2017奥斯卡大奖揭晓 群集智能AI成功预测12项（技术解析）

本篇文章4092字，读完约10分钟

Swarm ai做了另一个预测，虽然他保持了75%的胜率，但他却错拿了两个大奖。这是怎么回事？

此文由出版，我黑妈授权，胡代理。

2017年2月27日，第89届奥斯卡金像奖名单公布，月光男孩击败爱乐之城获得最佳影片。在大奖宣布之前，著名的群体智能预测网站swarm ai做了另一个预测。尽管它今年保持了75%的胜率，但它错误地预测了两个大奖。这是怎么回事？群体智能和群体智能预测的原理是什么？这篇文章带来了一个详细的解释。

2017年2月27日，第89届奥斯卡金像奖名单公布:

最佳影片:月光(月光男孩)

最佳导演:艾米恩·查泽尔，爱乐之城(爱乐之城)

最佳男演员:凯西·阿弗莱克(海边的曼彻斯特)

最佳女演员:艾玛·斯通，爱乐之城(爱乐之城)

最佳男配角:马哈沙拉·阿里，《月光》(月光男孩)

最佳女配角:维奥拉·戴维斯，《栅栏》

最佳原创剧本:海边的曼彻斯特

最佳改编剧本:巴里·詹金斯，《月光》

最佳剪辑:钢锯脊(钢锯脊)

最佳摄影:莱纳斯·桑格伦，爱乐之城(爱乐之城)

最佳外语片:《推销员》

最佳动画长片:《佐伯皮亚》(疯狂动物城)

最佳动画短片:《风笛手》

最佳艺术导演:爱乐之城(爱乐之城)

最佳时装设计:神奇动物和在哪里可以找到它们(神奇动物和在哪里可以找到它们)

最佳化妆和发型设计:自杀小组(自杀小组)

最佳视觉效果:丛林之书

最佳音效:钢锯脊(钢锯脊)

最佳声音剪辑:到达

最佳原创配乐:贾斯汀·赫维茨，爱乐之城(爱乐之城)

最佳原创歌曲:《星城》，(爱乐之城)

最佳真人短片:歌唱，(学校合唱团的秘密)

最佳纪录片:欧康:美国制造(辛普森:美国制造)

最佳纪录片短片:《白盔》

终身成就奖:成龙、安妮·吕克特、林恩·卢思·塔马斯特、弗雷德里克·鲁威斯曼

让·鲁赫·乔特人道主义奖:黛比·鲁里诺斯

去年，准确预测肖获得最佳男演员的小组小金人预测，人工智能群体将再次拍摄，并在特等奖宣布前作出预测。

让我们看看它的预测结果:

非常肯定地预测

最佳女配角:维奥拉·戴维斯，《栅栏》？

最佳艺术导演奖:爱乐之城？

最佳摄影奖:爱乐之城？

最佳导演奖:爱乐之城达米恩·查泽雷？

最佳动画长片:zoopopia？

最佳女演员:艾玛·斯通，爱乐之城？

最佳原创歌曲:爱乐之城星城？

最佳影片:爱乐之城？

最佳改编剧本奖:巴里詹金斯，月光？

中等确定性预测

最佳时装设计:杰姬？

最佳男配角:玛哈沙拉·阿里，《月光》？

最佳纪录片:欧康:美国制造？

最佳外语片:《推销员》？

最佳视觉效果:丛林之书？

最佳原创剧本:爱乐之城达米恩·查泽雷？

高不确定性预测

最佳男演员:丹泽·沃辛顿，《栅栏》？

在这16个预测中，swarm ai做出了12个预测，准确率为75%，与去年相比变化不大。然而，在今年的预测中，swarm ai在最佳男主角和最佳影片中犯了错误，这也凸显了一些问题。

预测过程

来自美国电影协会的研究人员聚集了近50名电影爱好者，预测2月27日奥斯卡奖的归属。

注册后，用户可以一致通过人工智能参与预测。做出决定时，每个用户都有一个虚拟磁盘，可以拖动到他们选择的位置。每个人都可以看到别人的决定，随时改变自己的决定。这个群体中的每个人都可以相互影响。

最佳外语片预测流程示意图

最佳导演奖的预测过程

最佳影片预测流程

什么是群体智能？

Swarm ai的平台是一致开发的。

在公司的官方网站上，我们可以看到创始人路易斯·罗森伯格是斯坦福大学的博士。他的博士研究侧重于机器人学、虚拟现实和人机交互。他曾在美国空陆军阿姆斯壮实验室担任研究员。他创造了世界上第一个沉浸式增强现实系统。

什么是群体智能？

以下介绍来自联合国大学的官方网站:

群体智能的概念是受鸟类和蜜蜂的启发。从对自然的研究中，我们发现当社会动物在一个统一的动力系统中集体工作时，它们在解决问题和决策方面的表现将超过大多数个体成员。在生物学中，这个过程被称为集群智能。这也证明了一句老话:人多力量大。

这带来了一个问题:人类能聚集吗？当然，我们还没有进化出聚类的能力，因为人类缺乏建立实时反馈回路的同类敏锐联系(例如蚂蚁的触角)，这种联系是高度相关的，因此群体行为可以被视为一个超级器官。通过这样做，这些生物可以做出最好的选择，这比独立个体强得多。

但是人类呢？我们能把我们的个人想法结合成一个统一的动态系统吗？这能让我们做出更好的决策、预测、评估和判断吗？研究表明答案是肯定的。事实上，使用一致人工智能的技术，在预测体育赛事结果、金融趋势甚至奥斯卡获奖者方面，人类群体已经被证明比个人专家更准确。

