人工智能变得越来越普遍，几乎每天都有关于人工智能的新发展或新应用的报道。人们对它的思想了解多少？我们应该如何努力学习呢？我们对人工智能的理解今天我们知道的大多数人工智能都遵循深度学习的规则，即向机器输入一组数据和所需的输出结果，然后机器会基于此算法生成解决问题的算法。然后，系统将重复此过程并继续学习。这称为神经网络。使用这种方法来构建人工智能非常必要，因为计算机的编码速度比人类的编码速度快。如果您改用人工，则可能需要一辈子才能手动编码。麻省理工学院电气工程和计算机科学教授Tommi Jaakkola说：“如果您有一个小型神经网络，您可能会很容易理解它。但是，一旦这个神经网络扩展到具有数千个层，并且每个层可以达到数千个单位，就不那么容易理解了。 “我们正处于人类面对这些系统的时代。在人们信任机器之前，我们必须解决一个问题，即让这些机器自我解释。那么，我们用什么方法来做到这一点呢？ 1.逆转算法。在图像识别中，当计算机识别出所学的图案时，需要对机器进行编程以生成或修改图像。为“创世纪”拍照。举个例子。它使用Google的Deep Dream技术修改图像，人工智能参与其中以调整狗在图像中的位置。由此，我们可以了解狗的图像在人工智能中的模样。首先，它主要识别头部（这是狗的主要特征）；其次，计算机通过将其放置在Adam（图像的左侧）和God（图像的右侧）之间来识别它。总而言之，将Deep Dream技术应用于描述亚当出生的图像，并要求人工智能找到狗并改变其位置。 2.确定其使用的数据。以这种方式，人工智能接收指令，记录学习摘要，并按照提示来“回顾”所需要的内容。它以前使用过的文本。麻省理工学院的三角洲电子学教授里贾纳·巴兹莱（Regina Barzilay）首先开发了这种理解方法，人类可以将其用于研究擅长于发现数据模式并做出相应预测的人工智能系统。华盛顿大学机器学习教授卡洛斯·格斯特林（Carlos Guestrin）开发了一种类似的系统，该系统可以选择数据并对其选择进行简单说明。 3.监视单个神经元。优步（Uber）人工智能实验室的机器学习研究员Jason Yosinski发明了这种方法，使用检测器来检测哪些图像可以刺激神经元。这使我们能够通过推理发现人工智能最需要的东西。但是，这些方法在很大程度上无效。正如Guestrin所说：“我们的最终梦想是让人工智能与人类对话并向人类解释其行为，而这一梦想尚未完全实现。如果您想拥有真正可解释的人工智能，则还有很长的路要走。 “为什么人类需要更多地了解人工智能？”了解这些系统的工作原理非常重要，因为它们已被用于医药，汽车，金融和招聘等行业，并且这些领域对我们的生活产生了根本影响。将如此艰巨的任务交给我们不了解的事情是愚蠢的。当然，前提是人工智能是诚实的，不会受到人类行为或过失的影响。试图了解机器人人工智能的核心问题实际上是一件令人不安的事情。如果我们能够完美地预测人工智能的行为，那么我们可能会剥夺他们独特的自主智能。我们必须记住，人类有时甚至无法理解他们所做的决定，更不用说人工智能了。意识问题始终是个谜，而正是由于这个难题的存在，世界才变得更加有趣。但是，丹尼尔·丹尼特（Daniel Dennet）也警告说，面对“入侵”，对于人工智能，我们需要问自己：“人类对人工智能的要求是什么？”对自己有什么要求？ “因此，这些机器可能很快就会控制整个世界，但人类并没有完全理解它们，我们应该如何设计和开发它们？换句话说，人类如何编程这些改变世界的“神”？让我们拭目以待。