我们如何学习使用智能机器?
-
0:01 - 0:03清晨六点半,
-
0:04 - 0:08克里斯汀正推着
她的前列腺病人进手术室。 -
0:10 - 0:12她是一名实习住院外科医生,
-
0:12 - 0:14学习是她工作的一部分。
-
0:15 - 0:19这天,她非常想
参与进行神经保留手术, -
0:19 - 0:23这要求医生有极度精细的切割技巧,
以让病人恢复勃起的功能。 -
0:24 - 0:27不过,这还要看主治医生的意思,
但那会儿他并不在手术室。 -
0:28 - 0:30克里斯汀和其他手术人员
给病人打了麻醉。 -
0:30 - 0:34首先,她在病人的下腹部
切开了一道8英寸的切口, -
0:35 - 0:39当她把切口固定好,
便让护士打电话给主治医生。 -
0:40 - 0:42主治医生赶到后,穿上手术服。
-
0:42 - 0:48接着,两人共同开始手术,
他们四只手都在病人体内, -
0:49 - 0:52主治医生负责指导,
克里斯汀则主导了手术。 -
0:53 - 0:57当病人的前列腺被取出后,主治医生
让她进行了部分神经保留的操作, -
0:58 - 0:59他脱掉了手术服,
-
0:59 - 1:00开始处理一些文件。
-
1:01 - 1:06而克里斯汀在一个
初级住院医生的协助下 -
1:07 - 1:09于8:15完成了手术,
-
1:09 - 1:12克里斯汀还让他
给病人做了最后的缝合。 -
1:13 - 1:16克里斯汀感觉好极了,
-
1:16 - 1:18病人很快就会恢复,
-
1:18 - 1:21而她也无疑比凌晨六点半时的
自己更进了一步。 -
1:22 - 1:25虽然,医生的工作挑战性极高。
-
1:25 - 1:29但克里斯汀的学习过程
其实和我们的并无分别, -
1:30 - 1:32通过观察专家的操作,
-
1:32 - 1:35从简单、安全的部分开始着手,
-
1:35 - 1:37过渡到风险更高、难度更大的工作,
-
1:37 - 1:39其中确保她准备就绪,
并且有专家在一旁指导。 -
1:40 - 1:43我这一生都被这种学习过程所吸引。
-
1:43 - 1:47这样基本的步骤,体现了人之常情,
-
1:48 - 1:53人们为这个过程赋予不同的名字,
学艺、训练、教导和在职培训, -
1:54 - 1:57在外科手术中,
这被称为“看、做、教”, -
1:58 - 1:59但实际步骤是一样的,
-
1:59 - 2:03这也是千百年来所有人
在培养人才时所用的方式。 -
2:04 - 2:09但如今我们应用人工智能的
方法却反其道而行之。 -
2:10 - 2:12为了提高效率,我们
牺牲了学习必经的过程。 -
2:13 - 2:16我在麻省理工学院做手术时
第一次发现了这个现象, -
2:16 - 2:19但现在我发现这样的现象随处可见,
-
2:19 - 2:22遍布各行各业,
以及各项人工智能的应用场景中。 -
2:23 - 2:29如果我们无动于衷,成千上万的人
在学习如何掌握人工智能时, -
2:29 - 2:31将会碰壁。
-
2:33 - 2:35让我们再用外科手术作为例子,
-
2:36 - 2:38时间快进六个月,
-
2:38 - 2:43还是凌晨六点半,克里斯汀推着
另一个前列腺病人进手术室。 -
2:43 - 2:46但这一次,是去自动化手术室。
-
2:48 - 2:49主治医生把一个
-
2:49 - 2:52长着四只手、重一千镑的
机器人连接到病人身上, -
2:53 - 2:55医生们都脱掉了手术服,
-
2:55 - 2:58来到三五米外的控制台,
-
2:59 - 3:03而克里斯汀只负责观察。
-
3:04 - 3:07在机器人的帮助下,
主治医生独自便可完成手术, -
3:07 - 3:09他也是这么做的,
-
3:10 - 3:12即使他知道克里斯汀需要练习,
-
3:12 - 3:14他也希望可以给她机会,
-
3:14 - 3:18但是他同样清楚克里斯汀
操作得更慢,还有失误的风险, -
3:18 - 3:19而病人的安全永远是第一位的。
-
3:20 - 3:25所以克里斯汀在这次手术中
完全没有机会碰到病人的神经, -
3:25 - 3:30她能在四个小时的手术中
操刀超过一刻钟就算是走运了, -
3:30 - 3:33而且她很清楚,万一她出现失误,
-
3:33 - 3:36主治医生就会重新操刀,
她又不得不回到观察者的角色, -
3:37 - 3:40感到非常沮丧和失落。
-
3:42 - 3:45正如我过去八年做的
所有关于机器人的研究一样, -
3:45 - 3:47在这次研究的开始,
我也提出了一个宏大的问题: -
3:47 - 3:50我们要如何与智能机器共存?
