
网络购物越来越个性化,打车App可以预测目的地,“机器医生”会用大数据进行远程诊断......随着人工智能服务进入寻常百姓生活,公众也越来越关心:AI接管生活方式,会否带来新的社会问题?怎样做到一方面有效监管,一方面继续推动科技的进步和创新的向前?
针对这些问题,知名华裔AI科学家李飞飞近日在斯坦福大学发起“以人为本AI研究院”(HAI),引起了业界的极大关注。在3月18日的成立大会上,来自斯坦福、微软、谷歌和滴滴的嘉宾就AI与人类的互补与竞争进行了深度探讨,展开了一场学术研究和产业实践的有趣对话。
滴滴CTO张博在斯坦福表示,AI相关的学界和产业界需要了解和回应社会公众的需求
参加讨论的世界顶尖学者对AI的前景继续表示出极大的乐观。斯坦福大学生物工程教授Altman和卡内基梅隆大学计算机科学教授Cassell介绍说,在医疗和地质科学领域,AI近年来加速发展,大大扩展了人类的认知边界,让医生和地震预防专家不仅能“知其然”,更走向了“知其所以然”。
同时,与会者也承认AI 的可持续发展还面临很多科技之外的监管和公众认知挑战。谷歌“人+AI”研究负责人Viégas指出,机器学习注重准确性,但应用于不同的领域时,光有准确性是不够的,还需要有可解释性;不仅专家可以懂,最终的用户也可以理解并认可。“对于普通用户而言,AI强大的算法和数学前面有一道墙,我们需要一个可以穿透这道墙的工具,让技术变得可以解释。”
作为这场对话中唯一的产业界代表,滴滴CTO张博特别关注AI和人类价值在实践中的融合。张博表示,滴滴站在人工智能大规模应用的最前沿,经历试错和成长的艰难过程,对人工智能具有最大的信心,也对其社会应用有最深的敬畏心。
“AI像电一样,是一种新的生产力,他能够增强人类做决策的能力,尤其是在数据丰富的领域。AI 也有短板,它还不够灵活,还不能理解人类的感情、文化,还有很长一段路要走。但它的确已经在切实增强人类处理问题的能力。”
张博举例说,滴滴有一万多名客服,每天接到200万次用户咨询或者求助,滴滴客服不仅需要给用户准确的回复,同时需要安抚焦躁的情绪。目前,滴滴人工智能实验室(AI Labs)正和客服团队紧密合作,用语音识别、NLP、知识图谱等技术开发AI智能客服。它可以先用语音了解了用户的需求并为人工客服提供决策信息,然后人工客服再接起电话跟进处理。它还可以学习人工客服的处理方式,从而使机器越来越接近人的复杂决策水平。
张博更加关注的是为AI寻找社会共识的支撑。“很快AI也会和电力一样成为无处不在的基本资源。AI 是一种强大的生产力,它可以给人类创造价值,同时,如果不当使用,也有可能带来伤害。AI 需要人类做价值观层面的判断与决策。”
他举例说,高峰时段车辆供不应求是全世界大城市的普遍问题。在美国,Uber选择动态调价,完全依赖价格杠杆来调节供需。“但是在中国和很多新兴市场,我们提供的是普惠、廉宜的基本叫车服务,完全靠涨价来遏制需求是不是正确的呢?”
经过内部和外部的讨论,滴滴决定在快车这个基本服务上采取排队算法,而在专车等高端产品上采取动态调价,这样来平衡公平和效率的需求。“这不一定是一个完美的答案,但这是一个基于价值观的选择。”
2018年,滴滴就成立了AI for Social Good(AI赋能社会)共创平台,与十多所高校、科研机构和社会组织展开合作,在安全、健康、环境、无障碍等几大核心方向进行项目研究,其中包括绘制高清空气质量和噪音污染地图帮助解决环保问题,以及司机AI关怀助手等。经历2018年安全事件的挫折,让滴滴对“价值”的反思更加迫切。
“李飞飞教授曾和我谈到,没有爱与关怀的技术是没有意义的。” 张博说,“以前我们想的是要做最大的出行平台,算法效率最高,现在的目标是要做体验最好最有责任感的平台。这就需要形成社会认可的价值共识,并在整个技术和管理架构包括算法体系来贯彻。这些价值判断不是凭空产生,需要企业、政府、研究者和社会公众一起来讨论和共建。”
2018年,滴滴成立AI赋能社会共创平台,寻求跨领域的AI社会公益应用
在现场问答环节,一名观众指出:“人机协同,不仅是专家企业和机器智能之间的协同,还包括公众和用户的理解。” 在总结发言中, 李飞飞强调,斯坦福HAI研究院成立的目标,正是把人放到技术的中心,推动人工智能研究、教育、政策和实践,并结合AI对人类社会影响的研究,建立起鼓励创新而且造福社群的AI社会治理文化。
好文章,需要你的鼓励
这项由Snowflake AI Research发表的研究挑战了传统语言学对大型语言模型的批评,通过引入波兰语言学家Mańczak的理论框架,论证了LLM的成功实际上验证了"频率驱动语言"的观点。研究认为语言本质上是文本总和而非抽象系统,频率是其核心驱动力,为重新理解AI语言能力提供了新视角。
freephdlabor是耶鲁大学团队开发的开源多智能体科研自动化框架,通过创建专业化AI研究团队替代传统单一AI助手的固化工作模式。该框架实现了动态工作流程调整、无损信息传递的工作空间机制,以及人机协作的质量控制系统,能够自主完成从研究构思到论文发表的全流程科研工作,为科研民主化和效率提升提供了革命性解决方案。
德国马普智能系统研究所团队开发出专家混合模型的"即时重新布线"技术,让AI能在使用过程中动态调整专家选择策略。这种方法无需外部数据,仅通过自我分析就能优化性能,在代码生成等任务上提升显著。该技术具有即插即用特性,计算效率高,适应性强,为AI的自我进化能力提供了新思路。
Algoverse AI研究团队提出ERGO系统,通过监测AI对话时的熵值变化来检测模型困惑程度,当不确定性突然升高时自动重置对话内容。该方法在五种主流AI模型的测试中平均性能提升56.6%,显著改善了多轮对话中AI容易"迷路"的问题,为构建更可靠的AI助手提供了新思路。