽车,所以你只能根据汽车的行为来判断。
(来源:Pixabay)
但是,即使你看到有人坐在方向盘前面,你也不能确定这个人是在主动控制车辆,还是仅仅在监控车辆的行驶操作。
“这对交通安全有着非常重要的影响,如果自动驾驶汽车不能向其他人表明它是否处于自动驾驶模式,可能就会导致不安全的人机互动。”
也许有些人会说,理想情况下,你并不需要知道一辆车是不是自动驾驶,因为从长远来看,自动驾驶汽车可能比人类更擅长驾驶。但是,目前而言,人们对自动驾驶汽车的信任还远远不够。
聊天机器人,则是更接近图灵最初测试的现实场景。许多公司在他们的在线客户服务中使用聊天机器人,其中的对话话题和互动方式相对有限。在这种情况下,聊天机器人通常或多或少与人类没有区别。
(来源:Pixabay)
那么,问题就来了,企业是否应该将聊天机器人的非人类身份告诉客户呢?一旦告诉了,往往会导致消费者产生负面反应,比如信任下降。
正如上述案例所说明的那样,虽然从工程学的角度来看,类人行为可能是一项令人印象深刻的成就,但人机的不可区分性却带来了明显的心理、伦理和法律问题。
一方面,与这些系统交互的人必须知道他们所交互的内容的性质,以避免欺骗。以聊天机器人为例,美国加州自 2018 年起就制定了聊天机器人信息披露法,明确披露是一项严格的要求。
另一方面,还有比聊天机器人和人类客服更无法区分的例子。例如,当涉及到自动驾驶时,自动驾驶汽车和其他道路用户之间的交互并没有同样明确的起点和终点,它们通常不是一对一的,而且它们有一定的实时约束。
因此,问题在于,关于自动驾驶汽车的身份和能力,应该在何时、以何种方式来传达。
此外,完全自动化的汽车可能还需要几十年的时间才能出现。因此,在可预见的未来,混合交通和不同程度的部分自动化可能会成为现实。
关于自动驾驶汽车可能需要以什么样的外部接口来与人交流,已有很多研究。然而,人们对于儿童、残疾人等弱势道路使用者实际上能够和愿意应对的复杂性,还知之甚少。
因此,上述的一般规则,即“与这样的系统交互的人必须被告知交互对象的性质”,可能只有在更明确的情况下才有可能遵循。
同样,这一矛盾心理也反映在社交机器人研究的讨论中:鉴于人类倾向于将精神状态拟人化并赋予其类似人类的属性,许多研究人员旨在让机器人在外观和行为上更像人类,这样它们就可以或多或少地以类似人类的方式进行互动。
然而,也有人认为,机器人应该很容易被识别为机器,以避免过度拟人化的属性和不切实际的期望。
“因此,更明智的做法可能是利用这些发现让机器人变得不那么像人类。”在人工智能的早期,模仿人类可能是一个业内的共同目标,“但在人工智能已经成为人们日常生活的一部分的今天,我们至少需要思考,在什么方向努力实现类似人类的人工智能才真正有意义”。
以上是人工智能,有必要像人类一样吗?的详细内容。更多信息请关注PHP中文网其他相关文章!

热AI工具

Undresser.AI Undress
人工智能驱动的应用程序,用于创建逼真的裸体照片

AI Clothes Remover
用于从照片中去除衣服的在线人工智能工具。

Undress AI Tool
免费脱衣服图片

Clothoff.io
AI脱衣机

AI Hentai Generator
免费生成ai无尽的。

热门文章

热工具

记事本++7.3.1
好用且免费的代码编辑器

SublimeText3汉化版
中文版,非常好用

禅工作室 13.0.1
功能强大的PHP集成开发环境

Dreamweaver CS6
视觉化网页开发工具

SublimeText3 Mac版
神级代码编辑软件(SublimeText3)

热门话题

本站6月27日消息,剪映是由字节跳动旗下脸萌科技开发的一款视频剪辑软件,依托于抖音平台且基本面向该平台用户制作短视频内容,并兼容iOS、安卓、Windows、MacOS等操作系统。剪映官方宣布会员体系升级,推出全新SVIP,包含多种AI黑科技,例如智能翻译、智能划重点、智能包装、数字人合成等。价格方面,剪映SVIP月费79元,年费599元(本站注:折合每月49.9元),连续包月则为59元每月,连续包年为499元每年(折合每月41.6元)。此外,剪映官方还表示,为提升用户体验,向已订阅了原版VIP

