Science:多问蠢问题,能让人工智能很快变聪明
斯坦福大学一项新的研究表明,人工智能可以通过问一些看起来很愚蠢的问题来帮助它们变得更加聪明。研究人员研发的新系统在回答 Instagram 上的相似问题时,其准确率提高了 118%。
如果有人给你看一张鳄鱼的照片,并问你它是不是一只鸟?你可能会哈哈大笑。一项新的研究表明,这种在我们看来有些愚蠢的互动可能是帮助人工智能学习的关键。
在该研究中,这种方法显著提高了人工智能解释新图像的准确性,可以帮助人工智能开发者更快地设计程序,以完成从诊断疾病到引导机器人或其他设备自行在家中运转的所有工作。
一、让 AI 主动提问,弥补知识空白
“这是一项超酷的工作!”谷歌机器学习研究学者 Natasha Jaques 说,但她并未参与这项研究。
许多人工智能系统会选择一种被称为机器学习的方法使其变得更智能。这种方法是通过大量数据集来训练人工智能,其所需的时间和工作量都十分巨大。例如,系统在分析数千张家具图片后让人工智能找到椅子的样子。
但即使是巨大的数据集也会存在缺口。比如,图像中的物体可以被标记为一把椅子,但它是由什么制成的?你是否可以坐在上面?这些问题却无法得知。
为了帮助人工智能扩展它们对世界的理解,研究人员现在正试图开发一种计算机程序,用以实现在定位人工智能知识空白,并找出如何通过询问陌生人填补知识的方法。人工智能向陌生人提出自己不了解的问题,并期待得到回答,就像孩子问父母天空为什么是蓝的一样。这项新研究的最终目标是让人工智能能够正确回答有关它以前从未见过的图像的各种问题。
在之前的“主动学习”研究中,人工智能会评估自己的无知程度,并要求获得更多信息。这种方式通常需要研究人员向提供这类信息的在线工作者支付报酬,所以这种方法在一定程度上无法规模化。
因此,在这项新研究中,由计算机视觉和人机交互交叉领域学者 Ranjay Krishna 领导的 Stanford University(斯坦福大学)的研究人员训练了一个机器学习系统,不仅能发现该系统知识的空白,还能通过询问陌生人,如:“水槽是什么形状的?”等愚蠢的问题,以获得答案的方式进行学习。比如,机器学习系统询问:“图中是什么甜点?”陌生人回答:“它是椰子蛋糕。”
▲机器学习系统询问示例
二、发图、提问、学习一气呵成,准确率提升 118%
北卡罗来纳大学教堂山分校的社会心理学家 Kurt Gray 说:“非常重要的一件事是要思考人工智能应该如何呈现自己。 在这种情况下,你希望它像一个孩子,不是吗?”否则,人们可能会因为你问的问题看起来很荒谬而认为你是一个喷子。他的主要研究方向是人类与人工智能的互动,但没有参与这项工作。
该团队还为这一系统建立了“奖励”机制,当人工智能得到了人们反馈的问题答案,就会反过来让人工智能调整其内部运作,以便在未来能够有效应对相关问题。在这基础上,随着时间的推移,人工智能就能进一步学习语言和社会规范方面的知识,让自己变得越来越聪明,并提升它提出易于回答且更有意义的问题的能力。
这种新型的人工智能有几个组成部分,包括一些神经网络,受大脑结构启发的复杂数学函数。Krishna 说:“它们包含很多部分……都需要一起发挥作用。”其中一个部分会在社交媒体 Instagram 上选择一张图片,比如日落,第二个部分会就这张照片提出一个问题,例如,“这张照片是在晚上拍的吗?”其余部分则会从读者的回答中提取信息,并从中了解图像包含的内容的含义。
该团队昨天发表在《美国国家科学院院刊》上的报告显示,在 8 个月的时间里,通过在 Instagram 上提出超过 20 万个问题,该系统回答类似问题的准确率提高了 118%。而一个在 Instagram 上发布问题,但并没有经过明确的训练来提高反应率的比较系统,其准确率只提高了 72%,部分原因是人们更经常地忽略它。 三、AI 也卷起来了?主动向人类寻求帮助
Jaques 认为,主要的创新是奖励让人类做出反应的系统,“从技术角度来说,这并不疯狂,但从研究方向的角度来说非常重要。” Instagram 上大规模的问题发布也给她留下了深刻的印象。在发布所有人工智能生成的问题之前,人类会检查这些问题是否有冒犯性内容。
研究人员希望像他们这样的系统最终能帮助人工智能理解常识、帮助机器人主动交互、增强聊天机器人与人交流的能力等,比如人工智能通过询问问题知道椅子是木头做的、嵌入人工智能的吸尘器会询问去厨房的路、聊天机器人与人们谈论客户服务或天气等。
Jaques 说,社交技能也可以帮助人工智能快速适应新情况。例如,自动驾驶汽车可能会在施工区导航时寻求帮助。“如果你能有效地向人类学习,这是一项非常普遍的技能。”
结语:蠢问题或让 AI 走向更加智能之路
人们有时震惊于人工智能的学习能力,比如阿尔法狗。但人工智能在面临复杂问题时的表现却不尽如人意,往往答非所问。
这项新研究探索了机器学习的新方向,将会助力人工智能理解常识,变得更加智能。但这项技术对于提高人工智能处理复杂问题的能力仍需有待验证。
以上是Science:多问蠢问题,能让人工智能很快变聪明的详细内容。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

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

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

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
