所以機(jī)器人行為學(xué)是一個(gè)跨學(xué)科的，復(fù)雜的研究方向需要更多的跨學(xué)科專家加入研究。

02

目前，最常見(jiàn)的研究機(jī)器行為科學(xué)家是計(jì)算機(jī)科學(xué)家、機(jī)器人專家和工程師，因?yàn)槭撬麄兪紫葎?chuàng)造了機(jī)器。他們會(huì)基于原發(fā)者的視角思考機(jī)器人的行為。這就好像是一個(gè)創(chuàng)造生命的“上帝”，他們?yōu)閯?chuàng)造出的生命設(shè)計(jì)了各類機(jī)制與本能。

然而，這些“生物”一旦“離手”最初設(shè)計(jì)的機(jī)制與外在環(huán)境互動(dòng)的過(guò)程中并不一定總是與最初的設(shè)想一致。

這就好比每個(gè)身心健康的人類總是有大致相似的生理需求與心理動(dòng)機(jī)，但在與現(xiàn)實(shí)世界的互動(dòng)中每個(gè)人都成長(zhǎng)為完全不同的個(gè)體，一些人成為了至善之人而另一些人成為了邪惡的罪犯。

計(jì)算機(jī)科學(xué)家和工程師通常都不是訓(xùn)練有素的行為學(xué)家，他們可能對(duì)自己創(chuàng)造的AI有足夠的掌握，但卻并不一定能夠?qū)@些AI即將獨(dú)自探索的社會(huì)現(xiàn)實(shí)有充足的理解。

他們很少接受實(shí)驗(yàn)方法論、基于人口的統(tǒng)計(jì)和抽樣范式或觀察性因果推理方面的正式指導(dǎo)，更不用說(shuō)神經(jīng)科學(xué)、集體行為或社會(huì)理論了。相反,雖然行為學(xué)家更有可能擁有在這些方面的科學(xué)方法，但他們不太可能精通人工智能方面的相關(guān)知識(shí)。

為此，人工智能行為學(xué)期望通過(guò)一種全新的方式來(lái)解決目前對(duì)人工智能的理解。

目前，社會(huì)上各種算法的流行是前所未有的，推薦算法和社交媒體公司的人工智能會(huì)影響著我們看到什么樣的信息。各大金融軟件里的信用評(píng)級(jí)（評(píng)分）算法決定了放貸策略。打車軟件中的算法改變了人們的出行方式和城市交通。

這些人工智能給人們生活帶來(lái)便利的同時(shí)，也帶來(lái)了系統(tǒng)的復(fù)雜性和不透明性，比如甚至連金融公司自己都不再能清楚的解釋為什么可以給一個(gè)人貸款10萬(wàn)而另一個(gè)只有1000。

人工智能系統(tǒng)的多樣性以及普遍性會(huì)對(duì)研究這些系統(tǒng)（如金融系統(tǒng)或交通系統(tǒng)）的行為造成巨大挑戰(zhàn)。

人工智能系統(tǒng)的復(fù)雜性很高，雖然用于指定模型的體系結(jié)構(gòu)和訓(xùn)練它的代碼可能會(huì)很簡(jiǎn)單，但輸出的結(jié)果往往十分復(fù)雜。它們被給予輸入，但產(chǎn)生這些輸出的確切的函數(shù)過(guò)程即使對(duì)那些自己生成算法的科學(xué)家也很難解釋。

此外，數(shù)據(jù)的維度和大小為理解機(jī)器行為增加了另一層復(fù)雜性。使這一研究更加復(fù)雜的是，社會(huì)上使用最頻繁的算法的大部分源代碼和模型結(jié)構(gòu)都是專有的，這些系統(tǒng)所訓(xùn)練的數(shù)據(jù)也是專有的。

03

在許多情況下，商業(yè)中的人工智能系統(tǒng)公開(kāi)可見(jiàn)的唯一因素是它們的輸入和輸出。即使在可用的情況下，人工智能系統(tǒng)的源代碼或模型結(jié)構(gòu)也不能對(duì)其輸出提供足夠的預(yù)測(cè)能力。人工智能系統(tǒng)還可以通過(guò)與世界和其他無(wú)法精確預(yù)測(cè)的系統(tǒng)的交互來(lái)展示新的行為。即使解析在數(shù)學(xué)上是可描述的，它們也可能是冗長(zhǎng)而復(fù)雜的，以至無(wú)法解釋。而且，當(dāng)環(huán)境發(fā)生變化時(shí)(可能是算法本身的結(jié)果)，預(yù)測(cè)和分析行為就變得困難得多。

對(duì)此，引入對(duì)此，引入AI與外部環(huán)境互動(dòng)的視角能更好的幫助研究者理解人工智能本身。

機(jī)器行為位于設(shè)計(jì)和設(shè)計(jì)人工智能系統(tǒng)的領(lǐng)域與傳統(tǒng)上使用科學(xué)方法研究生物行為領(lǐng)域的交叉點(diǎn)。對(duì)行為的科學(xué)研究有助于人工智能學(xué)者對(duì)人工智能系統(tǒng)能做什么和不能做什么做出更精確的表述。

到目前為止，那些創(chuàng)建人工智能系統(tǒng)的人的主要關(guān)注點(diǎn)一直是構(gòu)建、實(shí)現(xiàn)和優(yōu)化智能系統(tǒng)，以執(zhí)行特定的任務(wù)。他們的目標(biāo)一直是最大化算法的性能。一旦目標(biāo)任務(wù)“多快好省”的實(shí)現(xiàn)，人工智能便“宣告成功”。然而在這一目標(biāo)被實(shí)現(xiàn)后的社會(huì)影響，目標(biāo)實(shí)現(xiàn)路徑種可能存在的其他影響則往往并不在人工智能科學(xué)家的考慮范圍之內(nèi)。

機(jī)器行為的學(xué)者們對(duì)于更廣泛的指標(biāo)集感興趣，而不是使用指標(biāo)來(lái)對(duì)基準(zhǔn)進(jìn)行優(yōu)化，就像社會(huì)科學(xué)家在社會(huì)、政治或經(jīng)濟(jì)互動(dòng)領(lǐng)域探索人類的廣泛行為一樣。因此，研究機(jī)器行為的學(xué)者花了大量的精力來(lái)定義微觀和宏觀結(jié)果的度量，以解答一些廣泛的問(wèn)題，比如這些算法在不同環(huán)境中的行為，以及人類與算法的交互是否會(huì)改變社會(huì)結(jié)果。

隨機(jī)實(shí)驗(yàn)、觀察推斷和基于群體的描述性統(tǒng)計(jì)——這些方法經(jīng)常用于定量行為科學(xué)，這必須是機(jī)器行為研究的核心。所以將傳統(tǒng)上生產(chǎn)智能機(jī)器的學(xué)科之外的學(xué)者納入其中，可以提供關(guān)于重要方法論工具、科學(xué)方法、替代概念框架以及機(jī)器將日益產(chǎn)生影響的經(jīng)濟(jì)、社會(huì)和政治現(xiàn)象的觀點(diǎn)的知識(shí)。

通過(guò)觀察某一事物與周邊環(huán)境互動(dòng)的“行為”來(lái)對(duì)事物的內(nèi)在進(jìn)行研究并不是一個(gè)新方法。AI所面臨的“算法黑箱”也不是新問(wèn)題，某種程度上，動(dòng)物和人都是一種“黑箱”。