代碼之外，我們能在多大程度上信任人工智能呢

　　關(guān)于人工智能(AI)這個相當(dāng)過時的概念，最近引起了大量的討論。人工智能充斥著我們的生活，涉及了無數(shù)的應(yīng)用程序，從谷歌搜索，到Uber或Lyft打車軟件，到機票價格，到智能助手Alexa或Siri。對一些人來說，人工智能是一種拯救，它會提高生活質(zhì)量，同時在眾多成熟的行業(yè)中注入創(chuàng)新元素。然而，另一些人則發(fā)出了可怕的警告：我們很快就會完全被高超的機器智能所征服。人工智能是典型的軟件主導(dǎo)，而軟件是容易出現(xiàn)漏洞的?？紤]到這一點，我們?nèi)绾沃廊斯ぶ悄鼙旧硎亲銐蚩煽咳ネ瓿晒ぷ鞯?或者更確切地說，我們對于人工智能的成果能夠信任到什么程度?

　　盲目信任的風(fēng)險

　　我們來討論一下自動駕駛汽車。汽車自動駕駛系統(tǒng)的發(fā)展中，人工智能的元素發(fā)揮了很大的作用。現(xiàn)在制造出了大部分時間都遵守道路規(guī)則的車輛。這里有一個案例，一輛自動駕駛汽車在佛羅里達(dá)州側(cè)面撞上一輛轉(zhuǎn)彎的卡車，導(dǎo)致“司機”死亡。這起事故最終被歸咎于“司機”的失誤，因為自動控制裝置被認(rèn)為是在他們的設(shè)計范圍內(nèi)運行的。當(dāng)時的躲避系統(tǒng)設(shè)計要求雷達(dá)和視覺系統(tǒng)的結(jié)果達(dá)成一致后做出閃避的動作。

　　然而，有證據(jù)表明，白色卡車在明亮的陽光下轉(zhuǎn)彎時造成眩光晃到了這輛車的視覺系統(tǒng)。于是這個系統(tǒng)既沒有察覺到，也沒有對即將到來的危險做出反應(yīng)。并且，在這次事故中，還有其他證據(jù)表明，當(dāng)時“司機”正在看《哈利波特》電影。這名“司機”顯然對自動駕駛系統(tǒng)過于自信，并沒有對其行為進(jìn)行積極的監(jiān)控，也沒能發(fā)現(xiàn)它的漏洞，盡管估計有7秒鐘的可以讓他預(yù)見到風(fēng)險的時間。

　　設(shè)計的保護(hù)等級已經(jīng)確定，但司機沒有意識到他的自動駕駛儀仍然需要他全神貫注的注意力。在這種罕見的情況下，對于人工智能系統(tǒng)的錯誤信任引發(fā)了致命的結(jié)果。

　　建立信任的門檻

　　人工智能的發(fā)展確實令人印象深刻。美國國防部高級研究計劃局(DARPA)在2016年年底完成了“網(wǎng)絡(luò)大挑戰(zhàn)”(CGC)競賽。CGC上，機器可以獨立地玩一種被稱為“奪旗必死”的實時黑客游戲。在這里，“旗幟”隱藏在代碼中，黑客的工作就是利用漏洞攻擊對手的“旗幟”。CGC為最成功的球隊提供了200萬美元的獎金。CGC最后一輪在一個普通的封閉網(wǎng)絡(luò)上，在沒有人為干預(yù)的情況下，七臺機器相互競爭。這些機器必須識別對手系統(tǒng)中的漏洞，在自己的系統(tǒng)上進(jìn)行修復(fù)，并在對手的系統(tǒng)中利用這些漏洞來奪旗?？▋?nèi)基梅隆大學(xué)的Mayhem團隊獲得勝利。

　　美國國防部高級研究規(guī)劃局信息創(chuàng)新辦公室主任John Launchbury將與CGC有關(guān)的人工智能的特征描述為手工制造的知識。這項技術(shù)從早期的專業(yè)系統(tǒng)中脫穎而出，對于現(xiàn)代人工智能的發(fā)展至關(guān)重要。在手工制造的知識中，系統(tǒng)根據(jù)復(fù)雜的、手動定義的規(guī)則集進(jìn)行推理。這種人工智能具有推理能力，但在感知方面是有限的，它沒有學(xué)習(xí)和進(jìn)行抽象的能力。

