2017奥斯卡大奖揭晓,群集智能AI成功预测12项(技术解析)
2017-02-27 14:42 奥斯卡

Swarm AI再出手预测,虽然保持着75%的胜率,但却预测错了两项大奖。这是怎么回事?

 本文由新智元(微信ID :Al_era)授权i黑马发布,作者胡祥杰。

2017年2月27日,第89界奥斯卡诸项大奖名单新鲜出炉,《月光男孩》战胜呼声甚高的《爱乐之城》拿下最佳影片。大奖公布之前,著名的群体智能预测网站的Swarm AI再出手预测,今年它虽然保持着75%的胜率,但是却预测错了两项大奖。这是怎么回事?群体智能和群体智能预测原理是什么?本文带来详细解读。

2017年2月27日,第89界奥斯卡诸项大奖名单新鲜出炉:

最佳影片:Moonlight(月光男孩)

最佳导演:amien Chazelle , La La Land( 爱乐之城)

最佳男主角:Casey Affleck,(海边的曼彻斯特)

最佳女主角:Emma Stone,La La Land ( 爱乐之城)

最佳男配角:Mahashala Ali, Moonlight(月光男孩)

最佳女配角:Viola Davis,Fences (藩篱)

最佳原创剧本:Manchester by the Sea(海边的曼彻斯特)

最佳改编剧本:Barry Jenkins,Moonlight(月光男孩)

最佳剪辑:Hacksaw Ridge (血战钢锯岭)

最佳摄影:Linus Sandgren,La La Land  ( 爱乐之城)

最佳外语片:The Salesman (推销员)

最佳动画长片:Zoopopia (疯狂动物城)

最佳动画短片:PIPER (鹬)

最佳艺术指导:La La Land( 爱乐之城)

最佳服装设计:Fantastic Beasts and Where to Find Them  (神奇动物在哪里)

最佳化妆&发型设计:Suicide Squad (自杀小队)

最佳视觉效果: The Jungle Book (奇幻森林)

最佳音响效果:Hacksaw Ridge(血战钢锯岭)

最佳音效剪辑:ARRIVAL (降临)

最佳原创配乐:Justin Hurwitz, La La Land  ( 爱乐之城)

最佳原创歌曲:City Of Stars, La La Land  ( 爱乐之城)

最佳真人短片:SING,(校合唱团的秘密)

最佳纪录长片:OJ:Made in Ameirica (辛普森:美国制造)

最佳纪录短片:The White Helmets (白盔)

终身成就奖:成龙、安妮·考特斯、林恩·斯塔马斯特、弗雷德里克·怀斯曼

吉恩·赫肖尔特人道主义奖:黛比·雷诺斯

去年曾经准确预测“小李子”拿下最佳男主角小金人的群体预测AI——Swarm AI再次出手,在大奖公布前先作了一番预测。

来看下它的预测结果:

确定性较强的预测 

最佳女配角:Viola Davis, Fences  ✅

最佳艺术指导奖:La La Land  ✅

最佳摄影奖:La La Land ✅

最佳导演奖:Damien Chazelle , La La Land ✅

最佳动画长篇:Zoopopia  ✅

最佳女主角:Emma Stone,La La Land ✅

最佳原创歌曲:”city of star”, La La Land ✅

最佳影片:La La Land ❌

最佳改编剧本奖:Barry Jenkins,Moonlight ✅

确定性中等的预测

最佳服装设计:Jackie ❌

最佳男配角:Mahashala Ali, Moonlight ✅

最佳纪录片:OJ:Made in Ameirica ✅

最佳外语电影:The Salesman  ✅

最佳视觉效果:The Jungle Book ✅

最佳原创剧本:Damien Chazelle,La La Land ❌

高度不确定性的预测

最佳男主角:Danzei Washinton,Fences ❌

16项预测中,Swarm AI 预测中了12项,准确率达75%,与去年相比准确率没有多大变化。但是,今年的预测中,Swarm AI 在最佳男主角和最佳影片上都出现错误,也凸显了一些问题。