-
3:51 - 3:57为了寻找答案,我花了两年半的时间,
观察了数位外科医生和住院医生。 -
3:57 - 3:59他们既做传统的手术,
也做自动化手术, -
3:59 - 4:03我采访他们,试图了解他们的学习过程。
-
4:04 - 4:08这次研究覆盖了
美国18所顶级的教学医院, -
4:08 - 4:09研究结果显示出相同的趋势。
-
4:10 - 4:12大部分住院医生都和克里斯汀一样,
-
4:13 - 4:15他们“看”得很多,
-
4:16 - 4:18但“做”的机会却很少。
-
4:18 - 4:21所以他们难以进步,也无从学习。
-
4:21 - 4:26这一现象对外科医生来说十分重要,
但我想知道,这样的现象有多普遍? -
4:26 - 4:29还有哪些领域也是这样,
人工智能阻碍了人们的学习? -
4:30 - 4:35为了找到答案,我联系了一个
年轻但正迅速成长的研究团队。 -
4:35 - 4:38他们在不同领域都做了一些
关于人工智能的实地研究, -
4:38 - 4:41包括初创公司、监管治安部门、
-
4:41 - 4:44投资银行和在线教育等。
-
4:44 - 4:50和我一样,他们花了至少一年的时间,
用了数百个小时进行观察 -
4:50 - 4:54采访研究对象,甚至
和他们一起生活、工作。 -
4:54 - 4:57我们共享了数据,
我想从中寻找出规律。 -
4:58 - 5:03不管在什么行业,利用何种
人工智能,结果都非常相似。 -
5:04 - 5:08企业、机构都卯足了劲,
想从人工智能中获益, -
5:08 - 5:11而这一行为导致学习者
从专业工作中脱离出来。 -
5:12 - 5:16初创公司的管理者把
联系消费者的工作外包出去, -
5:16 - 5:20警察在没有专家的支持下
去做犯罪预测工作, -
5:21 - 5:24初级银行家被排除在复杂分析之外,
-
5:24 - 5:28教授也要独自开始做在线课程。
-
5:29 - 5:32而这些种种带来的后果
和上述外科例子是一样的, -
5:32 - 5:35在工作中学习变得越来越难,
-
5:37 - 5:38这样的情况需要得到改善。
-
5:40 - 5:44据麦肯锡估计,到2030年,
我们中有5亿到10亿人, -
5:44 - 5:48将不得不在日常工作中
适应人工智能。 -
5:49 - 5:51而我们却以为
在职学习机制将一直存在, -
5:51 - 5:53在我们想要学习的时候就唾手可得。
-
5:54 - 5:58埃森哲最新的员工调查显示,
多数员工在工作时才能真正掌握技能, -
5:58 - 6:00而不是在培训中。
-
6:01 - 6:05我们一直在关注
人工智能对未来潜在的影响, -
6:05 - 6:08但却忘了它在目前最大的影响,
-
6:08 - 6:12就是它阻碍了我们学习的步伐,
-
6:12 - 6:14而学习恰恰是
我们目前最需要的东西。 -
6:15 - 6:22现在有一个小群体
找到了学习的方法, -
6:24 - 6:27通过改变和突破规则。
-
6:27 - 6:32因为现有的方法不奏效,
所以他们要改变和突破规则, -
6:32 - 6:34来获取和专家一起学习的机会。
-
6:34 - 6:39在我经历的环境里,住院医生
在医学院时可以参与到自动化手术中, -
6:39 - 6:43牺牲他们的通识教育课程,
-
6:44 - 6:50他们花了数百个小时
研究模拟器和手术记录, -
6:50 - 6:53虽然他们更应该在手术室里实操。
-
6:53 - 6:57最重要的是,
他们找到了奋斗的方法, -
6:57 - 7:01在有限的专家指导下进行现场操作。
-
7:02 - 7:06我称之为“影子学习”,
因为它修改了规则, -
7:06 - 7:08让学习者在聚光灯之外学习,
-
7:10 - 7:14而所有人都对此睁一只眼闭一只眼,
因为这样的学习的确有效。 -
7:14 - 7:17记住,这样学习的学生都是学霸。
-
7:18 - 7:21显然,这样的方式并不对,
也并不可持续, -
7:22 - 7:24没有人应该要冒着被开除的风险,
-
7:24 - 7:26去学习应掌握的技能,
-
7:27 - 7:29但我们可能真的要向这些人学习。
-
7:30 - 7:32他们为了学习不惜冒着巨大的风险,
-
7:33 - 7:37他们明白需要保护那些工作中
遇到的困难和挑战, -
7:37 - 7:40而强迫自己去解决难题,
-
7:40 - 7:42不断挑战自己的极限。
-
7:42 - 7:46他们也保证身边有
足够的专家资源指导他们, -
7:46 - 7:48在必要的时候出来提供支持。
-
7:49 - 7:52让我们把努力和专家支持结合起来,
-
7:53 - 7:55将其应用到人工智能中。
-
