总统大选战正酣。每到选举季,浮动票的走向与争取方式便成为主要关注点。与被形容为坚如磐石的固定票不同,对于直到最后一刻都未定的浮动票,任何一个选举阵营都会揪心到最后。争取浮动票的方法论之一,是认知语言学家乔治·莱考夫在其著作《别想那只大象》中普及的“抢占框架”。框架可以说是思维的框子,通过抢占自己意图的特定框架,可以使对方的努力化为徒劳,从而占据有利高地。这与叫人别想大象反而让人想起大象是同一个道理。
要理解特定用语为何会启动特定框架,需要从微观角度审视学习原理。人的大脑约有1000亿个脑细胞。脑细胞与1000多个其他细胞相连,每个连接区域都有调节连接强度的突触。虽因人而异,但在学习时突触值会按学习意图变动,重复越多效果越好。细胞体(soma)在经突触从多个细胞传入的刺激之和超过阈值时,会将该刺激传递给下一个细胞,否则则予以忽略。即便通过学习使突触值变为特定模式,若这些值过小或输入微弱,也完全无法取得学习效果。
归根结底,从数学角度看,学习可以说是大脑中数量庞大的突触与细胞体的复合函数作用。若某一细胞与特定细胞之间的连接强度过强,来自其他细胞的输入就会被忽略。当某种思想或信念极强时,任何与之相悖的说法都会被忽视,正是基于这一原理。此外,对输入的反应由事先学习形成的强度(框架)决定,或由重复学习带来的突触强度变化水平决定。
人工智能的学习主要采用利用学习数据与期望值配对的监督学习法。即输入学习数据,以能输出期望值的方式一点点调节人工智能的突触值来进行训练。初次输入学习数据时,通常会得到与期望值不同的输出,利用该期望值与输出的误差对人工智能的突触值作出微小调整。随后再次训练,会得到误差比此前更小的输出,如此反复修改突触,直至误差小于特定水平,突触值便会逐渐收敛到学习意图上。当然,这一过程由计算机执行,人只需等待结果出来即可。
在这种人工智能学习中,数据所占比重极大。比如只训练数字就无法期待其识别文字,若想获得好结果,优质的学习数据必不可少。正如人反复接触特定概念会变得偏向,人工智能无论有意还是无意,若以偏向的数据训练也会变得偏向。去年3月微软(MS)发布的聊天机器人Tay因部分用户的恶意训练而发表种族歧视言论,仅一天便草草收场。在谷歌以“baby”进行图像检索,占据检索前列的主要是白人婴儿的照片。若利用这类结果进行训练,即便设计者并无此意,也可能得出偏向的结果。
预计人工智能将逐步从辅助手段演进为决策手段。尤其在应用于公共领域时,必须细致审查数据与算法是否存在偏向性。需要努力确保不偏重的多样数据,并开发用于验证偏向性的方法论,引领人工智能研究的研究所或企业之间共享方法论也很重要。目前仍需开展研究,准确查明如同黑箱一般的人工智能决策机制,并揭示何为决策的主要原因。
李锡中 Laon People 代表






