为什么说人工智能的优势在某些方面的能力已经超越了人类？

来源：蜘蛛抓取(WebSpider) 时间：2023-10-19 15:50 标签： 人工智能的优势
谢谢小鱼哥邀请其实在网络安全方面，也有很多工作运用到了人工智能的技术，并且超越了人类的表现，下面列举一些我所知道的例子，可能一时半会想不全面，之后会慢慢更新。1.网络攻击历史上，安全社区一直都是以防御的方式来使用机器学习(ML)的，例如对恶意二进制文件进行分类或发现异常网络流量。但是，在攻击方面，其实也有很多人工智能的参与，并且其效果胜过了人类。1.1 钓鱼攻击钓鱼攻击，指的是一种企图从电子通信中，通过伪装成信誉卓著的法人媒体以获得如用户名、密码和信用卡明细等个人敏感信息的犯罪诈骗过程。而网钓，则通常是透过e-mail或者即时通信进行，是一种利用社会工程技术。如何提高网络钓鱼的成功率呢？这是一个很有趣的问题在2016年Black Hat USA的议题中，出现了一项有趣的研究：Weaponizing data science for social engineering:Automated E2E spear phishing on Twitter ，研究的主要内容是使得犯罪活动也可以从大数据和人工智能中受益，而不仅仅是入侵检测之类的防御手段。社交网络，对于美国人来说，尤其是Twitter，可以方便访问很多的个人数据（包括），有着友好的API接口，非常多的文字信息，因此是一个应用AI的极好场所。攻击的第一步是选取目标对象，首先，会利用twitter的API获取一个twitter用户名列表，然后会提取一部分用户特征，例如用户的网民，在线频率，转发或者发表推文的时间、地点与频率，以及位置等信息，根据这些训练一个分类模型，将用户按照被钓鱼概率的大小排序，然后选取一部分被钓鱼概率较高的用户。其次，攻击者选取了SNAP_R网络模型，该模型采用了LSTM和马尔可夫模型，能够对特定用户的推文、评论和转发的内容进行训练，来生成用户感兴趣的话题和内容，然后发送钓鱼推文来入侵被攻击者。根据文章内容显示，采取上述措施之后，钓鱼推文的成功率最高可达66%，而通过人类手工筛选用户发送，成功率只有45%左右，如果随机发送，成功率最高只有14%。1.2 恶意软件样本生成（GAN）生成对抗网络（Generative Adversarial Network，GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间（latent space）中随机取样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出。其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。这项工作很，容易被人想到去隐藏一些攻击样本，使得当前的恶意检测工具失效，来达到黑客入侵的目的，很显然，他们也做到了。文章：Generating Adversarial Malware Examples for Black-Box Attacks Based on GAN 中就设计了这样的方法（MalGAN），通过MalGAN方法来生成对抗恶意软件样本，逃避现有的检测软件。他们的实验结果很完美，几乎做到了100%的逃避率，完胜人工队2.网络防御2.1 漏洞分析CGC(Cyber Grand Challenge)，这是美国DARPA(国防高等研究计划署)举办的自动网络攻防竞赛。CGC旨在建立实时自动化的网络防御系统，并且能够快速且大量的应对新的攻击手法，来应对频发的网络攻击，并降低攻击出现到防御生效之间的时间差。2016年的Defcon CTF比赛上，迎来了漏洞分析领域首次人机黑客的大战，比赛最终由来自ForAllSecure的机器人Mayhem夺得了冠军。利用AI来挖掘漏洞，应该是以后的必然趋势了，因为目前很多病毒的感染性很强，传播速度极快，且构造越来越复杂，单凭人类自身以及很难跟上这样的速度，也很难分析出如此复杂的漏洞了，必须要以来自动化的AI工具才行。虽然目前利用AI来挖掘漏洞目前还存在一些例如逻辑漏洞无法检测等等的局限性，但我相信AI在漏洞分析领域的普遍使用是以后的必然事件。2.2 提高恶意检测器效果这篇工作出自网络安全四大顶会之一的CCS，即2020年CCS论文《Enhancing State-of-the-art Classifiers with API Semantics to Detect Evolved Android Malware》文章提出利用将API 语义聚类的方法，来检测不断改进的安卓恶意软件，称为API-Graph的框架，使用 API 语义的相似性来增强安卓恶意软件检测器的效果，用来代替之前的人工不断更新。