人工智能伦理

$$
\begin{array} { r } { \frac { \varepsilon _ { 1 } ^ { \prime } } { \varepsilon _ { 2 } } = \frac { \varepsilon _ { 2 } ^ { \prime } } { \varepsilon _ { 3 } } } \\ { \frac { \varepsilon _ { 3 } ^ { \prime } } { \varepsilon _ { 3 } } = \frac { \varepsilon _ { 3 } ^ { \prime } } { \varepsilon _ { 4 } } } \\ \frac { \varepsilon _ { 1 } ^ { \prime } } { \varepsilon _ { 2 } } = \{ \begin{array} { l l } { \frac { 1 } { \varepsilon _ { 1 } } \frac { 1 } { \varepsilon _ { 2 } } \frac { 1 } { \varepsilon _ { 3 } } \frac { 1 } { \varepsilon _ { 1 } } \Biggl \} , } \\ { \frac { 1 } { \varepsilon _ { 2 } } \Biggl \{ [ \begin{array} { l } { 1 } \\ { \frac { 1 } { \varepsilon _ { 3 } } \frac { 1 } { \varepsilon _ { 1 } } \frac { 1 } { \varepsilon _ { 2 } } \frac { 1 } { \varepsilon _ { 3 } } \Biggr ] \Biggr \} = \frac { \varepsilon _ { 3 } ^ { \prime } } { \varepsilon _ { 2 } } } \\ { \frac { 1 } { \varepsilon _ { 3 } } \Biggl \{ [ \begin{array} { l } { 1 } \\ { \frac { 1 } { \varepsilon _ { 3 } } \frac { 1 } { \varepsilon _ { 3 } } \frac { 1 } { \varepsilon _ { 1 } } \frac { 1 } { \varepsilon _ { 2 } } } \end{array} ] \Biggr \} = \frac { \varepsilon _ { 3 } ^ { \prime } } { \varepsilon _ { 3 } } } \\ { \frac { 1 } { \varepsilon _ { 4 } } } \end{array} } \end{array} \end{array}
$$

$$
\Vert
$$

这个积分运算看上去怪怪的，其实，凡是符合叠加原理的线性系统，输出皆可表示为输入信号与系统函数的卷积。例如，回声可以用源声与一个反映各种反射效应的函数的卷积表示。卷积运算（1.1）是这一类线性系统所固有的，于是“卷积”这个概念就自然而然地产生了。

数学是由一些关键概念驱动的，数学哲学（philosophy ofmathematics）研究这些概念的哲学意义，但对它们产生的机制却几乎一无所知。再加上很多经验难以形式地表达，我们目前没法教会机器主动产生像“卷积”这样的抽象概念。

图1.124 现有的人工智能对概念及其产生机制知之甚少，大多数计算机科学家和数学家似乎被数值方法的魔笛之声吸引，忘记了规则方法也曾带来的激动人心的成就

难以描述的概念

人脸表情的喜怒哀乐，人类一眼便知，但很难用形式化的方法来刻画。类似的情况在人类的感知中随处可见，当观察数据的类别很难用数学来定义时，如何让机器对它们进行分类呢？

图1.125 一位日本女性的面部七种表情（按列依次是愤怒、厌恶、恐惧、快乐、中性、悲伤和惊讶），每种表情三个样本，共有n=21个样本

数据来源：日本女性面部表情（JAFFE）开放数据库

科学家曾考察眉毛、眼睛、鼻子、嘴巴的形态与表情的关系 ， 但 效 果 并 不 尽 人 意 。 绕 开 特 征 工 程 （ featureengineering），深度神经网络、高斯过程分类器等的人脸表情识 别 （ facial expression recognition,FER ） 已 达 到 实 用 精度。人脸定位、表情识别在数码相机、智能看护等领域已经取得了成功的应用。所以，我们不必强求机器也遵照人类的认知模式。机器可以按照自己的方式理解概念，只要满足一定的可解释性即可。

图1.126 平均表情和用三角剖分表示的人脸几何特征。机器识别人脸表情靠的就是这些特征或者特征差异

一个性能良好的分类器（classifier）若对某些模式总有精确的识别，则不妨认为它以一种人类尚不熟悉的方式“理解”了这些模式所代表的概念。不同的分类器可能取得相近或相远的效果，即便它们之间没有太多的共性，也并不妨碍利用它们进行协同决策，进一步提升机器感知的精度和稳健性。总之，我们可以适当地以实用主义的态度看待人工智能，同时不放弃深究它的本质。

图1.127 2018年，加拿大计算机科学家杰弗里·辛顿（GeoffreyHinton, 1947— ） 、 约 书 亚 · 本 吉 奥 （ Yoshua Bengio,1964— ）、美籍法国裔计算机科学家杨立昆（Yann LeCun 1960— ）因为对深度学习的贡献获得了图灵奖

同时，也有不少学者质疑深度学习的可解释性而把它比喻成“炼金术”，不喜欢把调参数变成一件诡异且依靠运气的事情，让试验效果不具备可重复性。尽管如此，学术界依然公认深度神经网络具有以下优点。

口 丰富的特征表达能力：将特征工程与模型学习有机结合了起来，虽然对人而言这些特征提取缺乏一定的可解释性。

口 强悍的拟合记忆能力：如此之多的参数保证了各种模式都能被死记硬背下来。

L 真实的问题解决能力：在图像分析、自然语言处理等领域取得了很多骄人的战绩，令很多深度学习的反对者噤声。

在一些感知类的问题上，表现最好的机器学习模型是人工神经网络，甚至超越了人类。例如，手写数字识别目前最佳成绩是卷积神经网络取得的。