AI新突破：精準掌握不確定性，打造更安全的未來

人工智慧（AI）已深入我們生活的各個層面，從自動駕駛汽車到智慧吸塵器，再到能預測疫情發展的電腦模型。然而，無論這些AI系統多麼先進，其行為始終存在一定程度的不確定性。Thom Badings開發了一種新方法，將這種不確定性納入預測演算法中，從而實現更安全的解決方案。他的博士論文答辯將於3月27日在荷蘭拉德堡德大學舉行。

當AI模型運作良好時，一切似乎都順暢無阻：汽車順利抵達目的地，無人機平穩飛行，經濟預測完全準確。但在實際操作中，由AI控制的系統會遇到許多不確定性。例如，無人機必須考慮鳥類和風力的影響，而自動駕駛汽車則需要應對突然橫穿馬路的行人和道路施工。那麼，如何確保一切繼續「順暢」運作呢？

「這就是為什麼我和同事們開發了這些方法，以保證在高度不確定性的情況下，複雜系統的準確性和可靠性，」Badings解釋道。「許多現有的方法難以應對這種不確定性。它們需要大量計算，或依賴於限制性假設，這意味著不確定性並未得到適當的考慮。我們的方法則是基於歷史資料等，建立不確定性的數學模型，從而更快地做出準確預測。」

Badings的方法基於馬可夫模型（Markov models），這是一種常用於控制工程、AI和決策理論的現有模型類別。「在馬可夫模型中，我們可以明確地將不確定性納入特定引數中，例如風速或無人機的重量。然後，我們將不確定性的模型（如這些引數的機率分佈）插入馬可夫模型中。」

「利用控制工程和電腦科學的技術，我們可以證明這個模型在存在不確定性的情況下是否安全運作。這樣，你就能得到一個確切的答案，例如你的無人機與障礙物碰撞的機率，而無需分別模擬每個場景。」

「最終目標不是消除不確定性，而是擁抱它。你知道你所做的一切都涉及不確定性，但透過這種建模方式，你將它納入分析中。因此，你得到的結果會更全面地考慮到不確定性，這比現有方法更加穩健。」

然而，Badings也提醒了這種方法的侷限性：「如果你面對的情況涉及許多引數，納入所有不確定性仍然成本高昂。你永遠無法完全消除不確定性，因此你仍然需要做出某些假設才能獲得有意義的結果。不要以為你可以用一個模型讓無人機穿越世界上的每個區域，而是最初將模型限制在最可能的環境中。」

Badings強調，在分析AI系統時，結合不同研究領域的技術非常重要。「不要過於依賴像ChatGPT這樣的AI模型的結果，而是利用控制工程、電腦科學和人工智慧的洞察力，來達成穩健且安全的解決方案。」