人工智能伦理

图1.128 MNIST 手写数字数据集包含6万训练数据、1万测试数据。

目前最好的分类器是卷积神经网络，错误率只有0.21%

图像的语义分割（简称图像分割）就是对图片中的每个像素做分类，例如，图1.129中的像素被分为“自行车”“车手”和“背景”三个类别。

图1.129 图像分割为不同的区域，每个区域有着特定的语义

深度学习在语义分割（semantic segmentation）、分类与定位、多个物体识别、实例分割等图像分析中都表现得出类拔萃，所以很多具体的应用（如医学图像诊断、自动驾驶等）常采用深度神经网络模型。

图1.130 基于深度学习的图像语义分割、物体识别的示例

图片来源：斯坦福大学课程CS231n 2017讲义

总而言之，对机器如何“理解”概念，宜采取宽容的态度，不必苛求一定以人类的习惯为标尺。人类只是凑巧成为自然之选，还有很好潜质的生灵没有这等运气，并不能说明人类的一切都是最好的。睥睨天下的人类，是时候学会面对自然有一颗谦卑敬畏之心了。

1.1.4 计算能力

ST. VINCENT & THE GRENADINES

20c

图1.131 图灵的数字计算理论(1937)

1936—1937年，艾伦·图灵（Alan Turing, 1912—1954）在论文《论可计算数及其在判定问题上的应用》^[27]里提出了一个抽象的计算装置——确定型图灵机（deterministic Turingmachine,DTM），简称图灵机。如今，它已成为可计算性理论（computability theory）研究的基础。

读者可以把图灵机直观地想象成带一个读写头和一条无限长格带的自动打字机，如图1.132所示，格带的每个格子里至多有一个字符。一般地，格带字符和机器状态的集合都是有限的。这台打字机严格地遵循着事先定义好的规则（不妨称之为“程序”）行事，别看它结构简单，人类能用算法做的所有事情都可以通过它来实现。

图1.132 图灵机：读写头可读取或改写格子里的符号，机器根据当前的状态和格内的符号来决定读写头的下一步动作（包括写入、左移、右移）和新转入的状态，即转移函数是预先定义好的。当机器进入指定的终止状态时，则正常停机。另外，如果转移函数在当前的状态和格带符号上无定义，则图灵机会不知所措地停下来