7:56 - 7:59我这里有一个具体的例子,
-
8:00 - 8:01在有机器人之前,
-
8:01 - 8:06如果你是一个拆弹专家,
你经常要直接处理简单易爆装置, -
8:07 - 8:09一个年轻的警官就在你几百米之外,
-
8:09 - 8:13他只能观察你,并且在
你觉得安全的时候才能提供帮助, -
8:13 - 8:14才能接近装置。
-
8:15 - 8:19现在你们并排坐在防弹卡车里,
-
8:19 - 8:21一起看着视频,
-
8:21 - 8:25他们远程控制着机器人,
而你大声地指挥工作, -
8:25 - 8:28这样一来,他们反而可以
有更好的机会学习。 -
8:29 - 8:32我们可以把这种方式应用到
外科手术、初创企业、治安系统、 -
8:33 - 8:36投资银行和在线教育等等行业中。
-
8:36 - 8:39好消息是,我们有了
更好的工具辅助学习, -
8:40 - 8:44网络和云技术的发展意味着我们不再
需要专家进行一对一、面对面的教学, -
8:44 - 8:49专家和学习者甚至
不需要在同一个机构中。 -
8:49 - 8:52我们可以利用人工智能来辅助学习,
-
8:53 - 8:58在学习者奋斗的过程中指导他们,
还可以指导专家进行更有效的教学, -
8:58 - 9:01将两者以更智慧的方式联系起来。
-
9:03 - 9:06现在已经有在职人员
有这样的教学系统, -
9:06 - 9:09但是他们也仅仅是
关注入职培训, -
9:09 - 9:12更大的危机其实出现在
在职培训当中。 -
9:12 - 9:14我们必须要做得更好,
-
9:14 - 9:17现在出现的问题
要求我们要做得更好, -
9:17 - 9:22来创造价值,来更好地利用
人工智能带来的便利, -
9:23 - 9:26同时也让我们的技术变得更加成熟。
-
9:26 - 9:29这才是我小时候梦想的未来,
-
9:29 - 9:32而现在正是去开创
这一未来的最佳时机。 -
9:32 - 9:33谢谢。
-
9:33 - 9:36(掌声)
- Title:
- 我们如何学习使用智能机器?
- Speaker:
- 马特·比恩
- Description:
-
几千年来,世界各地的人们的获得技能的途径都是一样的:在专家的指导下进行培训,先完成简单的小任务,然后再进行有风险和难度更大的任务。组织人种学家马特•比恩(Matt Beane)表示,目前我们对待人工智能的态度阻碍了千百年来沿用至今的“学习之路”,追求效率导致我们牺牲了学习的必经过程。那么,我们能做些什么呢?比恩分享了一个愿景:将学习转变为分布式的、机器强化式的指导过程,在充分利用人工智能神奇能力的同时提高自己的技能。
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 09:50
Yolanda Zhang approved Chinese, Simplified subtitles for How do we learn to work with intelligent machines? | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How do we learn to work with intelligent machines? | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How do we learn to work with intelligent machines? | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How do we learn to work with intelligent machines? | ||
Yolanda Zhang edited Chinese, Simplified subtitles for How do we learn to work with intelligent machines? | ||
Chen Yunru accepted Chinese, Simplified subtitles for How do we learn to work with intelligent machines? | ||
Chen Yunru edited Chinese, Simplified subtitles for How do we learn to work with intelligent machines? | ||
Chen Yunru edited Chinese, Simplified subtitles for How do we learn to work with intelligent machines? |