你愿意照顾AI的一生吗？
2022年底发布的ChatGPT一路火热至今，真正使人工智能成为大众话题。人工智能的发展速度是以往任何科技所望尘莫及的，学习能力更是叹为观止，人们既期待人工智能带来的史无前例的机遇，又害怕其复杂而多变以致彻底失控。一时间，保守的学者呼吁暂停开发，谨慎的政府在完善立法，而思虑周全的机构组织则忙于归纳其漏洞和风险。最早使用“人工智能”这个词是在1956年的达特茅斯学院（Dartmouth College）会议上，先驱们相信不用一代人的时间就可实现人造的、媲美人脑的智慧。然而，人工智能在接下来几十年几乎停滞不前，直到并行计算技术发展并支持深度学习得到突破。逐渐地，人工智能默认等于机器学习，而机器学习默认等于深度神经网络。
现在，人工智能应用遍布各个领域。OpenAI推出的GPT store使每个人都可能做出属于自己的语言模型；自动驾驶技术让人工智能走出计算机，控制着一两吨的巨物；在工业领域，智能机器人、柔性制造蓄势待发，随时带来一场生产革命。人们猛然发现，70年前的那场会议并没有讨论人工智能是否安全。
想要探究某个人工智能应用，我们不仅看它呈现的效果（所谓的AI产品），还要看它是怎么来的。ENISA出版物《AI cybersecurity challenges》指出了人工智能开发的生命周期中各个节点，并逐一解释。我们在文章中看到了人工智能“应该”如何被开发。
无论用来实现任何目的，信息和数据已成为炙手可热的资源。厂商们有动机，也有能力以接近零成本获取海量数据，包括个人隐私数据。虽有现行法规如GDPR，网络安全法等对数据的获取做出限制，但人们的普遍忽视实在令人担忧。作家赫拉利说：“非洲和美洲原住民曾用宝贵的土地，从殖民者手中换来五颜六色的珠子，今天的我们正在用个人隐私数据，换取免费的电邮服务和可爱的猫咪视频。”法律法规滞后于技术发展的现实是客观存在的，如何平衡监管力度和AI发展速度，值得深思。
厂家需要知道其收集的数据的某些属性，如统计分布，以评估数据质量。然后把数据最终处理成能够输入计算模型的形式（通常是向量）。这些实现通常是依靠常规软件，而非人工智能。这些常规软件也许会被利用，使数据污染，或找到对抗样本。因而衍生的误导信息和虚假信息将成为全球面临的最大风险之一。
ENISA的另一篇文献指出，人工智能（指机器学习）无法做到百分百准确，因为百分百准确就是过拟合。就是说，无论概率多小，人工智能始终会产生错误预测。另一方面，越来越复杂的模型加上天文数字的参数使其难以被人理解，基本排除了调整参数修正错误的可能。
对于纯IT应用，这也许是可以接受的：使用者可以从容不迫地判断结果。但如果将人工智能用于控制，如自动驾驶或工业制造，则不能不提高警惕。因为错误就发生在一瞬间，结果可能不可挽回。除此之外，人工智能在伦理边界的模糊也备受争议。
我们能接触到的就是模型部署后的人工智能产品。既然失败不可避免，我们想知道它的统计概率。对于人工智能产品的测试，厂家更关心业务性能，而可能忽视安全和容错方面的测试。第三方机构的介入显得十分重要。
假设你使用自动驾驶，你打开自动驾驶功能时是在用人工智能产品，你关闭自动驾驶功能时是在做模型维护，因为模型在根据你的操作调整参数。这当然是厂家希望的。这里的问题和数据获取时一样，我们如何在获取便利的同时保护个人隐私？另外，模型维护可能是人们关注的盲区，我们只关心人工智能开发阶段的数据问题，却忽略了我们在使用时仍然在提供数据。
厂家（包括但不限于人工智能厂家）的商业目标往往不包含安全，这其实是使用者和资本的共同决定。既然不考虑安全都可以大卖，为什么在上面投入成本和精力？引入第三方机构平衡成本和风险显得尤为必要。而第三方机构应既了解技术，又识别威胁，使安全风险保持在可以被接受的水平。
ENISA把商业考虑放在生命周期的首位和末位，其实是希望厂家由始至终关注其目标。只有在最初目标里加入周全的安全考虑和预防机制，才能真正避免悲剧发生。
从17世纪中叶牛顿的三大运动定律，到20世纪初爱因斯坦的质能方程，科学家们总是希望用最简单的公式描述我们的物理世界。这些公式既明确又稳定，孕育了一波又一波科技进步。现代人工智能技术将计算框架和参数分开，其中框架是定义的，参数是通过案例反推的。这和古典方法完全不同，却以独特的解决思路达到新的高度，也带来新的难题。
这么看来，人工智能研发就像材料科学或者制药学，需要投入巨量人力和资金但不一定有产出。想想一个计算模型，如果它的预测不理想，我们该如何调整超参数呢？每个改动都需要重新训练参数，甚至数据处理都不一样了，可能需要额外获取数据。这时如果发生中断，前期的投入将得不到回报。
关注人工智能的生命周期不仅仅为了符合法规或道德，也为了减少弯路且快速开发。AI的一生如同人的一生，值得我们悉心照顾。 {:1_180:} 学AI，有钱途
页:
[1]