谷歌（Google）、優(yōu)步（Uber）等公司正在構建能自我懷疑的人工智能系統(tǒng)，人工智能將會通過接受不確定性來做出更好的決定。

深度學習作為人工智能中最強大的方法，正在獲得一種新的能力：一種不確定感。優(yōu)步(Uber)和谷歌(Google)的研究人員正在對這兩個最受歡迎的深度學習框架進行修改，使它們能夠處理概率問題。這將為最聰明的AI程序提供一種方法來衡量他們對預測或決策的信心——從根本上說，就是讓他們知道什么時候應該懷疑自己。

深度學習涉及到向一個強大的神經(jīng)網(wǎng)絡提供實例數(shù)據(jù)，這在過去的幾年中取得了巨大的成功，通過深度學習，機器幾乎能夠完美地進行圖像識別或語音識別。但它仍需要大量的訓練數(shù)據(jù)和計算能力，而且它可能非常脆弱。

有點違反直覺地是，這種自我懷疑提供了一種解決辦法。在涉及自動駕駛汽車和其他自動機械的關鍵場景中，這種新方法可能是有用的。“你希望有一個系統(tǒng)能給你一個衡量其確定性的指標?！惫雀韫菊谘芯窟@個問題的Dustin Tran說，“如果一輛自動駕駛的汽車不知道它的不確定性程度，就可能會犯致命的錯誤，而這可能導致災難性的后果?！?/p>

這項工作反映了一種認識，即不確定性是人類推理和智力的一個關鍵方面。劍橋大學的教授、優(yōu)步的首席科學家Zoubin Ghahramani表示，將其添加到人工智能項目中，會讓它們變得更聰明，更不容易犯錯。

隨著人工智能系統(tǒng)在越來越關鍵的場景中投入使用，這可能是至關重要的。Ghahramani表示“我們希望有一個堅實的深度學習框架，但要讓人們更容易表現(xiàn)不確定性。”優(yōu)步發(fā)布了一種新的編程語言Pyro，這種語言將深度學習和概率編程結合?？蒲腥藛T表示，Pyro給予了深度學習處理概率的能力，可以使它在幾個方面變得更聰明。例如，它可以幫助程序從幾個、而不是成千上萬個例子中，以合理程度的確定性來識別事物。提供一定程度的確定性，而不是肯定或否定的答案，也應該有助于構建復雜的系統(tǒng)。

盡管傳統(tǒng)的深度學習系統(tǒng)只學習所輸入的數(shù)據(jù)，但Pyro還可以用于構建一個用知識預先編程的系統(tǒng)。這在機器學習目前可能出現(xiàn)的任何場景中都是有用的。

Edward是另一種包含不確定性的編程語言，它是哥倫比亞大學在美國國防部高級研究計劃署（DARPA）的資助下開發(fā)的。Pyro和Edward雖都處于開發(fā)的初級階段，但不難理解為什么優(yōu)步和谷歌會對此感興趣。優(yōu)步在無數(shù)領域使用機器學習，從駕駛路徑規(guī)劃到設置高峰定價，當然也包括自動駕駛汽車。該公司在人工智能上投入巨資，聘請了許多從事創(chuàng)新研究的專家。谷歌最近已經(jīng)在人工智能和深度學習的基礎上重建了它的整個業(yè)務。哥倫比亞大學科研人員表示，將深度學習和概率編程結合起來是一個很有前途的想法，還需要做更多的工作。

不過，Pyro和Edward在將人工智能相互競爭的兩大學派——一個側重于神經(jīng)網(wǎng)絡，另一個則側重于概率——集合在一起方面也具有重要意義。近些年來，神經(jīng)網(wǎng)絡學派占據(jù)了主導地位，其他的思想幾乎被拋在了腦后。為了取得進展，該領域可能需要采納這些其他想法。