新的機率人工智慧方法可自我評估其效果
近年來人工智慧系統的應用越來越廣泛，它們經常被用於自動駕駛、對話和分析資料等領域。然而這些智慧系統往往不能區分幻覺和現實，它們的一些決策可能是不準確的。為理解決這些問題，麻省理工學院（MIT）和加州大學伯克利分校的研究人員合作開發了一種新的機器學習方法，稱為“SMCP3”（機率式 AI），它能夠自我評估其效果。
SMCP3 方法的創新與優勢
SMCP3 基於一種數學方法，稱為“漸進蒙特卡洛”（SMC）。SMC 演算法是一個已經廣泛應用於不確保性校準的演算法集合，它們透過提議資料的可能解釋，並跟蹤當給定更多訊息時不同假設之間的相對可能性或不可能性來校準不確保性的 AI。
然而 SMC 演算法的其中一個核心步驟是提議可能的解釋（在跟蹤不同假設的相對可能性或不可能性之前），這對於複雜的應用領域來說是一個極具挑戰的問題。在自動駕駛中，例如，這需要從自駕汽車攝像頭的影片資料中查詢車輛和行人，猜測當前視野中被隱藏的行人的可能運動路徑。
為理解決這個問題，SMCP3 方法採用一種名為“機率式程式提議”（probabilistic program proposals）的智慧方式，智慧地猜測資料的可能解釋，隨著新訊息的到來，更新被提議解釋的相對質量的方法。這個方法的革新之處在於，它可以使用任何機率程式作為提議解釋的策略，而不僅僅是使用非常簡單的策略。透過 SMCP3，更多智慧但難以信任的演算法可以用於構建不確保性校準的演算法。
應用場景
SMCP3 方法的問世為各領域的 AI 應用和安全提供了更大保障，使得不確保性 AI 演算法能夠實現可靠性和安全性，進一步推動機器學習技術在各領域的應用。
SMCP3 方法不僅適用於自動駕駛領域，還可以應用於復雜的資料分析、3D 物體追蹤等任何需要不確保性校準的場景。並且，SMCP3 方法重要的特性之一是可以自我評估效果，這意味著它可以自動監控和調整自己的設定，確保 AI 系統的可靠性和安全性。
結論
SMCP3 方法的提出為機器學習技術的可靠性和安全性提供了更大保障。然而技術本身不是萬能的，關鍵還是在於將技術應用於實際問題解決當中，注重人工智慧的培訓和校準，及時偵測和解決問題。同時機器學習技術的發展也需要更多的投入和支援，以促進人工智慧在各行各業中的應用和發展。
