在全体会议演讲中，这位伯克利教授、杰出学者将主张人工智能研究应借鉴经济学概念，并关注社会集体。
会议
ICASSP 2023
智能的定义众所周知地难以界定，但当大多数人（包括计算机科学家）思考它时，他们会按照人类智能的模式来理解：一种允许自主智能体作用于世界的信息处理能力。
但加州大学伯克利分校计算机科学和统计学系的Pehong Chen杰出教授、杰出学者迈克尔·I·乔丹认为，这只是过于狭隘的智能概念。“蚁群是智能的，因为它们能建造蚁丘和分享食物，尽管每只蚂蚁个体并不考虑建造蚁丘或分享食物，”乔丹说。“经济学家通过关注市场所完成的任务，将这种观点推得更远。完成这些任务从某种意义上说是智能的体现。一个每天将食物运送到纽约的市场是一个智能实体。它类似于大脑，重要的是要记住，大脑是由每个执行相对简单功能的神经元松散耦合而成的集合体。类比地，由生产者、供应商和消费者做出的松散耦合的决策构成了市场，这是一种智能形式。一个巨大的挑战是将这种智能与从数据中学习所产生的智能形式结合起来。”
乔丹认为，分布式的社会智能比我们与《终结者》电影或漫威的奥创联系在一起的那种自主通用智能更适合满足人类需求。同样地，他说，人工智能的目标应该在集体层面而非个体智能体层面来制定。
“一个好的工程师应该思考你所构建系统的总体目标，”乔丹说。“如果你的总体目标是模糊的——创造智能，然后它会以某种方式解决问题——这还不够好。”
“机器学习和网络数据所做的是以新的方式将人们聚集在一起，共享数据，相互共享服务，并创造新的市场、新的社会集体。构建这样的系统是一个完全合理的工程目标。在交通、商业、医疗保健等领域很容易找到现实世界的例子。这些领域最好不被分析为某种超级智能来帮你解决问题。相反，它们最好被分析为：嘿，我们正在设计一个新系统，它具有前所未有的新型数据流，需要以各种方式聚合和整合这些数据流，总体目标是根据个体的效用为他们服务。”
新信号
在今年的国际声学、语音与信号处理会议（ICASSP）上，乔丹将在题为“关于人工智能的另一种观点：协作学习、激励机制和社会福利”的全体会议演讲中详细阐述这些观点。ICASSP看起来可能是一个不太适合如此宏大演讲的场合，但乔丹认为——再次强调——这仅仅是基于一个过于狭隘的定义。
“你可以把信号处理定义得非常狭窄，然后就变成，如何进行压缩，如何获得高保真录音，等等，”他说。“但这些都只是过去的工程挑战。在新兴领域，‘信号’的构成概念更广泛。信号通常来自人类，并且通常具有语义内容。此外，当人们在考虑经济关系进行互动时，他们会以各种方式相互发出信号：我愿意为此付多少钱？其他人愿意付多少钱？市场充满了信号。机器学习可以为信号创造新的词汇。”
“所以这里的部分故事是要说，嘿，做信号处理的人们，这不仅仅是关于数据、算法和统计学。它关乎一个更广泛的信号概念。信号处理不仅仅是关于比特的处理和流式传输，而是关于这些比特的用途以及它们可以启动哪些市场力量。我当然希望能说服做信号处理的人雄心勃勃地思考这个领域的范围可以有多大。”
统计契约理论
乔丹和他的伯克利研究小组用来使市场更智能的工具之一是所谓的统计契约理论。经典契约理论研究存在信息不对称的市场：例如，卖方不知道潜在买家如何评价某个特定商品，但买家自己知道。
目标是设计一套能平衡这种不对称的契约方案。一个例子是飞机上的分级座位：一些顾客会签订合同支付更高的票价以获得更宽敞的空间和更好的食物；一些顾客会签订合同放弃这些优势以换取较低的票价。卖方无需预先知道哪些人群属于哪一类；人群是自我选择的。
乔丹解释说，在统计契约理论中，契约内嵌了统计分析。他喜欢用的例子是药物审批过程。
“监管机构的工作是决定哪些药物可以上市，”乔丹说。“这在一定程度上是一个统计问题：你有一个候选药物，它可能对人类有效，也可能无效。你事先不知道。所以你做一个A/B测试。你招募一些人，然后要么给他们治疗，要么给他们对照，看看是否有改善。”
“问题是，这个游戏中有更多的参与者。候选药物不仅仅来自自然或监管机构本身。还有第三方代理，即制药公司，他们在产生候选药物。他们可以产生成千上万个，这样测试成本就太高了。”
“监管机构在进行临床试验之前，根本不知道一个候选药物是好是坏。但制药公司知道得更多一些。他们知道他们是如何开发这些候选药物的，也许他们做了一些内部测试。所以你就有了这种不对称。监管机构不能直接问制药公司，嘿，那个候选药物好不好？因为制药公司只是希望它能通过筛选进入市场，然后赚钱。”
“解决方案是我们称之为统计契约理论的东西，希望它能开始作为一个新领域出现。数学要素同样是选项菜单，包括许可费、许可期限、试验规模等等。每家制药公司都可以为每一种可能的药物查看这个相同的菜单。他们做出选择，然后通过临床试验揭示结果。”
“在选择过程中，制药公司在透露一些信息。制药公司说，嘿，对于这个候选药物，我知道它真的很好，所以我选择‘商务舱’。现在你向监管机构透露了一些东西。但监管机构并不直接使用这些信息；他们事先设定了一个契约，而你做了你的选择。我们有了一个新的数学理论，可以精确处理这类设计问题，并有望处理一系列其他问题。”
预测驱动推理
乔丹小组正在开发的另一个工具称为预测驱动推理。
“我如何不仅用神经网络做出好的预测，还能做出好的置信区间？”乔丹说。“问题在于，即使这些预测非常准确，它们在某些情况下仍然会犯大错误，而这些错误可能会合谋产生有偏的置信区间。我们有这种称为预测驱动推理的新技术来解决这个问题。”
“经典的偏差校正就是我估计偏差，然后对原始估计值进行偏差校正，以获得一个更无偏的估计量。我们所做的不同。我们估计的不是偏差，而是对所有可能偏差的置信区间。然后我们利用这个置信区间对原始值进行所有可能的调整，以获得关于真实参数的置信区间。所以我们不仅仅是得到一个更好的预测估计；我们得到了一个完整的置信区间，这个区间有很大概率覆盖真实值。它能够利用来自神经网络的所有这些有偏预测，但仍然提供一个能保证覆盖真实值的区间。这简直有点神奇，但它确实可行。”
研究领域
- 机器学习
- 经济学
标签
- ICASSP
- 信号处理
- 学术界在亚马逊FINISHED
