【儀表網 儀表下游】導讀：實現我們的人工智能目標需要改變當前的數據范式；是時候將人類置于AI培訓過程的中心了。
 

　　將人工智能(AI)作為解決具體問題的首選技術的熱情是不可否認的，也是值得注意的。但是，盡管每天通過監(jiān)督學習或強化學習等流行的人工智能方法仍取得了很大進展，但這些經典方法的使用方式往往是單一的，這可能也是阻礙人工智能的因素。
 

　　雖然人工智能在越來越多的領域取得了越來越大的成功，但它仍然主要作為一種工具來執(zhí)行狹隘的任務，或者作為一種簡單的自動化形式，而不是與人類用戶建立關系的支持伙伴。它很大程度上依賴于精心策劃或注釋的數據，大多是歷史數據，而且只能非常間接地從人類用戶那里學習。人工智能在某些情況下具有非凡的預測能力，但卻無法具備人類從嬰兒時期就具備的適應能力。它只是(還)不能像人類那樣根據從未遇到過的數據進行推斷。此外，對更高精確度的需求導致了越來越大和復雜的模型、計算密集型訓練和工程挑戰(zhàn)，這些挑戰(zhàn)阻礙了我們在基于人工智能的解決方案中尋求的可信度、可移植性和可擴展性。
 

　　實現我們的人工智能目標需要改變當前的數據范式；是時候將人類置于AI培訓過程的中心了。您不必相信我們的話：從設計到部署將人力和AI資源混合的好處在其他獨立研究中得到了呼應，例如麻省理工學院斯隆2020年人工智能全球高管研究和研究項目的發(fā)現，以及由此產生的結果在德勤洞察中，協(xié)作甚至被稱為“超級團隊”。
 

　　與標準的AI方法相比，設計、培訓和部署混合人類用戶和AI代理的解決方案提供了新的成功途徑。模仿學習、課程學習和其他較新的技術已經展示了通過利用人類的專業(yè)知識、反饋和指導來訓練人工智能的其他方法。與其將我們自己局限于一種方法，不如我們可以擁有一切，并將所有這些不同的方法結合在一起，與人類一起構建新的智能系統(tǒng)，而不再局限于任何特定的方法、模型或算法。考慮到人類和人工智能各自的優(yōu)勢和劣勢，這種人與人工智能的伙伴關系將產生的不僅僅是其各部分的總和，利用互補的能力來實現僅靠一個或另一個不可能或很難實現的結果。然而，為了讓人工智能代理與人類盡可能緊密地協(xié)同工作，具體的方法、途徑和技術是有必要的。值得注意的是，它要求體系結構設計自然有利于多代理、多人、技術不可知的分布式方法，在研究、原型和操作之間快速、無摩擦地反復迭代。
 

　　這些都是Cogment背后的指導原則，Cogment是一個新的開源框架，旨在實現人類和AI代理之間的這種合作伙伴關系。它今天已經在復雜的環(huán)境中使用，比如人機協(xié)作、自適應學習和關鍵決策支持系統(tǒng)，而且它已經為應對未來的挑戰(zhàn)做好了準備。
 

　　(原標題：人工智能的未來：數據還不夠)