　　在對于未來的推理型人工智能可以快速診斷和修復(fù)軟件漏洞這方面建立信心的同時，需要指出CGC是有范圍限制的。出于競賽的目的，開源操作系統(tǒng)的擴展被簡化了，被植入的惡意軟件版本，相對于真實生活中的惡意軟件來說，是大打折扣的。這就有意地減輕了開發(fā)負(fù)擔(dān)，為競爭評估建立了統(tǒng)一的基礎(chǔ)，并降低了將競爭對手的軟件不經(jīng)重大修改就發(fā)布到更大的聯(lián)網(wǎng)世界的風(fēng)險。

　　在游戲中使用“卑鄙的手段”來擊敗對手，是一個更黑暗的維度。盡管重新設(shè)計代碼以快速隔離和修復(fù)漏洞是好的，但將這些漏洞轉(zhuǎn)化為有效利用其他代碼的機會是另一回事。一些人擔(dān)心，如果這種能力得到釋放并失去控制，它可能會變成一種“超級代碼”——既規(guī)避了常見的漏洞，也能利用同樣的漏洞來控制他人的網(wǎng)絡(luò)，包括日益增長和可能還很脆弱的物聯(lián)網(wǎng)。這種擔(dān)憂促使電子前沿基金會呼吁人工智能開發(fā)者“道德規(guī)范”，以限制推理系統(tǒng)在可信賴的狀態(tài)下執(zhí)行。

機器學(xué)習(xí)增加了信任的賭注

　　Launchbury把統(tǒng)計學(xué)習(xí)這個詞歸于他認(rèn)為的第二次浪潮。在這里，感知和學(xué)習(xí)能力很強，但這項技術(shù)缺乏執(zhí)行推理和抽象的能力。雖然統(tǒng)計數(shù)據(jù)令人印象深刻，但機器學(xué)習(xí)會周期性地產(chǎn)生不可靠的結(jié)果，通常表現(xiàn)為奇怪的異常值。隨著時間的推移，機器學(xué)習(xí)也會因受到污染的訓(xùn)練數(shù)據(jù)而出現(xiàn)偏差?？紤]到并非所有的人工智能學(xué)習(xí)都能產(chǎn)生可預(yù)測的結(jié)果，這導(dǎo)致了人工智能系統(tǒng)可能會以意想不到的方式出錯。那么，有效地定義人工智能工具的信任等級就是個很大的障礙。

　　從本質(zhì)上講，人工智能是一種高階結(jié)構(gòu)。在實踐中，大量松散聯(lián)合的實踐和算法似乎構(gòu)成了大多數(shù)人工智能的組成部分——通?？缭皆S多局部領(lǐng)域。事實上，人工智能已經(jīng)遠(yuǎn)遠(yuǎn)超出了計算機科學(xué)的范疇，涵蓋了神經(jīng)科學(xué)、語言學(xué)、數(shù)學(xué)、統(tǒng)計學(xué)、物理學(xué)、心理學(xué)、生理學(xué)、網(wǎng)絡(luò)科學(xué)、倫理學(xué)等領(lǐng)域。

　　為了實現(xiàn)機器學(xué)習(xí)的某種狀態(tài)，有大量的潛在算法和方法存在，這就帶來了一些嚴(yán)重的信任問題，特別是對于那些為了確保信任等級而參與軟件測試的人來說。當(dāng)人工智能與任務(wù)臨界狀態(tài)相關(guān)時，就像越來越多的情況一樣，測試人員必須為多個因素建立基礎(chǔ)，例如程序一致性、可重復(fù)性、穿透性、應(yīng)用路徑跟蹤，或可識別的系統(tǒng)故障模式。

　　關(guān)于什么是最合適的人工智能算法這個關(guān)鍵問題的歷史，可以追溯到1976年。人工智能從業(yè)者都面臨著一個復(fù)雜的問題，那就是如何使用合適的算法來適應(yīng)所需的人工智能設(shè)計。給定一個預(yù)期結(jié)果，那么，哪種算法最準(zhǔn)確?哪一種效率最高?在預(yù)期的環(huán)境中，哪一種最容易實現(xiàn)?哪一種隨時間擁有最大的潛力?哪些是最熟悉、最有可能讓用戶參與其中的?設(shè)計是基于某種集中式還是分布式代理、或者是集群軟件代理?這一切要怎么進(jìn)行測試呢?

