正如許多讀者所知，游戲是許多研發(fā)人員用來訓練人工智能的工具。

在 OpenAI 位于舊金山的辦公室里，研究人員 Dario Amodei 正在通過賽船冠軍賽（Coast Runners）來訓練人工智能。不過，這個人工智能好像有點失控了。

賽船冠軍賽的游戲規(guī)則很簡單，如果想贏，選手必須收集到最多的分數(shù)，然后跨過終點線。

但 Amodei 的人工智能玩著玩著有點過火了，它在不斷地追求高分，非但毫無跨過終點線的意思，反倒為了要多轉幾個圈拿高分，它開始和其它賽船碰撞，或是在過程中自己撞墻爆炸了。

為了應對，Amodei 和 OpenAI 的同事 Paul Christiano 正在研發(fā)一套不僅可以自我學習，同時也愿意接受人工監(jiān)控的算法。

在賽船游戲的訓練中， Amodei 和同事將不時通過按鍵來指出人工智能的不當之處，告知人工智能，不僅要贏分數(shù)，同時也要跨過終點線。他們認為，這種包含了人工干預成分的算法可以確保系統(tǒng)安全性。

而在 Google 旗下 DeepMind 的研究人員也同意 Amodei 和同事的想法。兩個團隊，分別代表了 OpenAI 和 DeepMind，最近罕有地合作發(fā)表了部分人工智能安全方面的研究論文。

除此以外，Google 旗下的 Google Brain，以及來自伯克利大學和斯坦福大學的研究團隊，都設有該方向研究課題，從不同方面考慮人工智能安全問題。

除了這種在自我學習過程中“搞錯重點”的潛在危險，另一個可預想的人工智能危險在于“為了完成任務，拒絕被開發(fā)者關機”。

一般在設計人工智能時，研發(fā)人員都會給它設定“目標”，就像賽艇游戲中的“得分”一樣。一旦人工智能將獲得“分數(shù)”為終極目標，它可能會產生一個方法論——想要獲得更加多的分數(shù)，其中一個方法就是不關閉自己，這樣就能無止境地獲取分數(shù)了。

伯克利大學的研究人員 Dylan Hadfield-Menell 和團隊最近發(fā)布了討論這個問題的論文。他們認為，如果在設計算法的時候，讓人工智能對目標保持一定不確定性，它們才有可能愿意保留自己的“關機鍵”。他們采用了數(shù)字方式來嘗試實現(xiàn)這個設置，目前還處于理論階段。

除了人工智能自我“失控”，研究人員還在考慮黑客對人工智能的干預影響。

現(xiàn)代計算機視覺基于深度神經(jīng)網(wǎng)絡（deep neural networks），它通過學習分析大批量數(shù)據(jù)來形成對模式的了解。也就是說，如果要讓計算機學會什么是“狗”，那就讓它分析大批量狗的圖片，并從中尋找規(guī)律。

但 Google 的 Ian Goodfellow 則認為，這種模式可能會為黑客提供“蒙騙”人工智能的機會。Goodfellow 和其它研究人員曾展示，只要修改圖片中的幾個特定像素，他們就能讓神經(jīng)網(wǎng)絡相信圖片中的大象是一輛汽車。

如果這個神經(jīng)網(wǎng)絡是應用在安保鏡頭的話，這樣就問題大了。

Goodfellow 說道：雖然這些研究大多仍處于理論階段，但這群致力于將意外扼制于搖籃的研究人員堅信，越早開始考慮這個問題越好。

DeepMind 人工智能安全方面的負責人 Shane Legg 說道：雖然我們還不能確定，人工智能將以多塊地速度發(fā)展。但我們的責任是嘗試理解并猜測，這種技術將有可能以哪種方式被誤用，并嘗試找出不同的應對方式。