导 读
一边,腾讯 AI Lab通过自研AI工具揭示了“秃头元凶”;另一边,AI摄像头在足球赛中将边裁的光头错认为足球,观众看了个寂寞。AI你到底行不行?
今年9月,百度宣布与人民日报社合作共建人工智能媒体实验室,具体来讲就是利用人工智能技术对新闻素材进行自动解读、加工与纠错,确定需要展示的关键信息。在此之前,微软就已经开始将新闻业务转向AI,并鼓励新闻工作者使用AI帮助其扫描、处理、过滤信息以及图片,并终止了与媒体公司PA Media的合作。
“AI编辑部”的报道一出,各位媒体圈的打工人也是心里一颤,我们每天编辑着“人工智能如何取代人工”的新闻,难道也要发生在自己身上了?
近年,人工智能对人类最明目张胆的“挑衅”当属AlphaGo先后击败围棋世界冠军、职业九段棋手李世石与世界围棋冠军柯洁。一战成名后,AI便昂首阔步地进入了大众视野。
目前,AI在toB产业端与toC消费端两面开花,取得了不俗的成绩,但“机器大脑”终究还是受制于数据、编程,无法自主思考,导致其在复杂多变的实际生产、生活场景中并不具备随机应变的能力,也引发了不少令人啼笑皆的“事故”。
「真」智能VS「假」聪明
早在AlphaGo之前,人们就已经开始在各行各业中探索人工智能技术的产业应用了,通信技术、物联网等技术的发展更是滋润了AI的落地土壤,使其在商业化落地的淬炼中不断迭代升级,发挥其超强的数据学习能力与分析能力,为产业智能化转型提供了坚实的技术保障。
近日,“腾讯AI找到秃头元凶”的消息频频出现在各大科技媒体的头条——腾讯 AI Lab 采用“从头折叠”的蛋白质结构预测方法帮助解析了II型5a还原酶(SRD5A2)晶体结构,并通过自研AI工具“ tFold”有效提升了蛋白质结构预测精度,揭示了治疗脱发和前列腺增生的药物分子“非那雄胺”对于该酶的抑制机制。
非医学专业的秃头党可能是一头雾水。首先,我们要搞明白为什么会脱发。脱发起因复杂,主要有感染、内分泌障碍、神经精神因素、皮肤病等,其中雄激素性脱发主要与人体内的二氢睾酮有关,它由SRD5A2催化合成。因此,当患者因为二氢睾酮水平过高而出现脱发问题时,可以通过抑制 SRD5A2 来降低患者二氢睾酮水平。
但是,SRD5A2的高分辨率结构信息却十分缺乏,导致SRD5A2催化二氢睾酮合成的机理以及非那雄胺抑制SRD5A2 酶活的机制并不清晰。“模板建模”是当前最普遍的蛋白结构预测手段,但前提是在人类已知的蛋白结构数据库当中,必须存在和预测的蛋白相似的结构,否则就无法使用。而“从头折叠”法则可以不依赖于模板来预测蛋白结构,但精度不高。腾讯 AI Lab 自研的 AI工具“tFold” 正是破解这一难题的关键,它通过多数据来源融合、深度交叉注意力残差网络、模板辅助自由建模三项创新技术实现了蛋白结构预测精度的大幅提升。
此外,AI在工业制造、安防、教育等领域也有不俗的表现——“AI 工业大脑”实现工厂内的人机协同、柔性生产;AI监控摄像头通过捕捉徘徊、长时间逗留等可疑行为预警事故;AI+云平台实现教育资源共享、AI+大数据分析为学生提供个性化教学、AI+MR为学生提供身临其境的教学环境……
面向消费端,AI实时翻译在今年的双11直播中大放异彩,目前支持从中文到英语、俄语、西班牙语的实时翻译;微博原创视频博主@大谷Spitzer利用AI技术将1920年的影像资料重新上色、修复帧率、扩大分辨率,还原了100年前北京晚清的街景……
得益于AI远强于人类的数据学习能力与分析能力,解决了工业制造、教育、医疗等领域的诸多痛点,然而,成也萧何败萧何,在工业制造、安防等领域表现优异的AI却在足球场上闹了笑话。
近日,在一场苏格兰足球冠军联赛中,主场球队在赛事直播中没有雇佣摄像团队,而是选用了一套名为Pixellot的AI摄像系统,该系统使用内置 AI 追踪技术的摄像头来制作实时高清视频内容。
据称,开发团队收集了数十万小时的体育赛事视频,用于对AI算法进行训练,但他们却忘了教AI辨别光头与足球,导致只要是边裁出现在镜头内,AI 就会把边裁的光头误认为是足球,并且“忠心追随”。
随后,Pixellot公司表示,在设计阶段没考虑到光头的影响,现在收集一些足球和光头的数据对算法进行微调就可以解决这一问题。但是,AI虽然学习了“秃头”数据,又如何保证下次不会被场边别的“球形物”影响呢?
机器学习VS人工学习
据外媒报道,大型零售企业沃尔玛将停止运用机器人拣货、查价,原因是“人工处理的效果不亚于机器人”,尤其是疫情影响下,线上订单激增,机器人从接单到分拣、再到包装、出货的时间毫无优势可言。
我们所讲的人工智能其实是一个很宽泛的概念,其核心是机器学习与深度学习,但数据提供的参考有限,导致其在面对程序外的干扰项或突发情况时无法自主纠偏、灵活处理。如开篇所讲,人们既期待AI所带来的智能化应用,却又忌惮于被替代,但事实证明,AI目前还没那么智能。
首先是学习效率。AI“上岗”前需要学习大量的数据从而训练算法,虽然其学习速度远超于人类,但是需要超大规模的学习样本反复进行强化训练、不断优化认知,综合来看,AI的学习效率与人类相比并无太大的优势。
其次是处理速度。对标准模型而言,AI的强大算力拥有碾压式的速度优势,尤其是在工业制造、自动驾驶等低时延场景下,这也是工业AI可以实现工厂无人化运营的主要原因。反之,在复杂多变的应用场景中,AI的处理速度及精准度都会大打折扣。
最后是灵活性。AI运行离不开数据、算法、算力三大要素,它们为AI规划出了一套清晰、准确的运行路线,依据交互反馈来执行预先设定的命令。但是在实际生产、生活中仍然存在大量不可控的突发事件,尤其是toC端,以客服机器人与智能音箱为例,用户反馈的命令“千奇百怪”,AI终端就只能回答“对不起,这个问题我还没有学会”。
诚然,人工处理问题时的灵活思维与应变能力是AI难以逾越的短板。同时,AI在遇到复杂环境时的检测精度也仍然无法达到无人化的标准,其精度只能随数据规模逐步提升。但是,AI可以辅助人工完成部分基础性工作,但想达到“AI换人”恐怕还需要很长一段时间。
写在最后
事无绝对,我们也应该秉承着辩证的思维看待包括AI在内的一众新兴科技,它们应该是辅助人类的智能化工具,而不是一味的模仿人类。我们应该合理利用其学习能力、分析能力赋能产业,但现阶段还是不能免除人工监督、干预环节,未来应聚焦提升AI应用的灵活性,丰富前期数据学习阶段的应用场景,综合考虑可能遇到的各类情况,将“人工智障”逐步训练为真正的人工智能。
参考资料:
1．《尴尬,AI转播球赛把裁判的光头当成了足球》,机器之心
2．《沃尔玛停止机器人跟踪货物计划》,OFweek物联网
3．《腾讯 AI 医学进展破解“秃头”难题,登 Nature 子刊!》,CSDN