　　這些問題表明，在各種與人工智能相關(guān)的算法和技術(shù)之間存在必要的設(shè)計權(quán)衡。這么多人工智能可替代方法的存在表明，大多數(shù)人工智能架構(gòu)都遠(yuǎn)非那么一致或有凝聚力。更糟糕的是，對于推理和學(xué)習(xí)系統(tǒng)來說哦，它們都需要高度的基于上下文的個性化。當(dāng)然，這也是在說人工智能測試，因為每一種算法和它的個性化實現(xiàn)都會帶來獨特的深度測試的挑戰(zhàn)，即使是在單元級別。

　　一個高級人工智能測試評估了正確識別和分類圖像的能力。在某些情況下，這項測試已經(jīng)超越了人類做出此類評估的能力。例如，在人面數(shù)據(jù)庫(LFW)中的數(shù)據(jù)集用13000張圖片支持人臉識別技術(shù)的訓(xùn)練，并使用用神經(jīng)網(wǎng)絡(luò)或深度學(xué)習(xí)來校準(zhǔn)面部識別機器學(xué)習(xí)工具。新的自動化人工智能圖像識別工具可以使用這個數(shù)據(jù)表在統(tǒng)計學(xué)上超越人類的面部識別能力。然而，眼前的任務(wù)本質(zhì)上是感性的。這些任務(wù)通過數(shù)學(xué)上相關(guān)的幾何圖形來區(qū)分，但沒有任何形式的高階認(rèn)知推理。此外，盡管它將選擇性識別的準(zhǔn)確率與人類能力進(jìn)行了比較，但在這個測試中，底層代碼基礎(chǔ)的其他關(guān)鍵任務(wù)方面仍未得到檢測。

　　代碼之外

　　機器學(xué)習(xí)的測試變得更加復(fù)雜，因為在學(xué)習(xí)環(huán)境中需要大量的數(shù)據(jù)集來“訓(xùn)練”人工智能。不僅人工智能應(yīng)該被證明是無懈可擊的，在訓(xùn)練中使用的數(shù)據(jù)理論上也應(yīng)該具有最高的質(zhì)量。然而，在現(xiàn)實世界中，數(shù)據(jù)集往往是不平衡的、稀少的、不連貫的，而且往往是不準(zhǔn)確的。下面的圖片表明，信息經(jīng)常是由解決歧義得到的。即使在受控條件下，使用單個或多個經(jīng)過驗證的數(shù)據(jù)集來訓(xùn)練和測試分類器也會產(chǎn)生顯著的差異。因此，即使是對分類器的受控測試也會變得非常復(fù)雜，必須仔細(xì)研究。

　　其他與信任相關(guān)的因素遠(yuǎn)遠(yuǎn)超出了代碼的范圍。因為編程既是一種創(chuàng)造性行為，又是一種句法科學(xué)，因此它需要一定程度的翻譯解釋。程序員可以將有意的或無意的文化或個人偏見注入到產(chǎn)生的人工智能代碼中?？紤]一下程序員的情況，他們創(chuàng)造了一種非常精確的面部識別程序，但忽略了皮膚色素沉著是識別標(biāo)準(zhǔn)中的一個決定性因素。這一動作會使結(jié)果偏離原本由皮膚顏色強化的功能。相反，罪犯的再犯率扭曲了一些以美國為基地的監(jiān)獄釋放決定。這意味著，一些在押人員比其他人更有機會得到提前釋放的數(shù)據(jù)——而無視了普遍的情況。語義上的不一致性可能會進(jìn)一步危害人工智能代碼的中立性，尤其是在涉及自然語言處理或慣用語音識別的情況下。

