详细内容或原文请订阅后点击阅览
从可能到可能的 AI 模型
构建可靠人工智能的真正挑战《从可能到可能的人工智能模型》一文首先出现在《迈向数据科学》上。
来源:走向数据科学多年来，我参与了许多关于生成人工智能的对话（你可能也参与过！）。这些对话的焦点各不相同，从与公众讨论人工智能的使用，到与更多技术人员讨论模型的准确性。无论我与谁交谈，人们常常对模型的功能着迷和好奇。
法学硕士可以写一个功能性的内核驱动程序吗？可以。它可以写一首关于你有多爱你的猫的歌曲吗？我当然可以。扩散模型可以生成中世纪宇航员的逼真图像吗？可以。
但是，“可以”就意味着可以吗？事实证明，对于大多数模型来说，“可能”的门槛可能低得惊人。
作为研究过概率或统计的人，您可能知道，在足够大的样本空间中，几乎任何事情都有可能。挑战不在于确定结果是否会发生；而在于确定结果是否会发生。它是了解这种结果的可能性有多大，以及我们是否可以反复依赖它。
没错，概率论有很多令人困惑的地方：它是否与生成人工智能有关。这种区别很重要，因为构建生产人工智能系统与构建演示有很大不同。演示在有趣的边缘情况下蓬勃发展。生产系统取决于一致性。
随着人工智能系统成为工作流程和决策中日益庞大和重要的一部分，有必要重新审视概率论的基本思想，并研究有关人工智能可靠性的常见假设在哪里开始失效。
1. 维度和可能性空间
公平地说，谈论可靠的系统比构建它们容易得多。要理解为什么可靠性仍然非常困难，退一步思考样本空间会有所帮助。让我们从最简单的情况开始，即抛硬币。抛硬币：可能的结果很容易想象，因为可能性的空间很小。
乍一看，你可能会认为：