盖世汽车讯 从回答税收问题的聊天机器人，到操控自动驾驶汽车和提供医疗诊断的算法，人工智能应用于日常生活的众多方面。加州大学尔湾分校（University of California, Irvine，UCI）的研究人员表示，创建更智能、更准确的系统需要一种混合人机方法。因此，UCI研究人员提出一种新的数学模型，可以通过结合人类和算法预测以及置信度得分来提高性能。相关论文已发表于期刊《Proceedings of the National Academy of Sciences》。

（图片来源：加州大学）

论文作者之一、UCI认知科学教授Mark Steyvers表示：“人类和机器算法优劣势互补。每种算法都使用不同的信息来源和策略做出预测和决策。经验证明，且理论分析也表明，即使人类的准确度略低于人工智能的准确度，人类也可以改进人工智能的预测，反之亦然。这种准确度高于结合两个人或两种人工智能算法的准确度。”

为了测试该框架，研究人员进行了一项图像分类实验，其中人类参与者和计算机算法分别工作，以正确识别动物和日常用品（椅子、瓶子、自行车、卡车）的扭曲图片。人类参与者将对每个图像识别准确性的信心分为低、中或高，而机器分类器则生成一个连续的分数。结果显示，人类和人工智能算法对于不同图像的置信度存在较大差异。

论文共同作者、UCI名誉校长、计算机科学教授Padhraic Smyth也表示：“在某些情况下，人类参与者对包含椅子的特定图片等表现出超高信心，而人工智能算法对此就无法确定。同样，对于其他图像，人工智能算法能够自信地为显示对象提供标签，而人类参与者无法确定扭曲图片中是否包含可识别的对象。”

当使用新贝叶斯（Bayesian）框架将两种预测和置信度得分结合起来时，混合模型比人类或机器预测单独使用的性能更好。

Smyth表示：“虽然过去的研究已经证明，结合机器预测或结合人类预测可实现‘群体智慧’，从而在展示结合人类和机器预测的潜力方面开辟了一个新方向，并为人类与人工智能协作提供新的和改进方法。”

其他合著者包括UCI认知科学研究生Heliodoro Tejada和UCI计算机科学博士Gavin Kerrigan。