标准出现问题，人工智能正在走向错误的方向

从前，识字率是许多国家衡量教育进步的主要指标。几十年后，在识字率非常高的情况下，更高的学业完成率便是衡量教育进步的重点。然后是更高的大学入学率。我不知道学位与教育之间的关系是否像我们想象的那样紧密，也不知道高中教的知识是不是他们应该教的，但这是我们今天追求的指标。

从某种意义上说，对于这些问题，没有什么解决方法是对的。因此，根据定义，所有的路线都是错误的。只有尽可能多的尝试各种途径，我们才有可能选择一条相对正确的道路。使用AI术语，我们需要使用更大的批量抓取，并对尽可能多的分布进行采样。

这意味着我们必须将关注范围扩大到“准确性”和“速度”之外，还要包括“稳健性”或“连贯性”等内容。最重要的是，我们需要从精心挑选的基准转向现实世界。

以我研究乳腺癌检测算法的案例为例，研究员很容易错将这个领域当成已解决的领域。最近的研究已经在这个主题上取得了超人的成绩，但是，这些算法却无法应用于任何一家医院。原因很简单，它并不起作用。

这听起来有些夸张，但其实非常简单：即使是同一种东西，即乳房x光片，如果你在数据集a上训练算法，算法不会在数据集B上工作。

目前没有已知的技术可以在不进行微调的情况下，在数据集上进行训练，并在其他数据集上运行良好。你必须针对每台机器/每家医院建立数据集，以获得有用的结果。度量标准合理，这个领域就解决了。实际上，这连开始都难。

最重要的是，算法无法为他们的答案提供帮助。站在医生的角度想想：你会因为机器是这样显示的，就告诉患者他们得了癌症吗?你不会，你会再次查看这些图像。

如果人们不信任人工智能，那么就永远不会使用它。

到目前为止，已发表的论文的主要评判标准是AUC评分。它告诉你该算法对乳房x光片的良恶性分类有多合理，不会告诉你它对其他数据集有多稳健，或者所有都是可解释的。换句话说，它从不回答“它有用吗”这类问题。

发展人工智能没有正确的道路，但肯定有非常错误的道路。花不了太多的时间，你就能发现大多数文献有多不适用，以及真正紧迫的问题是如何堂而皇之的被人们忽视了。

正如我在开头所说的，这篇文章并不要指责当前的研究不好，而是说问题的关键在于当前学术界和现实世界之间脱节——我们过于狭隘地关注准确性。

发展人工智能不是为了纸上谈兵，推动社会发展是真正重要的事，我们希望通过改善人工智能来实现这一点。但只有当我们正视现实的社会问题时，我们才能正确地做到这一点。社会的问题远比精确的目标检测更复杂

（编辑：辽源站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!