ByMichelleZhou人工智能技术先驱、麻省理工学院教授J.C.R.Licklider在1960年的开创性论文《人机共生》中设想了一个未来世界：“在预期的共生伙伴关系中，人类将设定目标、提出假设、定义标准并进行评估。计算机将执行程序化工作，为技术和科学思维中的洞察力和决策铺平道路。”在当今世界，这样的计算机被称为“人工智能助手”。然而，开发AI助手是一个复杂、耗时的过程，需要深厚的AI专业知识和复杂的编程技能，更不用说收集、清理和注释训练此类AI助手所需的大量数据的工作。因此，在不同的应用和领域中复用人工智能助手的全部或部分内容是非常必要的。AI学习人类技能很困难训练AI助手很困难，因为这样的AI助手必须具备某些人类技能才能与人类合作并帮助人类完成有意义的任务，例如识别医疗保健治疗或提供职业指导。AI必须学习人类语言要真正帮助人类，AI助手最重要的技能或许就是人类语言，这样AI才能与用户互动，解读他们的自然语言输入，并以自然语言回应他们的请求。然而，出于多种原因，教机器学习人类语言并非易事。首先，人类表达是高度多样化和复杂的。如图1所示，例如，在AI助手（也称为AI聊天机器人或AI面试官）以开放式问题面试求职者的应用程序中，求职者对此类问题的回答多种多样且高度复杂。图1.AI助手在求职面试中提出一个开放式问题（“您在工作中遇到的最大挑战是什么？”）。候选人的反应非常多样和复杂，这使得训练人工智能正确识别和回应此类反应变得非常困难。其次，候选人可能会通过提出澄清性问题或提供不相关的回答而偏离主题。下面的示例（图2）显示了测试者对上述同一问题的离题回答。AI助手必须正确识别和处理此类响应才能继续对话。图2.AI助手必须识别并正确处理三种不同的用户离题反应才能继续对话。第三，用户的话语可能含糊不清或不完整（图3）。图3.显示用户对AI问题的模棱两可答案的示例。人工智能必须学习人类的软技能。让机器更难学习人类技能的原因是，人工智能还需要学习人类的软技能才能对人类有用。就像具有软技能的好人类助手一样，AI必须能够读取人类的情感并在敏感情况下产生同理心。一般来说，教AI学习人类技能（语言技能、软技能等）很困难，主要有以下三个原因：首先，通常需要AI专业知识和IT编程技能来弄清楚需要哪些方法或算法以及如何实现这些训练AI的方法。例如，为了训练AI正确响应高度多样化和复杂的用户对开放式问题的回答，如图1和图2所示，有必要知道可以使用哪些自然语言理解(NLU)技术（例如，数据驱动的神经方法）或机器学习方法（例如有监督或无监督学习）。此外，必须编写代码来收集数据，使用该数据来训练各种NLU模型，并连接不同的训练模型。正如AI专家子昂肖等人。在这篇研究论文中解释说，整个过程很复杂，需要大量的AI专业知识和编程技能。即使使用现成的机器学习方法也是如此。其次，为了训练一个人工智能模型，必须有足够的训练数据。使用上面的例子，ZiangXiao等人。收集了每个开放式问题的数万个用户回复，以训练AI助手在面试对话中使用此类问题。第三，如研究中所述，从头开始训练AI助手通常是一个反复且耗时的过程。此过程包括收集数据、清理和注释数据、训练模型以及测试训练后的模型。如果训练好的模型表现不佳，则需要重复整个过程，直到训练好的模型合格。然而，大多数组织没有内部AI专业知识或成熟的IT团队，更不用说训练AI助手所需的大量训练数据了。这将使此类组织难以采用人工智能解决方案，从而造成潜在的人工智能鸿沟。多层次可重用、基于模型的认知人工智能为了使人工智能得到广泛应用，一种解决方案是预训练可以直接重用或快速定制以适应不同应用的人工智能模型。与其完全从头开始构建模型，不如将预制部件拼凑起来更容易、更快捷，就像用发动机、车轮、制动器和其他部件组装汽车一样。在构建AI助手的上下文中，图4显示了一个基于模型的认知AI架构，其中三层AI组件相互堆叠。每一层的AI组件都可以预先训练或预构建，然后可以重复使用或轻松定制以支持不同的AI应用程序。图4.具有多层可重用AI的基于模型的认知AI架构为包括AI助手在内的任何AI系统重用预训练的AI模型和引擎（AI助手的基础）所有这些都建立在人工智能/机器学习模型之上。