聚类效果目前对Android恶意软件的改进，主要通过再学习或者主动学习，这样做会付出很大代价，即成千上万个恶意软件样本的标签和巨大的人工成本，劳动里都浪费在这里了，效率很低，而且人工改进后的检测器很快又会被攻击者所逃避，能正常使用的时间非常短。API-Graph的整体架构这篇文章的工作，通过检索语义等效的相似API的使用，利用改进的Android恶意软件之间的相似性API语意信息来增强最新的恶意Android软件分类器，从而降低分类器的退化速度，节省了大量主动学习和再学习所需的人工工作，并且达到了更好的防止分类器衰退的效果。实验结果研究主要利用恶意软件开发人员倾向于使用语义相似的API来实现相同或相似的功能这一点，来完成防御工作。结果表明，API-Graph可将四个分类器中要标记的样本数量显着减少32％–96％，并且模型的可持续性和空间稳定性都大大增加。可持续性分析稳定性分析以上，谢谢
第五章——大脑意识的产生意识这个词，是一个让人魂牵梦绕的词。几千年来都是，没有一个人能确切的说清楚它。对于意识，我有自己的定义。意识的定义：意识是高级生命体的大脑对于客观世界的反应。想象，智慧，思维，知觉，感觉都是意识的表现形式。从这个定义，我们能看到几点：1、意识是大脑的产物。2、意识是有等级层次的。3、意识的表现形式是综合的例如对于意识来说，想象是比感觉更高的表示形式。意识是高级生命体的大脑产物，不是单单指人，包括动物。大家要知道，这里的定义是生物学定义，不是哲学层面的定义。现代理论一般认为，意识是一个不完整的、模糊的概念。无法通过语言准确的描述。一般认为意识是人对环境及自我的认知能力以及认知的清晰程度。科学家并不能给予一个确切的定义。约翰·希尔勒通俗地将其解释为：“从无梦的睡眠醒来之后，除非再次入睡或进入无意识状态，否则在白天持续进行的，知觉、感觉或觉察的状态”，现在意识概念中最容易进行科学研究的是在觉察方面。例如，某人觉察到了什么、某人觉察到了自我。有时候，“觉察”已经成为了“意识”的同义词，它们甚至可以相互替换。目前在意识本质的问题上还存有诸多疑问与不解，例如在自我意识方面。现代对意识的研究已经成为了多个学科的研究对象。意识这个问题涉及到认知科学、神经科学、心理学、社会学、哲学等。那么意识是如何产生的？意识的产生：当代研究表明，大脑是由1000亿个神经细胞构成，单个细胞本身并不聪明，这一点在上面已经说过。大脑能够产生意识，是神经完美构造和亿万细胞协作使然。拿电脑的运作机制来作对比，电脑诞生初始，只能被运来进行运算。可是随着科技的发展，电脑的内部构造，部件逐渐更换，有跳跃式的发展。计算，搜索，图文，看视频，录音，录像，网络……功能与日俱增。人类的大脑也是如此，是随着历史的发展，不断发展，进化，完善结构，分工，协作，才有现在的意识产生机制。但是我个人认为不论人工智能发展多少年，在很多方面超越人类，也改变不了人工智能永远不能超越大脑的事实！！不能超越人类的原因有四：1、人工智能是“被”制造出来的。它的局限性，在于人。2、大脑智慧经过几百万年的发展，是人类还是一个海中生物的时候，就已经在发展了。它形成和机制，是人工智能不能重走和模仿的。3、人类大脑的智能在于“个性”。大脑内部塑造”性格“，塑造”行为“的模式是随环境刺激可变化的东西。人工智能对于环境刺激可以发生程序变化，但永远无法形成这种永久的”性格“和”个性烙印“4、人类智能是一个需要亿万细胞，协作，产生化学反应，电流刺激的自然产物。人工智能是一个程序，软件，芯片”设计“的”纯“电流反应。即使是1岁的大的婴儿的吃饭能力，学习认识世界的能力，也是人工智能所无法模拟的。有人说给人大脑内安装一个芯片，这样他即具有人的智能，又具有”电脑“智能，结果就是超于大脑。我依然持高度怀疑态度。脑细胞，芯片，脑神经，如何建立一个互相识别，互相融洽的激烈的化学反应机制。人类大脑实现今天的智慧，走了几百万年。人工智能呢。在心理学上，意识具有四个特性：1、意向性。意向性是指人的意识能在某个事物或某件事上集中多长时间，这种多是主观的。2、统一性。统一性指的是意识是很难分开的。例如，当某人一边开车一边打电话，此人是不可能在两件事上都集中意识。这就是我们通常所说的“一心不能二用。”意识具有这种统一整体性。因为神经意识是相互联系的。意识专注了电话内容，就对开车内容减少关注。