原标题：人在回路、机械学习、脑科学……AI与人脑谁更胜一筹？
2月12日，中国科幻大片《流浪地球2》票房达36.51亿，超过《红海行动》，进入内地影史票房前十。其中MOSS在彩蛋里提到了“人在回路”这个概念。
流浪地球中的AI机器人MOSS
如果你还不够理解“人在回路”这个概念，那么最近来势汹汹的ChatGPT其原理正是“人在回路”，今天就让灵元素带大家全面认识一下这个概念吧。
什么是人在回路？
借助人类，让AI变得更聪明。
现有的大部分人工智能（AI）并不能仅依赖自己学习：它们学习依赖密集的人类反馈。
大概有90%的机器学习应用是有监督机器学习驱动的。
应用案例包括智能驾驶系统，类似特斯拉的Autopilot，是研究人员耗费了成千上万个小时来告诉它什么时候传感器看到了行人、移动的车辆、车道标记以及其它所有相关的对象；类似小爱同学的智能家居设备，在你说“把声音调大一点”“播放周杰伦的歌”的时候知道该怎么做，这是因为人类已经花费成千上万个小时告就看看它如何理解不同的命令；包括有道词典一类的翻译助手可以在不同语言之间进行翻译，正因为它已经接受了数千（甚至数百万）人工翻译文本的训练。
特斯拉通过AI系统Autopilot实现智能驾驶
人在回路里人类与AI如何作用？
符合期望的人类与AI协同闭环是这样的：
让机器学习更加精确→使机器学习更快达到期望的精确度→让人类更加精确→让人类更加有效率
相比后两个环节，大家明显对前两个环节更加陌生。
AI的本质是：学习、学习、还是学习，通过学习在足够巨量的历史样本数据中找出规律，再通过计算力将这个规律以数学模型的方式呈现出来，并通过这个用历史数据验证了的数学模型预测未来。
AI学习的过程可以简化为：
数据标准→AI训练→部署使用
斯坦福大学人工智能实验室主任李飞飞，通过对大量图片的人工标注教会计算机识别各种各样的物体，突破以前的研究只局限于几个类型的物体。
在亚马逊公司的资助下，李飞飞团队在网上以众包的方式找人标注图像。100多个国家的几十万人参与了大量图片的标注工作，提交了1400多万张由真人进行了标注的高质量图片集。这就是著名的ImageNet项目，是大数据和人工智能重要的里程碑事件。
ImageNet项目中，几十万人参与标注
ChatGPT的生成式对话底层逻辑也是如此，但目前ChatGPT依然不能逻辑完备的回答所有问题，包括上周Google市值因为新人工智能工具Bard的回答含有事实性错误而蒸发了7000亿美元。
最近大火的ChatGPT
从这个项目也可以看出目前AI学习的瓶颈在哪里：
1、很多问题无法给出精确答案（如医疗问题）、学习样本不足（如流浪地球中人类是否会毁灭）样本精确度不足（如语音识别中的口音问题）
2、缺乏大量的高质量人类对AI进行精确引导，这也是为什么图恒宇会给MOSS带来比图丫丫大得多的提升，因为图恒宇是一个具有高度成熟的思维方式与知识储备的个体，能大幅提高AI学习的质量，优化AI数学模型的推演能力。
从标注学习到交互式学习，AI的学习方式越来越聪明
上文提到的李飞飞及斯坦福计算机系Ranjay Krishna、Donsuk Lee、Michael Bernstein等人提出了一种新的研究框架：社会化人工智能（socially situated AI），即智能体通过在现实社会环境中与人的持续互动来学习。论文“Socially situated artificial intelligence enables learning from human interaction”已发表在美国科学院院刊（PNAS）上。
论文地址：https://www.pnas.org/doi/epdf/10.1073/pnas.2115730119
简单来说，就是由AI向人类提问，让人类以自然语言来回答，这种使用自然语言来获取视觉知识的方法，可以用来测试很多计算机视觉识别任务，如对象检测（“图像中有什么？”）、细粒度识别（“花瓶里是什么花？”）、属性分类（“这张桌子是用什么材料做的？”）、知识库推理（“这份食物是素食吗？”）和常识推理（“这张照片是在冬天拍摄的吗？”）等等。
和你家熊孩子一样，AI学习也需要奖励
在上述交互式学习框架中，研究者引入了知识奖励和互动奖励。
知识奖励衡量模型的在识别任务中的确定性。在刚开始，识别模型不知道如何识别任何概念，但随着看到的特定概念的增长，它会对自己的判断更加肯定。比如，如果人们帮助智能体将图像中的动物识别为鹿，那么它的不确定性就会减少。
交互奖励则引导智能体的行为符合社区规范。如在社交网络中，人们更喜欢回答较短的问题、提供事实知识以及回避含糊不清的问题。所以智能体的每一次交互都会被标记为积极（产生了新信息）或消极（未获得新信息），从而被不断训练成亲社会的。
这么一想处于学习期的AI，只要获得新知识就能继续学习，是不是还是很乖巧的呢？
社会化智能体在社交媒体上发起的互动示例
人类与AI如何分出高下？
截止目前，拥有脑机接口梦想并拥有近300人研发团队的马斯克与特斯拉，似乎也不能让智能驾驶系统完全取代AI。
2月13日，对特斯拉来说极为重要的 FSD Beta v11 更新再次被推迟，似乎遇到了难以解决的问题。特斯拉 FSD 测试版使特斯拉车辆能够自动驾驶到汽车导航系统中输入的目的地，但司机需要时刻保持警惕，随时准备接管。由于责任在于司机，而不是特斯拉的系统，所以其仍然被认为是一个二级驾驶辅助系统。
特斯拉不断地为 FSD 测试项目推出新的软件更新，并扩大测试车主的数量。自去年更大范围地推出测试版以来，目前在北美有超过 40 万名特斯拉车主加入该计划，也就是几乎所有购买了 FSD 包的特斯拉车主都加入了。
特斯拉FSD Beta v10.5
特斯拉 FSD Beta v11 原计划在 2022 年 11 月推出，但经过了多次推迟，目前仍未推出，一直停留在特斯拉的封闭车队内进行测试。
《哈佛商业评论》对1500家具有代表性的头部企业如GE、汇丰银行、联合利华等进行了研究，结果表明当人类与AI协同工作的时候，带来的工作成果进步是巨大的，远远超过只靠人或者只靠AI的。
而人脑的复杂性正推动着超级计算释放更多的潜力。据了解，人脑包含大约 860 亿个神经元，可形成数万亿个接触点。如果以细胞分辨率对整个大脑进行成像，甚至会产生数 PB 范围内的数据，这样的的计算量令人望而生畏。在近期的 Science 上，人脑研究专家们解释了神经科学的进步为什么需要高性能计算技术，并提出进一步的脑类研究可能需要百亿亿级计算设备的协助。
也许未来对人脑的研究会带来更多惊喜，而AI也将飞速迭代至不可思议的智能程度，但美好、稳定、安全的社会，都是需要人类与AI良好协同各司其职才能实现的，所以别再担心自己会被AI取代啦！
关注【灵元素】，了解更多行业动态！返回搜狐，查看更多
责任编辑：
原文链接：https://www.sohu.com/a/640503059_121194876