根据模型的用途或训练方式，它们可以分为两大类：可用于不同AI应用的通用AI模型；针对AI应用程序经过训练或特定于引擎的专用AI模型。会话代理是通用人工智能的一个例子，而物理机器人是专用人工智能的一个例子。人工智能或机器学习模型包括数据驱动的神经（学习模型）或符号模型。例如，BERT和GPT-3是通用的、数据驱动的模型，通常在维基百科等大量公共数据上进行预训练。它们可以在人工智能应用程序中重复使用以处理自然语言表达。相比之下，有限状态机等符号人工智能模型可用作句法解析器，以识别和提取更精确的信息片段，例如特定概念（实体），例如来自用户输入的日期或名称。由于多种原因，通用AI模型通常不足以为特定AI应用程序提供支持。首先，由于此类模型是在通用数据上训练的，因此它们可能无法解释特定领域的信息。如图5所示，预训练的通用AI语言模型可能会“认为”表达式B与表达式A更相似，而人类会认识到B实际上更类似于表达式C。图5.显示缺失的示例一个预训练的语言模型。在这种情况下，在通用数据上预训练的语言模型将表达式B解释为与表达式A比表达式C更相似此外，通用AI模型本身不支持特定任务，例如管理对话或从对话中推断用户需求和愿望.因此，必须构建专门的人工智能模型来支持特定的应用。聊天机器人形式的认知人工智能以创建智能助手为例。认知人工智能助手建立在通用人工智能模型之上，由三个额外的认知人工智能引擎提供支持，以确保与用户进行有效且高效的交互。特别是，ActiveListening对话引擎使AI助手能够正确解读用户的输入，包括场景中不完整和模棱两可的表达（图6a）。它还使AI助手能够处理任意用户中断并保持对话场景以完成任务（图6b）。图6a。展示认知AI对话引擎如何在不同响应场景中处理相同用户输入的示例。图6b。示例显示认知AI对话引擎如何处理对话中的用户中断并能够保持场景和聊天流程虽然对话引擎可确保高效交互，但个人洞察推理引擎可提供对每个用户的更深入了解并实现更深入的个性化参与.作为个人学习伙伴或个人健康助理的AI助手可以鼓励他们的用户坚持学习或根据他们独特的个性特征进行学习（图7）。此外，特定于对话的语言引擎可以帮助AI助手更好地解释对话中的用户表达。例如，情感分析引擎可以自动检测用户输入中表达的情绪，而问题检测引擎可以识别用户输入是问题还是需要AI助手响应的请求。构建此处描述的任何AI模型或引擎都需要大量的技能和努力。因此，非常需要使此类模型和引擎可重复使用。通过精心设计和实施，所有讨论的认知人工智能引擎都可以重复使用。例如，可以使用对话数据对主动聆听对话引擎进行预训练，以检测不同的对话场景（例如用户找借口或澄清问题）。该引擎可以预先构建优化逻辑，在处理用户中断时始终尝试平衡用户体验和任务完成。同样，结合项目反应理论(IRT)和大数据分析，PersonalInsightsEngine可以根据个人数据进行预训练，显示他们的沟通模式和他们独特的特征（例如，社会行为或现实世界的工作表现）之间的关系。然后可以重复使用该引擎，从任何对话中推断出个人见解，只要对话是以自然语言进行的。预置人工智能功能单元（人工智能助手的功能）的复用通用人工智能模型和特定人工智能引擎可以为人工智能助手提供基础智能，而完整的人工智能解决方案需要完成特定任务或提供特定服务。例如，当AI面试官与求职者谈论特定话题时（如图1所示），其目标是从求职者那里获取关于该话题的相关信息，并使用收集到的信息来评估求职者是否适合工作角色。因此，需要各种人工智能功能单元来支持特定的任务或服务。在认知AI助手的上下文中，服务是与用户的交互并满足他们的需求（例如完成交易）。例如，可以构建特定主题的AI通信单元，每个单元都允许AI助手就特定主题与用户进行通信。因此，对话库将包含多个AI通信单元，每个单元支持一个特定的任务。图7显示了一个示例AI通信单元，它使AI助手能够与用户（例如求职者）就特定主题进行对话。图7.AI通信单元示例，使AI助手能够与其用户讨论特定主题。它包括AI助手可以根据用户在讨论期间所做的事情执行的多个条件动作（响应）。