无疑人工智能在这方面，可以独领风骚，比之人类强了很多。3、选择性。选择性是有关人能注意到某些事情，却没有注意到另外的事情。例如，在一个鸡尾酒会，某个人提到你的名字，当时你和那个人都同时跟不同的人群在聊天，但你却注意到了他（她）提到了你的名字。4、短暂性。短暂性又叫改变的倾向，是威廉詹姆士所描述的意识就像一条小河里的河水。我举一个例子，你现在闭上眼睛，想象自己在一条路上开车，这条路你是熟悉的。你脑中会不断跳跃过画面，但你发现这些画面很“短暂”，你甚至会很快跳跃到另一个地方的一条路上。你无法阻止这种跳跃。而且你试着说我要把我熟悉的这条路上的一个个建筑，逐一在大脑中呈现，可是你发现自己做不到完整的陈述。总是会跳过一些点建筑，跳跃过后，你才发现，刚才那个点没有出现在我的大脑中。就这个意识的特性，对于人工智能来说，是望尘莫及的。而且程序员是很难这样去“设计”的。因为这将导致人工智能工作的不可靠性。还有一个点是大家要知道的，就是关于人工智能“超越”人类的定义，是比较模糊的。你怎么定义超越？就好比我们日常生活中说某人比某人强，这个算超越吗？没有前提条件，陌生人是不太理解的。熟人之间会意会，明白对方在说什么。陌生人之间，我们必须说清楚，某人比某人强，是工作方面，或身体方面，或钱财方面等等。总之要有前提。所以说人工智能要超越人类，一般我们说是全方面超越。如果单从计算角度来说，人工智能已经超越人类了。还有一个关于超越的感性的定义，就是谁决定谁，谁是主动的。显然就目前而言，人类是主动的，人类决定人工智能的方向。如果有一天人类变成被动，被人工智能掌控，那么也可以说这时候人工智能超越了人类。这个定义不明确，但大家都会认同。就像有些人说的那样：“人能创造机器人，但是机器人永远都创造不了人。就凭这一点，机器人就无法取代人类。”其实关于人工智能和人类意识的话题，更多的不是在未来，而且还包括过去。也就是人类的进化史，已经为人类在智能方面，积攒了无法超越的过程。如果人类恐惧人工智能，害怕人工智能在意识到自我之后，朝人类开枪的话，在今天就可以设置一个终极bug。也就是当人工智能在意识到自我之后，该bug行使人类的意志。人类还是在充当“上帝”的角色。所以人工智能不可怕，可怕的还是人。人如果要设计出“心怀恶意”的人工智能，那么我们其实不是对抗人工智能，我们是跟自己对抗。和飞机，大炮，导弹不是一个概念吗？我们不是和枪支做斗争，我们不是和导弹在战斗，我们是和拥有和制造这些东西的人在斗争。世界上的每个国家，都是以威慑力来对抗威慑力。因为没有威慑力，就不可避免的被威慑，这就是人类。至于在哲学层面的讨论，我觉得马克思已经做了很严密的论证，就不多论述。摘自独立学者，诗人，作家，国学起名师灵遁者心理学科普书籍《探索生命》
一、在语音识别上，微软的语音交互识别系统错误率低至5.1%，百度的汉语识别系统准确率高达97%，都优于专业速记员；二、在人脸识别上，中国依图科技在千万分之一误报下的识别准确率接近99%，连续多年获得美国国家标准技术局举办的人脸识别算法测试的冠军。三、医疗大数据方面，谷歌Deep Mind利用深度学习开发Alpha Fold程序，能够根据基因序列预测蛋白质的3D结构，有望治疗包括癌症在内的众多疾病。再如，美国斯坦福大学的科学家创建了一个人工智能程序，这个人工智能程序只用几小时就完成了元素周期表的重建。四、游戏，谷歌人工智能程序Alpha Go在围棋人机大战中先后战胜李世石和柯洁，越是复杂度低的游戏，AI越容易战胜人类。2018年以来，人工智能发展进入快车道，很快就渗透到医疗、交通、金融、农业、工业等各个领域。就像18世纪的蒸汽机、19世纪的电力和20世纪的信息技术一样，人工智能具有足够大的技术辐射效应，能够为全球经济发展提供新的强劲引擎。关于人工智能对经济效益的贡献，普华永道曾经做过预测，2017年到2030年人工智能对经济增长的贡献将超过全部GDP的55%，其中中国占全球将近一半，2030年人工智能会带来7万亿美元的GDP，占总GDP的26.1%，不可谓不大。毫无疑问，人工智能已经成为世界各国竞争角逐的焦点，人工智能的发展水平是国家核心竞争力的重要体现。《人工智能全球格局：未来趋势与中国位势》全面深入地描述了各国政府、科技巨头、风投机构和初创企业在人工智能领域的布局，也展现出了各机构、企业和个体对把握人工智能这一颠覆性技术、顺应智能时代潮流的决心。但就像前几次工业革命一样，人工智能的发展并不会一蹴而就，需要经过几代人的努力才会“遍地开花”。

我要回帖

更多关于 人工智能的优势 的文章

 

随机推荐