通过将检索增强生成和语义记忆纳入AI编码助手,提升开发人员的生产力、效率和准确性。译自EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG,作者JanakiramMSV。虽然基本AI编程助手自然有帮助,但由于依赖对软件语言和编写软件最常见模式的总体理解,因此常常无法提供最相关和正确的代码建议。这些编码助手生成的代码适合解决他们负责解决的问题,但通常不符合各个团队的编码标准、惯例和风格。这通常会导致需要修改或完善其建议,以便将代码接受到应

想了解更多AIGC的内容,请访问:51CTOAI.x社区https://www.51cto.com/aigc/译者|晶颜审校|重楼不同于互联网上随处可见的传统问题库,这些问题需要跳出常规思维。大语言模型(LLM)在数据科学、生成式人工智能(GenAI)和人工智能领域越来越重要。这些复杂的算法提升了人类的技能,并在诸多行业中推动了效率和创新性的提升,成为企业保持竞争力的关键。LLM的应用范围非常广泛,它可以用于自然语言处理、文本生成、语音识别和推荐系统等领域。通过学习大量的数据,LLM能够生成文本

大型语言模型(LLM)是在巨大的文本数据库上训练的,在那里它们获得了大量的实际知识。这些知识嵌入到它们的参数中,然后可以在需要时使用。这些模型的知识在训练结束时被“具体化”。在预训练结束时,模型实际上停止学习。对模型进行对齐或进行指令调优,让模型学习如何充分利用这些知识,以及如何更自然地响应用户的问题。但是有时模型知识是不够的,尽管模型可以通过RAG访问外部内容,但通过微调使用模型适应新的领域被认为是有益的。这种微调是使用人工标注者或其他llm创建的输入进行的,模型会遇到额外的实际知识并将其整合

编辑|ScienceAI问答(QA)数据集在推动自然语言处理(NLP)研究发挥着至关重要的作用。高质量QA数据集不仅可以用于微调模型,也可以有效评估大语言模型(LLM)的能力,尤其是针对科学知识的理解和推理能力。尽管当前已有许多科学QA数据集,涵盖了医学、化学、生物等领域,但这些数据集仍存在一些不足。其一,数据形式较为单一,大多数为多项选择题(multiple-choicequestions),它们易于进行评估,但限制了模型的答案选择范围,无法充分测试模型的科学问题解答能力。相比之下,开放式问答

机器学习是人工智能的重要分支,它赋予计算机从数据中学习的能力,并能够在无需明确编程的情况下改进自身能力。机器学习在各个领域都有着广泛的应用,从图像识别和自然语言处理到推荐系统和欺诈检测,它正在改变我们的生活方式。机器学习领域存在着多种不同的方法和理论,其中最具影响力的五种方法被称为“机器学习五大派”。这五大派分别为符号派、联结派、进化派、贝叶斯派和类推学派。1.符号学派符号学(Symbolism),又称为符号主义,强调利用符号进行逻辑推理和表达知识。该学派认为学习是一种逆向演绎的过程,通过已有的

编辑|KX在药物研发领域,准确有效地预测蛋白质与配体的结合亲和力对于药物筛选和优化至关重要。然而,目前的研究没有考虑到分子表面信息在蛋白质-配体相互作用中的重要作用。基于此,来自厦门大学的研究人员提出了一种新颖的多模态特征提取(MFE)框架,该框架首次结合了蛋白质表面、3D结构和序列的信息,并使用交叉注意机制进行不同模态之间的特征对齐。实验结果表明,该方法在预测蛋白质-配体结合亲和力方面取得了最先进的性能。此外,消融研究证明了该框架内蛋白质表面信息和多模态特征对齐的有效性和必要性。相关研究以「S

本站7月5日消息,格芯(GlobalFoundries)于今年7月1日发布新闻稿,宣布收购泰戈尔科技(TagoreTechnology)的功率氮化镓(GaN)技术及知识产权组合,希望在汽车、物联网和人工智能数据中心应用领域探索更高的效率和更好的性能。随着生成式人工智能(GenerativeAI)等技术在数字世界的不断发展,氮化镓(GaN)已成为可持续高效电源管理(尤其是在数据中心)的关键解决方案。本站援引官方公告内容,在本次收购过程中,泰戈尔科技公司工程师团队将加入格芯,进一步开发氮化镓技术。G
