通往人工智能的道路是由微积分铺成的
马蒂·怀特在白板上潦草地写了三个字：好。坏的。丑。
这三个形容词是坐在麦格洛思林街礼堂里的十几名威廉玛丽学院学生的临别忠告。怀特正在上这学期的最后一堂课，他的课程是“机器学习的神经网络”。
怀特是沃姆大学计算机科学系2017年的博士毕业生，在听说该系想开设另一门关于机器学习（人工智能的一个关键子集）的课程后，他回到母校任教。
怀特说：“我相信神经网络可以作为学习从数据中学习意味着什么以及如何把它做好的课程的完美背景。”“由于基础知识涉及微积分、概率、统计和线性代数，所以课程的第一部分相当紧张，但我有兴趣回来教书，因为我对如何管理这种复杂性有一些想法。”
怀特本学期的最后一堂课集中在神经网络的实践和道德陷阱上。在人工智能的俄罗斯套娃中，神经网络几乎处于中心位置。它们涉及许多领域，其中最主要的是机器学习，即用于赋予计算机系统学习能力的一系列技术。
在计算机发展智能之前，它们需要学习。为了学习，它们需要通过神经网络处理信息。
怀特说，这样的网络可以用于做好事，比如检测癌症。它们也可能是坏的。怀特举了一个例子，亚马逊Alexa无意中与一个蹒跚学步的孩子分享了淫秽内容。它们可能非常丑陋，就像网络支持的机器人破坏民主一样。
“用Twitter之类的东西，”怀特说。“每个人都可以追随任何人或任何事。事情可能会变得很糟糕，因为它会立即触及很多人。”
怀特设计了交叉列出的研究生/本科生课程，为教授计算机如何从经验中学习提供基础知识。他将在秋季再次开设这门课程，目前已经满员了。
“人工智能有很多子领域，”怀特说。“这门课程涵盖了一个更大图景的一个重点子集。”
作为一个小子集，神经网络几乎触及了现代社会的方方面面。它们是Siri等响应语音的程序的核心。扫描社交媒体威胁的数字安全系统依赖于神经网络。研究人员使用神经网络来理解百万图像数据库。
怀特说：“如今，视觉、语音或语言应用的底层技术都是神经网络。”
在这样一个技术无处不在的时代，怀特坦率地承认，每一项创新都会改变竞争环境。他强调有必要为可能还不存在的工作做好准备。计算机科学家必须灵活，愿意对他们学科的快速发展做出反应。
“从这门课开始，我就强调抽象思维，”怀特说。“我在这门课开始时说，神经网络的核心是函数逼近器。你有输入，一些处理，然后你得到输出。在一天结束的时候，我们所做的就是获取数据，我们正在学习这个过程，这个功能。”
这看起来很简单，但却是计算机科学中最复杂的领域之一。怀特说，即使是对神经网络的基本掌握也需要相对高级的数学。
神经网络必须围绕它将接收到的信息类型来构建。以设计用于分析地图的神经网络为例。如果输入的信息是地形，程序员必须创建一个能够处理图像的神经网络。如果输入信息包括城镇和街道名称，则需要能够处理语言的序列建模器。
怀特说：“当你遇到一个问题时，你会听到诸如‘how many’或‘how much’之类的词语，这些短语的意思非常具体。”“他们应该让你开始使用你最终要用来解决问题的方法。”
在构建神经网络时，会遇到无数的挑战，但怀特解释说，他的学生面临的最大问题可能与编程机制无关。他说，真正的挑战与道德有关，即人工智能的人性方面。
“我们在机器学习中所做的所有事情最终都是为了找到模式，”怀特说。“那么我们如何找到模式呢？”我们将事物组合在一起，随着时间的推移进行分析。”
这个过程需要抽象化，提取单个数据点，并用它们来绘制更大的趋势和模式。怀特说，人们很容易忘记，那些离散的点往往是活生生的、会呼吸的人。
19岁的伊恩·赖特（Ian Wright）说：“这门课让我一直铭记的一个概念是，即使数据没有被标记，数据也可以有多么强大。”赖特将在一家使用神经网络帮助检测和应对网络安全威胁的公司度过暑假实习。
另一名学生将在W&M的研究佳博体育AidData从事信息处理工作，而其他学生将留在该系担任研究员。无论他的学生决定做什么，怀特都告诉他们要对所使用的数据保持敏感性，并在设计神经网络时将道德放在首位。
“最终，这门课程被称为机器学习的神经网络，”怀特说。“但我认为，这门课程的设计初衷远不止于此。”