　　一些人認(rèn)為，所有的IT從業(yè)者都是網(wǎng)絡(luò)安全從業(yè)者。這也對人工智能的發(fā)展和實施產(chǎn)生了巨大的影響。從網(wǎng)絡(luò)安全的角度來看，“誰知道機器知道什么、機器是什么時候知道的?”的問題就變得尤為重要。機器學(xué)習(xí)的東西往往不是很容易被觀察到的，而是被深度編碼的。這不僅會影響新入網(wǎng)的數(shù)據(jù)，而且——在物聯(lián)網(wǎng)中——這些數(shù)據(jù)會讓執(zhí)行器觸發(fā)激活器，從而將“學(xué)習(xí)”轉(zhuǎn)化為某種行為。由于缺乏具體的刺激身份和出身，整個人工智能引發(fā)的物聯(lián)網(wǎng)刺激反應(yīng)機制也變得同樣不確定。在任務(wù)關(guān)鍵型系統(tǒng)中產(chǎn)生的行為需要嚴(yán)格的驗證。

　　第三次浪潮

　　Launchbury預(yù)言了一個尚未完善的人工智能第三次浪潮，他將其命名為“語境適應(yīng)”。這項技術(shù)需要更多的工作，將感知、學(xué)習(xí)和推理的優(yōu)勢集中在一起，并支持跨領(lǐng)域抽象的更高水平。

　　2017年5月，年度本體峰會被命名為“人工智能、學(xué)習(xí)、推理和本體”。印證了Launchbury的觀察，峰會公報草案得出結(jié)論說，到目前為止，大多數(shù)人工智能方法，包括機器學(xué)習(xí)工具和使用的計算技術(shù)都是在運用計算技術(shù)的亞符號水平上運行，是不接近人類思維的。盡管在許多形式的人工智能中已經(jīng)取得了巨大的進(jìn)步，但在象征層面上對知識表現(xiàn)的全面處理還有待于成熟。相應(yīng)地，本體作為正式的語義組織工具的實用性，對人工智能及其最終測試環(huán)境的優(yōu)勢有限。

　　語義網(wǎng)絡(luò)涉及到以節(jié)點和弧的圖形形式來表現(xiàn)知識。它提供了一種理解和視覺化符號之間關(guān)系的方式，通常用積極的詞語來表示。在不同的上下文語境中，這些詞表達(dá)不同的意思。人工智能在很大程度上是象征性的，它需要以一種更加正式的方式來處理應(yīng)用語義，以實現(xiàn)第三浪潮的狀態(tài)。在這種情況下，人工智能就變成了非線性的，因果關(guān)系通過多個執(zhí)行線程逐漸解耦。這就導(dǎo)致了復(fù)雜的自適應(yīng)系統(tǒng)(CAS)的建立，這種系統(tǒng)往往會受到非線性網(wǎng)絡(luò)行為的影響。

　　在CAS中，隨著時間的推移，新的行為會基于環(huán)境的情況出現(xiàn)。在這里，可以有多個自組織的路徑通向成功或失敗，所有這些路徑都是由高度多樣化的節(jié)點和弧線所觸發(fā)的，這些節(jié)點和弧線可以隨著時間的推移而變化、增長、收縮和消失。這種網(wǎng)絡(luò)在使用嵌入式軟件時，違背了傳統(tǒng)的遞歸單元測試，而這與數(shù)據(jù)是相關(guān)聯(lián)的。這是因為，在CAS中，整體往往不僅僅是各部分的總和。相反，從應(yīng)用網(wǎng)絡(luò)科學(xué)出現(xiàn)的新方法，提供了一種更好的方法來評估隨時間推移而出現(xiàn)的動態(tài)人工智能行為。與圖論相關(guān)的時間指標(biāo)逐漸被更好地理解為一種描述動態(tài)行為的方法，這些動態(tài)行為是一些未能遵循線性路徑來達(dá)到預(yù)期效果的行為。

　　除非采用可靠的方法來評估人工智能的信任程度，不然喊口號就必須謹(jǐn)慎。對于尚不那么可靠的技術(shù)，如果盲目信任則有可能會造成誤導(dǎo)，有時甚至?xí)?dǎo)致危險的結(jié)果。