【儀表網 儀表下游】導讀：實現我們的人工智能目標需要改變當前的數據范式；是時候將人類置于AI培訓過程的中心了。
 

　　將人工智能作為解決具體問題的技術的熱情是不可否認的，也是值得注意的。但是，盡管每天通過監督學習或強化學習等流行的人工智能方法仍取得了很大進展，但這些經典方法的使用方式往往是單一的，這可能也是阻礙人工智能的因素。
 

　　雖然人工智能在越來越多的領域取得了越來越大的成功，但它仍然主要作為一種工具來執行狹隘的任務，或者作為一種簡單的自動化形式，而不是與人類用戶建立關系的支持伙伴。它很大程度上依賴于精心策劃或注釋的數據，大多是歷史數據，而且只能非常間接地從人類用戶那里學習。
 

　　人工智能在某些情況下具有非凡的預測能力，但卻無法具備人類從嬰兒時期就具備的適應能力。它只是不能像人類那樣根據從未遇到過的數據進行推斷。此外，對更高精確度的需求導致了越來越大和復雜的模型、計算密集型訓練和工程挑戰，這些挑戰阻礙了我們在基于人工智能的解決方案中尋求的可信度、可移植性和可擴展性。
 

　　實現我們的人工智能目標需要改變當前的數據范式；是時候將人類置于AI培訓過程的中心了。從設計到部署將人力和AI資源混合的好處在其他獨立研究中得到了呼應，例如麻省理工學院斯隆2020年人工智能全球高管研究和研究項目的發現，以及由此產生的結果在德勤洞察中，協作甚至被稱為“超級團隊”。
 

　　人工智能(Artificial Intelligence)，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。
 

　　人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。人工智能從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智能帶來的科技產品，將會是人類智慧的“容器”。人工智能可以對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。
 

　　與標準的AI方法相比，設計、培訓和部署混合人類用戶和AI代理的解決方案提供了新的成功途徑。模仿學習、課程學習和其他較新的技術已經展示了通過利用人類的專業知識、反饋和指導來訓練人工智能的其他方法。與其將我們自己局限于一種方法，不如我們可以擁有一切，并將所有這些不同的方法結合在一起，與人類一起構建新的智能系統，而不再局限于任何特定的方法、模型或算法。考慮到人類和人工智能各自的優勢和劣勢，這種人與人工智能的伙伴關系將產生的不僅僅是其各部分的總和，利用互補的能力來實現僅靠一個或另一個不可能或很難實現的結果。然而，為了讓人工智能代理與人類盡可能緊密地協同工作，具體的方法、途徑和技術是有必要的。值得注意的是，它要求體系結構設計自然有利于多代理、多人、技術不可知的分布式方法，在研究、原型和操作之間快速、無摩擦地反復迭代。
 

　　資料來源：千家網、百科