在这里可以检测用户动作，并且可以使用预训练的语言模型（例如架构底部两层中提到的那些）生成AI动作。在基于模型的架构中，可以对AI功能单元进行预训练以供直接重用。它们也可以通过合并新的条件和相应的动作来组合或扩展。预建AI解决方案（AI助手）的重用在基于模型的认知AI架构之上是一组端到端AI解决方案模板。在制作认知AI助手的上下文中，这个顶层由各种AI助手模板组成。这些模板预定义了AI助手要执行的具体任务流程，以及在交互过程中支持AI功能的相关知识库。例如，AI求职面试模板包括一组供AI助手与求职者交谈的面试问题，以及用于回答与工作相关的常见问题的知识库。同样，AI个人健康管理员模板可以概述AI助手需要执行的一组任务，例如检查健康状况和提供护理说明或提醒。这样的模板可以直接重复使用来创建人工智能助手，并且可以快速定制以满足特定需求。可重用AI支持无代码AI。在创建AI解决方案时，可重用的AI组件或系统不仅可以节省时间和精力，还可以快速、无代码地定制可重用组件。由于每个AI解决方案都可能需要某些定制，因此无代码AI进一步促进了AI的采用并加快了AI系统的上市时间。下面是几个无需编码即可自定义可重用AI组件的示例。人工智能解决方案模板无需代码定制假设一位HR招聘人员想要创建一个AI面试官。招聘人员可以通过在模板中编辑面试问题或与工作相关的常见问题来重用AI面试官模板，以构建自定义AI面试官（图8a）。模板重用和无代码定制极大地简化了端到端AI解决方案的创建，特别是对于不知道如何编码或缺乏深厚IT技能的员工。图8a。AI面试官模板的无代码定制，因此AI可以提出由HR招聘人员设计的特定问题。在这里，招聘人员添加了一个问题“你最喜欢你目前工作的什么？”而现有的AI交流单元会自动处理关于这个话题的讨论AI功能单元无代码定制继续上面的例子，假设招聘人员想让AI面试官问候选人“你最喜欢你现在的什么？工作？”如果候选人的回答是“与客户互动”，那么招聘人员希望AI面试官问一个后续问题，“你能举一个你喜欢与之互动的客户的例子吗？”由于没有任何预置的AI通信单元可以处理这种特定情况，因此招聘人员需要自定义AI通信。如图8b所示，招聘人员可以通过指示用户响应和相应的AI面试官动作（包括后续问题）轻松地做到这一点。同样，所有定制都可以在不编码的情况下完成。图8b。AI通信单元免代码定制。在这里，如果用户对“你目前的工作最喜欢什么？”这样的问题回答类似“客户互动”的问题，AI面试官会回答并提出后续问题无代码定制如何让任何不喜欢的人在IT中快速创建自定义AI解决方案。无代码、可重用AI的未来无代码、可重用AI使强大的AI解决方案的创建和采用民主化，无需聘请AI专业人员或部署昂贵的IT资源。要使无代码、可重用的AI成为开发和采用AI解决方案的主导范例，必须在多个领域取得进展。第一个领域是使可重复使用的AI组件和系统具有可解释性。为了帮助非IT人员重用预训练或预构建的AI组件和解决方案，打开“黑匣子”并解释每个组件或解决方案的内容，包括优势和劣势，这一点至关重要。可解释可重用人工智能不仅可以帮助人类更好地理解和利用现有的人工智能组件和系统，还有助于避免潜在的人工智能陷阱。例如，人力资源招聘人员在使用此AI功能推断有关求职者的见解之前了解如何推断个人见解会很有帮助。第二个方面是支持自动人工智能调试。随着AI解决方案变得越来越复杂，很难在多样化和复杂的情况下手动检查底层AI行为。非IT用户尤其需要帮助评估AI解决方案，例如AI助手，并在正式部署之前对其进行改进。虽然目前已有一些关于分析人工智能助手的初步研究，但未来还需要做更多的研究。第三个领域是确保负责任地使用人工智能，尤其是考虑到人工智能的民主化。例如，如果有人可以简单地重用AI功能单元来获取用户的敏感信息，那么谁来保护用户及其敏感信息，又将如何保护？除了衡量典型的AI性能（例如准确性和稳健性）之外，还需要新的衡量标准和使用指南来确保创建和部署可信赖且安全的AI解决方案。原标题：无代码、可重用的AI将如何弥合AI鸿沟，作者：MichelleZhou