这项技术被称为人工群体智能(swarm a.i)，它可以使群体形成一个实时在线系统，并将世界各地的人们连接成人类集群。它是人类实时输入和许多人工智能算法的结合。Swarm a.i吸引并结合了人类参与者的知识、智慧、硬件和直觉，并将这些元素组合成一个统一的新智能，可以生成最佳预测、决策、洞察力和判断。

论文:

地址:UNU . ai/WP-content/uploads/2016/10/groups-vs-groups-shbi 2016-final-pdf-由ieee确认。

那么群体人工智能的未来是什么？如果我们把一只蚂蚁的智能看作是对整个蚁群智能的一次智能飞跃，那么我们也可以认为从一个人到一大群人会有这样的进步，会有一种高级的超智能。要有这样的超级智慧，你需要成千上万的人一起思考，还是成千上万的人一起思考？我们还不知道这一点，但联合国大学是使人们能够将他们的知识和意见收集到高水平情报中的第一步。

为什么集群人工智能很重要？在人工智能研究领域，实验室花费了数十亿美元试图用纯数字的东西取代人类智能。虽然我们可以理解这种创造超级智能的努力，但它也让我们害怕。纯人工智能没有理由与人类分享目标和感受，也没有理由遵循我们的道德和价值观。

因此，我们要问的问题是，有没有更好的方法来构建超级智能？答案是肯定的，即建立群体人工智能系统，这是一个将实时人类洞察力与人工智能算法相结合的智能系统。我们相信这条路比创造一个比我们人类更聪明的系统更安全，因为它能确保终极智慧符合我们的目标和愿望，拥有人类的情感和同情心，最重要的是，拥有人类的道德和价值观。简而言之，群体人工智能技术创造了放大的智能，并将人类带入整个过程。

集群智能的局限性是什么？

在美国总统选举中，一致通过的人工智能也做出了预测，认为希拉里当选了。它的方法是直接分析人，也就是问参与投票的选民一系列类似的问题，比如:如果希拉里·克林顿是总统，如何改善失业问题？参与预测的选民可以从五个答案中进行选择，即大改善、小改善、大恶化、小恶化和无变化。此外，备选答案是希拉里有很大的获胜机会，希拉里略胜一筹，特朗普有很大的获胜机会，特朗普略胜一筹。

在人工智能一致做出的预测中，有45名选民参加了投票，其中46%是民主党人，24%是共和党人，30%在党内是中立的或属于其他党派。

从设计问题和选择的对象来看，全票人工智能开发的swarm ai-unu显然更倾向于希拉里。一致人工智能直接与人类一起分析物体，并使用一种叫做集群智能的技术。也就是说，在实际的预测中，一组随机选择的适龄公民将被问问题，参与者将根据他们自己的回答倾向影响范围。在这个过程中，参与者经常根据球位的变化来改变自己的选择。当他发现大多数人支持他的选择时，他可能会拉得更紧；当他发现球偏离他想要的方向很大时，他可能会放弃或减少牵引力，直到他最终达成共识。

一些专家评论说，一致人工智能使用群集智能技术收集数据的方法更有偏见，这充分反映在设置问题和选择对象上。

可行的解决方案:意想不到的流行算法

集体智慧有时会失败。例如，让一群人回答这个问题。费城是宾夕法尼亚州的首都吗？大多数人会错误地说是。这是因为他们知道:(1)费城是宾夕法尼亚州的一个大城市，(2)首都是大城市。但事实上，正确的答案是哈里斯堡，而且往往只有少数人会说出这个正确的答案。

为了找出大多数人都不知道的正确信息，普林斯顿大学和麻省理工学院的研究人员设计了一种新方法，叫做令人惊讶的流行算法。研究人员表示，这种算法可以更好地从群体中获得正确答案，尤其是当大多数人的观点是错误的时候。相关论文最近发表在《自然》杂志上。

在实验中，研究人员会问受访者他们对某个问题的看法，以及他们认为其他人会怎么想:①你认为正确答案是什么？你认为最流行的答案是什么(即大多数人会选择的答案)？

然后，该算法将找出意想不到的流行答案，这比大多数人预测的更流行。在大多数情况下，这些超出大多数人预期的选择才是正确的答案。

我们认为，社会的平均意见总体上是正确的，过去群体智慧的统计数据也支持这一观点。麻省理工学院斯隆管理学院的行为经济学家德拉赞·普雷雷克说:但事实证明并非如此。有像医生这样的专家。这使我们意识到一些人所拥有的知识。

自然论文:单一问题群智慧的新解决方案

群体智慧优于任何个人智慧的观念一度被认为是激进的观点，但它已经成为一种群体智慧，这导致一些人猜测在线投票可能很快会让认证专家丢掉工作。群体智慧最近被用于政治和经济预测、核安全评估、公共政策、化学检测质量检查以及潜在的火山爆发危机应对措施。获得群体智慧的算法通常基于民主投票程序，这种程序易于应用并保持了个体判断的独立性。然而，民主方法有严重的局限性，人们很容易放弃那些没有被广泛分享的新奇的或专业的知识，而是专注于肤浅的和最低级的普通信息。基于测量置信度的调整不能可靠地解决这个问题。在这里，我们提出一个民主投票的替代方案:选择一个比人们预期的更受欢迎的答案。我们证明，在合理假设选民行为的情况下，这一原则可以产生最佳答案，而在相同假设下，最受欢迎或最有信心的标准原则不能实现这一点。与传统投票一样，这一原则适用于个人问题，如关于科学或艺术价值的集体决策以及法律或历史争议。因此，这种方法的潜在应用比机器学习和心理测量方法更广泛，这两种方法都需要来自多个问题的数据。

来源：搜狐微门户