劃重點(diǎn)
01倫敦大學(xué)學(xué)院機(jī)器學(xué)習(xí)教授阿瑟格雷頓表示，人工智能領(lǐng)域最大的挑戰(zhàn)之一是不確定性量化，尤其在因果人工智能領(lǐng)域。
02格雷頓教授指出，人工智能在預(yù)測(cè)時(shí)往往無法準(zhǔn)確衡量不確定性，因此有較大概率會(huì)犯下錯(cuò)誤。
03另一項(xiàng)挑戰(zhàn)是統(tǒng)計(jì)保障，研究團(tuán)隊(duì)正在探索如何隨著數(shù)據(jù)量的增加，模型會(huì)根據(jù)數(shù)據(jù)的哪些特征不斷改進(jìn)。
04在醫(yī)學(xué)和金融案例會(huì)上，格雷頓教授分享了一個(gè)疾病治療的案例，強(qiáng)調(diào)在分析數(shù)據(jù)時(shí)必須仔細(xì)考慮不同變量之間的關(guān)系。
05大數(shù)據(jù)公司DBDolphin首席運(yùn)營(yíng)官Yangchun Chu分享了人工智能在金融領(lǐng)域的數(shù)據(jù)處理和應(yīng)用案例。
以上內(nèi)容由大模型生成，僅供參考
“它（人工智能）可能會(huì)自信地犯錯(cuò)�！碑�(dāng)?shù)貢r(shí)間9日，在倫敦舉辦的中英人工智能協(xié)會(huì)（CBAIA）年度大會(huì)上，倫敦大學(xué)學(xué)院（UCL）機(jī)器學(xué)習(xí)教授阿瑟格雷頓（Arthur Gretton）在接受第一財(cái)經(jīng)記者采訪時(shí)稱，當(dāng)前人工智能領(lǐng)域，尤其是在因果人工智能（Causal AI）領(lǐng)域，最大的挑戰(zhàn)之一就是在于不確定性量化。
格雷頓解釋稱，人工智能目前可以就某事做出預(yù)測(cè)，比如某款藥物的療效，或者某項(xiàng)政策的效果，但人工智能往往無法準(zhǔn)確衡量預(yù)測(cè)時(shí)的不確定性，因此它在預(yù)測(cè)時(shí)有較大概率會(huì)犯下錯(cuò)誤。
“我認(rèn)為，這是人工智能研究未來面臨的最大挑戰(zhàn)之一，也是我的研究小組正在探索的課題之一�！备窭最D教授說。
另一項(xiàng)挑戰(zhàn)是統(tǒng)計(jì)保障（Statistical Guarantees）。格雷頓教授稱，其團(tuán)隊(duì)另一項(xiàng)研究課題是，隨著數(shù)據(jù)量的增加，模型會(huì)根據(jù)數(shù)據(jù)的哪些特征不斷改進(jìn)，“這同樣是一個(gè)巨大的挑戰(zhàn)�！�
本次CBAIA年會(huì)以“用數(shù)據(jù)為人工智能加冕”（Crowning AI with Data）為主題，來自學(xué)術(shù)界和金融界的多位嘉賓圍繞這一主題進(jìn)行了分享。
醫(yī)學(xué)和金融案例
會(huì)上，格雷頓教授分享了一個(gè)疾病治療的案例：假設(shè)一種疾病有輕度和重度兩種形式，醫(yī)生根據(jù)疾病的嚴(yán)重程度來決定治療方式，輕度的用藥，重度的手術(shù)。根據(jù)觀察，用藥治療的治愈率為85%，手術(shù)治療的治愈率為72%。醫(yī)院管理層看到相關(guān)數(shù)字，便認(rèn)為用藥治療效果更好，且藥物往往還比手術(shù)費(fèi)用更低，因此決定所有患者都接受藥物治療。但是，這個(gè)決策忽視了治療與疾病嚴(yán)重程度之間的關(guān)系，即輕度患者適合藥物，重度患者需要手術(shù)。當(dāng)所有患者都接受藥物治療時(shí)，治療的效果會(huì)大大降低，因?yàn)橹囟然颊弑緫?yīng)接受手術(shù)。
這個(gè)案例對(duì)于研究和使用人工智能的教訓(xùn)在于，在分析數(shù)據(jù)時(shí)，如果沒有充分考慮各個(gè)因素之間的關(guān)系（例如治療方法與疾病嚴(yán)重程度之間的關(guān)系），就可能得出錯(cuò)誤的結(jié)論。醫(yī)院管理層的干預(yù)打亂了治療和疾病嚴(yán)重度之間的聯(lián)系，導(dǎo)致錯(cuò)誤決策和低效的治療方案。因此，必須仔細(xì)考慮不同變量、不同數(shù)據(jù)之間的關(guān)系，避免錯(cuò)誤簡(jiǎn)化復(fù)雜情況。
大數(shù)據(jù)公司DBdolphin首席運(yùn)營(yíng)官Yangchun Chu則分享了人工智能在金融領(lǐng)域的數(shù)據(jù)處理和應(yīng)用案例。他表示，典型的量子對(duì)沖基金或量子交易柜臺(tái)需要處理海量數(shù)據(jù)，例如，交易指令、公司財(cái)務(wù)數(shù)據(jù)以及其他相關(guān)數(shù)據(jù)。通過這些數(shù)據(jù)，團(tuán)隊(duì)會(huì)開發(fā)多種功能或因子，并將其應(yīng)用于各種模型，用于預(yù)測(cè)投資回報(bào)；再根據(jù)模型的預(yù)測(cè)結(jié)果，生成交易信號(hào)。若其模型表現(xiàn)優(yōu)秀，能夠準(zhǔn)確預(yù)測(cè)回報(bào)，則將賺取豐厚利潤(rùn)。
人腦提供了一個(gè)很好的模板
本次年會(huì)舉辦場(chǎng)所位于倫敦大學(xué)學(xué)院蓋茨比計(jì)算神經(jīng)科學(xué)中心。據(jù)介紹，該中心成立于1998年，由圖靈獎(jiǎng)和諾獎(jiǎng)雙料得主、被稱作“AI教父”的杰弗里辛頓（Geoffrey Hinton）教授參與創(chuàng)立。中心專注于了解大腦計(jì)算的神經(jīng)機(jī)制，通過結(jié)合神經(jīng)科學(xué)、數(shù)學(xué)和機(jī)器學(xué)習(xí)等不同學(xué)科，探索神經(jīng)回路如何處理信息、如何進(jìn)行學(xué)習(xí)和決策，以及這些過程如何產(chǎn)生感知和行為。
在中心的會(huì)議室中，格雷頓教授告訴記者：“利用神經(jīng)科學(xué)來真正理解機(jī)器學(xué)習(xí)的研究還不夠成熟。我認(rèn)為，要理解人類大腦，實(shí)在太難了�！�
但他也認(rèn)為，人類大腦為研究人員提供了一個(gè)很好的模板，因?yàn)樗軌蛟诜浅Ｉ俚哪芰肯南�，處理極為復(fù)雜的任務(wù)，“所以，某種程度上，（人類大腦）為我們?cè)O(shè)定了一個(gè)目標(biāo)，值得我們努力去追求”。
(本文來自第一財(cái)經(jīng))