预测过程

Unanimous A.I 的研究员集合了近50名电影爱好者群集,来预测2月27日奥斯卡大奖的归属。   

用户注册后可在Unanimous A.I 参与预测,在做出决定时,每位用户都有一个可以拖向他们的选择的虚拟圆盘。每个人都可以看见其他人的决定,也可以随时改变自己决定。这个集群中的每个个体都可以互相影响。 

最佳外语片的预测过程示意图

最佳导演奖的预测过程

最佳影片预测过程

什么是群集智能(Swarm Intelligence)

Swarm AI 的平台由 Unanimous 公司开发。 

在公司的官网上可以看到,创始人 Louis  Rosenberg 是斯坦福大学的博士。他的博士研究聚焦于机器人、虚拟现实、人机交互。曾在美国空军阿姆斯特朗实验室担任研究员。他创造了世界上首个沉浸式增强现实系统。

什么是群集智能(Swarm Intelligence)?

以下介绍来自Unanimous (UNU)官网:

群集智能的概念是受到鸟类和蜜蜂的启发, 从对自然界的学习中,我们发现,社会动物以一个统一的动态系统集体工作时, 解决问题和做决策上的表现会超越大多数单独成员。在生物学上,这一过程被称为“群集智能”。这也证明了一句古话:人多力量大。

这带来了一个问题:人类可以群集吗?当然,我们并没有进化出群集的能力,因为人类缺少同类用于建立实时反馈循环的敏锐连接(比如,蚂蚁的触角),这种连接是高度相关的,让群体行为被认为是一个“超级器官”。通过这么做,这些生物能够进行最优选择,这要远比独立的个体的选择能力要强得多。

但是,人类呢?我们能把个人的思考组合起来,把它们作为一个统一的动态系统吗?这样能让我们做更好的决策、预测、评估和判断吗?研究显示,答案是“yes”。事实上,使用Unanimous A.I.的技术,人类群集已经被证明在预测体育赛事结果、金融趋势甚至是奥斯卡奖得主这些事上的准确率超过了个人专家。

这一技术被称为“群集人工智能”(Artificial Swarm Intelligence,简称 Swarm A.I.),它能让群体组成实时的线上系统,把世界各地的人作为“人类群集”连接起来。它是一个人类实时输入和众多 A.I. 算法的结合。Swarm A.I. 吸引结合人类参与者的知识、智慧、硬件和直觉,并把这些要素组合成一个统一的新智能,能生成最优的预测、决策、洞见和判断。

论文:

论文地址:http://unu.ai/wp-content/uploads/2016/10/Crowds-Vs-Swarms-SHBI2016-Final-PDF-confirmed-by-IEEE.pdf

那么 Swarm AI 的未来是什么呢?如果我们将单个蚂蚁的智能到整个蚁群的智能视为一个智能跃升,那么我们也可以认为,从单个人到一个大群人也将有这么一个提升,出现一个高级的“超级智慧”。要出现这样的超级智能,需要上千人一起思考吗,还是说上万、上百万?这个我们还不知道,但UNU是使人们能将他们的知识和见解汇集到一个高级智能中所迈出的第一步。

为什么群集人工智能(ASI)很重要?在AI 研究的世界里,各个实验室花费了数十亿美元,试图用纯数字化的东西取代人类智能。虽然我们能够理解这种为创建超智能所付出的努力,但这也令我们害怕。纯粹的人工智能没有理由和人类共有目标和感情,或者遵循我们的道德和价值观。

所以,我们要问的问题是,是否有一个更好的方式来构建超级智能?答案是肯定的,那就是建立 Swarm AI 系统,将实时的人类洞察和 A.I.算法统一在一起的智能系统。我们相信,这条路相比创建比我们人类更聪明的系统更加安全,因为它可以确保最终的智能与我们的目标和愿望相符合的,拥有人类的情感和共情,最重要的是拥有人类的道德和价值观。简单地说,Swarm A.I.技术创造放大的智能,同时将人类纳入整个过程中。

群集智能的局限性在哪?

