久草中文在线观看_久久精品中文字幕一区_亚洲日本欧美日韩中文字幕_熟妇人妻无乱码中文字幕真矢织江

過去一兩年，人工智能是最火的并且快速進入實用的技術。以前寫過人工智能將徹底改變SEO，也介紹過人工智能在搜索算法中的實際應用，但需要說明的是，到目前為止，人工智能在搜索算法中的應用并不廣泛。影響人工智能在搜索算法中大范圍使用的最主要因素可能是，搜索引擎工程師不知道人工智能系統到底是怎么做出判斷的，然后又導致另一個重要問題：很難debug。

　　人工智能是個黑盒子

　　用不太嚴格但容易理解的方式說，深度學習就是給現有數據(大量數據)打標簽，然后系統自己總結數據和結果(也就是所打的標簽)之間的關系，面對新數據時，就能依據自己總結的規律給出判斷。對圍棋來說，無論歷史棋局還是自我對弈，AlphaGo知道盤面，也知道結局(也是一種標簽)，系統就會總結規律，面對新盤面時判斷贏棋的概率。但AI系統找到的是數據的哪些特征，與結果之間是怎樣的關系，連創造AI的工程師也不知道。

　　所以，現在的人工智能系統是個黑盒子。我們知道AI判斷的正確率高，但不知道為什么，不知道是怎么判斷的。

　　搜索算法中的AI也是如此。百度搜索工程師的說法很少見到，只是知道百度現在All In AI了。Google工程師明確表示過，他們對RankBrain到底是怎么工作的也不太清楚。在這種情況下，在算法中大量使用人工智能就比較麻煩了，一旦出現異常結果，不知道是什么原因，也無法debug。

　　寫這篇帖子是因為前些天看到一篇紐約時報的文章“AI能學會解釋它自己嗎?”，非常有意思。一位心理學家Michal Kosinski把 20 萬社交網絡賬號(是個約會網站)的照片及個人信息(包括很多內容，如性向)輸入面部識別人工智能系統，發現人工智能在只看到照片的情況下判斷性向準確率很高。人工通過照片判斷一個人是否同性戀的準確率是60%，比扔硬幣高一點，但人工智能判斷男性是否同性戀準確率高達91%，判斷女性低一些，也有83%。

　　從照片里是看不到音色語調、體態、日常行為、人際關系之類幫助判斷的信息的。同性戀有純相貌方面的特征嗎?我個人的經驗是，靠相貌判斷不大靠譜。我以前認識一對男同，他們都是很man的那種，常年健身，待人彬彬有禮但絕沒有女氣，從外表是看不出來的。也可能是依靠某種服飾特點?表情?背景?人工智能從照片中到底看到了什么我們人類很可能忽略了的特征，或者人類根本看不到的特征，并達到91%的準確率呢?不得而知，反正只是知道AI看得挺準。

　　不能解釋自己的AI無法被信任

　　這種黑箱特征有時候倒無關緊要，像是判斷一下性向。有時候就不能這么草率了，比如看病。雖然AI系統診斷某些癌癥的正確率已經達到人類醫生的水平，但最后結論，目前還是要醫生做，尤其是AI不能告訴我們它診斷的理由是什么的時候。除非以后AI能解釋它為什么做出這個診斷，不然讓人類100%信任AI是有比較大心理障礙的。

　　前幾天剛剛看到新聞，新加坡政府開始測試無人駕駛公共汽車。這顯然是個正確的方向，我也相信不久的將來就會成為現實。雖然自動駕駛汽車事故率比人低，理性上我們都知道其實更安全，但過馬路時，停在旁邊的公共汽車沒有司機，我會不會有點提心吊膽，怕它突然啟動?開車時扭頭一看，旁邊的Bus沒有司機，我會不會嚇一跳，下意識地離它遠點?至少初期會的吧。和幾個朋友聊起這個事，都是理性上相信，感性上心虛。

　　以前的程序是依靠確定性和因果關系運行的，比如搜索算法中哪些頁面特征是排名因素，各占多少權重，這是工程師挑出來的、確定的，雖然挑的時候可能就是拍腦袋決定的，但經過監測效果、調整參數，會達到一個比較滿意的平衡。人工智能系統并不依靠工程師給定的確定因果，而是更擅長于在概率和相關性中找到聯系。對人來說，以概率和相關為特征的判斷，經常就不好解釋理由了，比如也許是看心情，也許是看好看不好看。

　　要求AI系統解釋自己的判斷，不僅是心理上的問題，也許以后會變成倫理和法律上的問題，像看病。再比如涉及用戶利益的事情，像貸款，人工智能根據一大堆數據做出拒絕貸款的決定，銀行卻不能解釋為什么拒絕，對用戶該怎么交代?今年歐盟可能就要頒布法規，要求機器做出的決定必須有解釋。這對Google、Facebook等全球性的企業是個壓力。在很多領域，如軍事、法律、金融，所有決定都是要有人來承擔責任的，如果某個決定無法解釋原因，恐怕也沒有人敢承擔這個責任。

　　另一個需要AI解釋理由的原因是，前面提到，人工智能看的是概率和相關性，但看相關性做決定有時候會導致嚴重錯誤。紐約時報的文章舉了個例子。經過數據訓練的人工智能系統輔助醫院急診室分診，總體上看效果不錯，但研究人員還是不敢真的拿來實用，因為數據中的相關性可能誤導人工智能做出錯誤判斷。比如數據表明，患有肺炎的氣喘病人最后病愈情況好于平均水平，這個相關性是真實存在的。如果AI系統因為這個數據就給有肺炎的氣喘病人比較低的處理等級，那可能就要出事了。因為這些病人之所以最后情況良好，是因為他們一來就被給予最高等級，得到最好最快的治療了。所以，有時候從相關性看不到真正的原因。

　　可解釋的人工智能

　　X.A.I.(Explainable AI)可解釋的人工智能，是剛剛興起的一個領域，目的就是讓AI對自己的判斷、決定和過程做出解釋。去年美國國防高級研究計劃局(Darpa )推出了David Gunning博士領導的XAI計劃。Google也依然是這個領域的領先者，Deep Dream好像就是這方面研究的一個副產品：

　　回到搜索算法及SEO，搜索引擎之所以還無法全面應用人工智能，其中一個原因也許就是人工智能的判斷沒有解釋、無法理解，如果算法使用目前的人工智能，一旦出現排名異常，工程師們將無法知道原因是什么，就更無法知道該怎么調整。

　　我想自動駕駛是最先AI實用化的領域之一，和能否解釋也有一定關系。自動駕駛汽車的大部分決定是不大需要解釋的，或者說解釋是一目了然的，距離前車太近所以要減速或者剎車，這類判斷應該不需要進一步解釋理由了。

　　SEO們大概都有過同樣的疑惑，某個競爭對手的頁面看著沒什么特殊的，內容不怎么樣，視覺設計一般，外鏈普通，頁面優化大家做的都一樣，為什么排名就那么好呢?現在的搜索算法還可以探究原因，搜索工程師們大概有內部工具可以看到排名的合理性。如果搜索工程師看著一個挺爛的頁面就是排在前面，卻也不知道原因，還無從查起，他們的內心可能就焦慮了。

　　XAI的研究才剛剛開始，這給了SEO們最后的緩沖期。從人工智能系統在其它領域碾壓人類的表現看，一旦大規模應用于搜索，作弊和黑帽SEO恐怕將成為過去，現在的常規SEO工作也許變得無足輕重，SEO們需要回到網站的本質：提供有用的信息或產品，別無他法。