放大/我们的机器学习了吗？
在过去的一年里，机器学习和人工智能技术取得了长足的进步。包括 OpenAI 的 DALL-E 在内的专业算法已经展示了基于文本提示生成图像的能力，并且越来越精明。自然语言处理 (NLP) 系统已经越来越接近于人类书写和文本。有些人甚至认为人工智能已经获得了感知。 （剧透警告： 它没有。）
正如 Ars 的 Matt Ford 最近在这里指出的那样，人工智能可能是人工的，但它不是“智能”——当然也不是魔法。我们所说的“人工智能”依赖于使用有血有肉的人类开发的统计方法从数据中构建模型，它可能会失败，也可能会成功。根据不良数据构建模型，您会得到错误的预测和错误的输出——只需询问微软 Tay Twitterbot的开发人员即可。
对于一个不那么引人注目的失败，只需看看我们的背页。与我们在一起有一段时间的读者，或者至少从 2021 年夏天开始，会记得那次我们尝试使用机器学习进行一些分析，但并没有完全成功。 （“事实证明，‘数据驱动’不仅仅是一个笑话或流行语，”亚马逊网络服务高级产品经理 Danny Smith 在我们向他咨询一些建议时说道。“‘数据驱动’对于机器来说是一个现实学习或数据科学项目！”）但我们学到了很多，最大的教训是机器学习只有在你用正确的工具对正确的数据提出正确的问题时才能成功。