在美国总统大选时,Unanimous A.I.也曾做过预测,并认为希拉里当选。它的方法是直接以人为分析对象,即通过询问参与的选民一组类似的问题,如:“如果希拉里担任总统,失业问题将如何改善?”参与预测的选民可从五个答案中选择,即“大幅改善”、“略微改善”、“大幅加剧”、“略微加剧”以及“没有任何变化”。此外,可选的答案还有“希拉里胜算很大”、“希拉里略胜一筹”、“特朗普胜算很大”、“特朗普略胜一筹”以及“不相上下”。

在Unanimous A.I.进行的预测中,有45个选民参与,其中46%为民主党人,24%为共和党人,30%在党派上保持中立或属于其它党派。

从设计的问题和选取的对象看,由Unanimous AI开发的swarm AI-UNU的预测则明显倾向希拉里。Unanimous A.I. 直接以人为分析对象并使用了一种所谓的“群集智能”的技术。即在实际预测中,一组随机选取的适龄参选的公民会被提问,参与者按照自己的回答倾向牵动球体。在这一过程中,参与者往往会根据球位置的变化而不断变化自己的选择——当发现多数人也支持自己的选择时,他可能会更加坚定地牵引;而当发现球大大偏离自己希望的方向时,他可能会放弃或减小牵引力,直至最终达成“共识”。

有专家评论说,Unanimous AI采用“集群智能”技术搜集数据的方法更带有偏见性,这种偏见通过问题的设定和对象的选取得到了充分体现。

可行的解决方案:意外流行算法

群体智慧有失效的时候。例如,让一群人回答这个问题——费城是宾夕法尼亚州的首府吗?绝大多数人会错误地回答说“是的”。这是因为他们知道:①费城是宾夕法尼亚州的一座大城市,②首府都是大城市。但实际上,正确答案是哈里斯堡,而往往只有少数人会说出这个正确答案。

为了找出那些不为多数人所知的正确信息,普林斯顿大学和 MIT 的研究者设计了一种新的方法,将其称为“意外流行”(surprisingly popular)算法。研究人员表示,这种算法能更好地从群体中获取正确答案,尤其是当大多数人的看法是错误的时候。相关论文日前在 Nature 发表。

实验中,研究人员会询问接受调查的人他们对某个问题的看法,以及他们认为其他人会如何看待这个问题:①你认为正确答案是什么?②你认为流行的答案(即多数人会选择的回答)是什么?

然后,算法会找出“意外流行”的答案,也就是比大多数人预测中更受欢迎的答案。大部分情况中,这些超出大多数人预计的选择,就是正确的答案。

“我们以为社会平均意见一般是对的,过往对群体智慧的统计也支持这一看法,”研究负责人、MIT 斯隆管理学院的行为经济学家 Drazen Prelec 说:“但事实证明并非如此。有像医生那样的专家存在。这让我们意识到了少部分人掌握的知识。”

Nature 论文:单问题群体智慧新解

群体智慧优于任何个人智慧的概念一度曾被视为激进的观点(provocative),但已经成为一种群体智慧,导致有人猜测在线投票都方式可能很快会使认证专家失业。群体智慧近来被用于政治和经济预测、评估核安全、公共政策、化学探测质量检测,以及潜在火山爆发危机应对措施。用于获取群体智慧的算法通常基于民主投票程序,易于应用并且保持了个人判断的独立性。然而,民主方法有严重的局限性,容易抛弃那些没有被广泛共享的新颖或专业知识,反而侧重肤浅、最低的共同信息。基于测量置信度的调整也不能可靠地解决这个问题。在这里,我们提出了民主投票的替代方案:选择比人们预测更受欢迎的答案。我们表明,这个原则在关于选民行为的合理假设下能够产生最佳答案,而标准的“最受欢迎”或“最自信”原则在相同的假设下无法实现这一点。与传统投票一样,该原则适用于单独的问题,例如关于科学或艺术价值的小组裁决以及法律或历史争端。因此,这一方法的潜在应用领域比机器学习和心理测量方法更加广泛,后两者都需要来自多个问题的数据。