神經網絡的預測能力推動了最近的人工智能熱潮，但很難解釋他們是如何做出決定的。一項旨在揭示語言處理網絡內部工作原理的新技術，只是為揭示這些“黑匣子”而做出的最新努力。

      我們發(fā)現神經網絡如此神秘，這可能并不奇怪，因為它們基本上是基于人類大腦而建立的，我們也在努力破譯這些神經網絡。他們學習的模型并不像傳統(tǒng)的計算機程序那樣整齊地存儲在數據庫中，而是由成千上萬的虛擬神經元之間的連接組成。

      這些連接不是由人類程序員設定的，相反，神經網絡本質上是通過在大量數據中尋找模式來進行編程。因此，雖然你可以測試一個神經網絡在照片中檢測到貓的效果，但要判斷出它們的存在與否，你很難辨明它們的視覺模式。

      “當涉及到照片中貓的檢測時，這并不是什么大問題，但這項技術正在悄然進入一些領域，在這些領域，能夠解釋這些決定可能很重要。”

      說到檢測到貓的存在，這并不是什么大問題，但這項技術正在悄然進入一些領域，在這些領域中，能夠解釋這些決策可能很重要，比如金融交易和疾病診斷。這導致了越來越多的研究試圖讓這些算法的決策能解釋得更清楚。

      本月上旬，麻省理工學院的工程師們公布了一項技術，該技術有望提供關于任何自然語言處理網絡的洞察和分析，而不管其背后的軟件是什么。這是因為它的工作原理是簡單地把輸入轉換成算法，并測量對輸出的影響。

      該研究小組利用他們自己的神經網絡，對自然句子進行壓縮和解壓，得出與之相關的句子，然后將這些句子輸入到被訪問的神經網絡中。通過分析輸入的細微變化如何改變輸出，研究人員能夠發(fā)現網絡對特定詞匯和短語的反應。

      他們進行的一項測試是在微軟Azure云服務的一項翻譯服務上進行的。法語有不同的名詞形式，這些名詞形式取決于主語的性別。例如，男舞者是“danseur”，而女性舞者則是“danseuse”。

      研究人員發(fā)現，在包含諸如博士、教授等職業(yè)的句子中，這種模型容易表現出男性化的傾向，比如聰明的或有天賦的，而在模型表現成女性化的形式時，則傾向于迷人的或者富有同情心的主體，比如舞者或護士。

      這種性別傾向很難通過簡單地搜索翻譯服務的神經網絡架構來發(fā)現，但其影響可能是潛在的。能夠發(fā)現這種傾向是促使神經網絡更容易解釋的關鍵因素，但它也可以幫助研究人員排除那些導致錯誤的假設，從而提高他們的表現。

      麻省理工學院的這一研究也遵循了華盛頓大學的類似研究，該研究也使用了輸入的變量來觀察模型的預測行為。它解決了分類算法更簡單的問題，但它也可以通過突出顯示圖像的某些部分來進行預測，從而在圖像處理算法方面發(fā)揮作用。

      英偉達提出了一種更簡單的方法，可以在處理自動駕駛汽車的PilotNet系統(tǒng)所使用的視頻時實現同樣的效果。通過把網絡的更高層次的輸出疊加到下層上，他們就能創(chuàng)建一個“可視化的面具”，突出顯示網絡認為重要的實時視頻消息流的功能。

      更進一步的話，一些研究人員試圖創(chuàng)造出人工智能來解釋它的決定，而不僅僅是專家來進行解釋。來自美國和德國的研究人員最近公布了一種算法，該算法不僅可以分析圖片，回答“哪種運動正在播放”等問題，還可以用“棒球員手握球棒”這樣的短語來回答“棒球”這樣的問題。

      Mark Riedl是位于亞特蘭大的喬治亞理工學院娛樂情報實驗室的主任，他讓一些人玩了電腦游戲“青蛙”，并在他們玩的過程中解釋他們的策略。他將這些數據與描述游戲狀態(tài)的代碼一起記錄下來，然后在這兩種情況下訓練了一個神經網絡。當他把這個網絡連接到另一個設計游戲的網絡時，他創(chuàng)造了一個人工智能，使其可以在玩游戲的過程中合理化自己的行為。

      雖然對可解釋的人工智能研究還處于初級階段，但歐盟最近的一項指令可能會給該領域的研究增添一種緊迫感。定于明年生效的通用數據保護條例（GDPR）將有效地創(chuàng)造一種“解釋權”，使公民能夠要求做出關于算法決策背后的邏輯。

      正如埃森哲的分析師在一篇博客文章中指出的那樣，關于這種新權利的程度存在爭議，但他們仍然建議企業(yè)接受可解釋的人工智能，以便在未來證明自己的企業(yè)不受監(jiān)管機構的影響。

      這一領域也可能會有大筆資金投入。金融巨頭Capital One正在研究如何讓機器學習算法來解釋他們的決策，美國國防高級研究計劃局（DARPA）正在資助13個致力于解決這個問題的研究小組。這其中包括來自俄勒岡州立大學的一個小組，他們計劃用第二個神經網絡來分析神經網絡，以確定神經活動對特定決策的影響。

      但谷歌的研究主管Peter Norvig最近質疑這些方法最終會有多大用處。他說，即使有了人類，認知心理學家也發(fā)現，當你讓別人解釋他們的決定時，他們通常會以可能與實際決策過程無關的方式來理解他們的行為。他在悉尼的一次活動上說：“因此，我們可能會在機器學習領域處于同一個位置，在這個階段我們訓練一個系統(tǒng)來獲得答案，考慮到第一個系統(tǒng)的輸入，然后我們才會訓練另一個系統(tǒng)，現在你的工作就是做出解釋。”

      相反，他說，隨著時間的推移，研究這些算法的輸出可能會更有用，以識別偏差和錯誤。那么，問題是這是誰的責任：是過度擴張的公共機構、還是學術機構或企業(yè)，在保護其人工智能能力的聲譽方面擁有既得利益。

      在現實中，這可能需要兩者的結合。人工智能開發(fā)者需要找到方法來解釋他們的創(chuàng)意所做出的決定，但我們不能只接受他們的說法。還需要對這些決定如何影響人們的生活進行密切的觀察。