在未來 20 年內(nèi)，隨著機器人技術(shù)的進步，自動駕駛汽車、工業(yè)機器人和醫(yī)用機器人將擁有更強的能力、更高的自主性，并得到更為廣泛的應用。不可避免，這些自主機器人可能會犯下決策方面的錯誤，造成數(shù)百上千人死亡。但如果人類參與其中，這種災難是可以避免的。
這樣的未來固然可怕，不過一旦人類社會能負責任地運用機器人技術(shù)，獲救的生命將多于造成的死亡。
機器學習的過程
機器人并非經(jīng)由人類“編程”而模仿人類的決策過程。它們從大數(shù)據(jù)中學習，利用從數(shù)據(jù)中推導出的復雜數(shù)學公式，執(zhí)行諸如“識別紅綠燈”之類的任務。機器學習過程需要的數(shù)據(jù)量遠遠超過人類所需。然而，一旦經(jīng)過訓練，機器人在任何特定任務中的表現(xiàn)都將優(yōu)于人類。借由機器學習，人工智能和機器人的性能在過去五年里已經(jīng)獲得了極大的提升。
我在這篇文章提出的觀點適用醫(yī)療健康、制造業(yè)及其他正在快速實現(xiàn)自動化的行業(yè)。先以自動駕駛為例，一位經(jīng)驗豐富的人類司機，一生中可能有幾十萬英里的駕駛經(jīng)驗，而谷歌旗下的自動駕駛汽車公司W(wǎng)aymo，僅在2021年一年間就完成230萬英里的上路測試里程，其背后的AI技術(shù)通過數(shù)據(jù)學習了每一輛車的駕駛經(jīng)驗，而且這些自動駕駛車輛永不疲勞，也不像健忘的人類司機，可能忘記他們曾經(jīng)犯的錯誤。
特斯拉公司的“智能召喚”功能首次推出后，汽車可以在沒有車主操作的情況下，離開停車位并繞開障礙物。一開始許多用戶抱怨這個新功能表現(xiàn)得不盡如人意，但在短短幾周內(nèi)，特斯拉公司便收集了早期用戶的數(shù)據(jù)，重新訓練了新功能背后的機器學習模型。從此，“智能召喚”顯著獲得改進，成為了特斯拉新車的一大關(guān)鍵競爭優(yōu)勢。
構(gòu)建AI模型和數(shù)據(jù)集
來自 EPRI 的 Renshaw 報告了幾個方面的進展。
例如有 300 多家企業(yè)機構(gòu)參加 L2RPN 挑戰(zhàn)，構(gòu)建具有強化學習功能的 AI 模型。有些企業(yè)能夠同時控制多達五個任務來防止停電。
Renshaw 表示：“我們希望實現(xiàn) 80% 普通操作任務的自動化，這樣操作人員就可以更加專注于解決 20% 最復雜的挑戰(zhàn)?！?
2021 年的一份關(guān)于 AI 如何應對氣候變化的報告將 L2RPN 工作作為一個重要的用例。這項工作今年正在擴展到更復雜的模型。
此外，EPRI 正在整理 10 組匿名數(shù)據(jù)，電力公司可以使用這些數(shù)據(jù)訓練 AI 模型并使用這些模型處理他們最關(guān)鍵的工作。其中一個數(shù)據(jù)庫已經(jīng)有 15 萬張由無人機拍攝的老化電力設備圖像。
EPRI 還領(lǐng)導一個初創(chuàng)企業(yè)孵化器，使電力公司可以與 NVIDIA 初創(chuàng)加速計劃成員 Noteworthy AI 等 AI 初創(chuàng)企業(yè)合作開展創(chuàng)新的項目。為了保護共享數(shù)據(jù)的隱私，EPRI 可以使用 NVIDIA FLARE 軟件來訓練AI模型。
未來電網(wǎng)發(fā)展拐點
EPRI 還在兩座辦公樓開展了試點項目，使用 AI 減少了 30% 的電能浪費。繼去年電力線路遭到勒索軟件攻擊后，EPRI 正在與其他方面合作研究如何使用機器學習加強網(wǎng)絡安全。
有待解決的問題還在不斷增加。不過 Perez 告訴了我們一個好消息：全球正在采取行動為創(chuàng)建一個更加智能、清潔和安全的電網(wǎng)提供大量資金，比如《美國基礎(chǔ)設施投資和就業(yè)法案》。
他表示：“我們現(xiàn)在正處于一個拐點。如果沒有 AI 和高性能計算，我們根本無法制定出適合未來電網(wǎng)的可行計劃?！?
加州大學伯克利分校齊亞德·波米耶(ZiadObermeyer)副教授發(fā)表了題為《剖析算法偏差以及利用機器學習發(fā)現(xiàn)診斷錯誤》的主旨演講。他以急診室中測試心臟病發(fā)作為例，表明可以使用機器學習識別醫(yī)生診療中的偏差。他還展示了算法預測和醫(yī)生決策之間的對比，表明AI算法不僅可以輔助決策，還是產(chǎn)生科學知識強有力的新工具。
下載文檔
