机器学习如何运作 下一步是什么

今天的机器学习是以统计学为基础的，那么人工智能=统计学吗？

1955年，约翰•麦卡锡创造了" 人工智能 "一词，用以描述能够自动编程的计算机技术。我们的科学家们为实现这一目标，探索了两种方式：符号AI——教导计算机进行抽象推理；以及目前占据主导地位，依赖于统计学的机器学习。尤其是2016年神经网络技术成熟后，机器学习几乎成为了AI的代名词。再加上物联网带来的巨大应用场景，使“了解AI”成为了信息科技新阶段，从业者必备的技能。然而，如果不了解机器学习的工作原理，就不可能弄清AI的真正含义。

★机器学习如何运作？★

美国布鲁金斯学会的研究员克里斯•梅塞洛认为，机器学习的核心见解是：智能分析取决于概率而非精准逻辑。当我们看一个人的照片时，我们的大脑会下意识地估计之前见过这个人的可能性；当我们开车去商店时，我们估计哪条路线有可能最快到达那里；当我们下棋时，我们估计哪一步最有可能致胜。认识某人，计划旅行，策划策略——每项任务都表现出智慧。但是，这主要依赖于我们抽象推理或宏观思考的能力，而不是准确评估的能力。

早在20世纪50年代，麦卡锡和他的同事就意识到了这一点。他们认为：计算机应该非常擅长计算概率。因此，当Facebook在海量照片中识别出你的脸，或者Amazon Echo瞬间就get到你的问题时，他们依赖的是六十多年前的洞察力。

★今天的神经网络有点复杂，但核心理念不变★

2016年后的机器学习，核心算法称为深度神经网络。虽然今天的神经网络有点复杂，但主要思想是相同的：基于类脑的神经元耦合方式，只要有足够丰富的训练集，就可以建立能够学习各种任务的模型。

比如构建一个人脸检测算法模型。一个基本的深度神经网络都有几层成千上万的神经元。在第一层中，每个神经元可能学会寻找一个基本形状，如曲线或线。在第二层中，神经元都会看第一层，并了解它检测到的线条和曲线是否构成更高级的形状，如角落或圆形。在第三层中，神经元会寻找更高级的图案，如白色圆圈内的黑色圆圈，如人的眼珠。在最后一层，每个神经元都会学会寻找更高级的形状，例如两只眼睛和一只鼻子。基于最后一层中神经元的描述，包含面部所有特征的算法模型便会形成。

深度学习的神奇之处在于完全通过自我学习建立这套算法模型。工程师们唯一要做的就是给算法提供一堆图像并指定一些关键参数，比如要使用多少层以及每层应该有多少个神经元，其余的工作均有算法完成。

深度学习的优点在于它的灵活性。虽然还有其他突出的机器学习算法，比如梯度增强机器，但是在应用层面都不如深度学习效率高。只要有足够的数据，深度神经网络就能够最好地估计出事物的可能性。

然而，与更普遍的机器学习一样，深度神经网络并非没有局限性。深度神经网络构建算法模型，完全依赖于相关应用的训练集。如果没有相应训练数据，或者训练集中的数据量不够全面，那么它就无法构建相应算法模型。此外，机器学习算法也可以耍花招，比如故意给它错误的，或者误导性的训练数据。当然，其中一些不足可以通过更好的数据和算法来解决，但是有些可能是基于统计学建模的特有情况。

★机器学习的下一步是什么？★

从自动驾驶汽车到多人游戏，机器学习算法现在可以通过大量任务接近或超过人类智能。特别是深度学习的突破性成功，让业界对人工智能的炒作达到了前所未有的高度。反而是人工智能领域的资深研究者，如加里•马库斯（Gary Marcus）、朱迪亚•珍珠（Judea Pearl），以及被誉为现代神经网络的教父之一的杰弗里•辛顿（Geoffrey Hinton），认为单靠深度学习不可能使人工智能达到目前业界所炒作的高度，所以人类不用为此而恐慌。

人工智能能否达到或者超过人类智能的关键问题是：人类智能有多少可以用统计学来描述？

如果所有的人类智能都可以，那么机器学习可能就是我们期许的人工智能所需要的全部。“人工智能其实就是统计学”， 来源于诺贝尔经济学奖获得者Thomas J. Sargent（托马斯·萨金特），2018年8月11日在“共享全球智慧 引领未来科技”世界科技创新论坛上的讲话。

此番言论一出，引起了各方人工智能专家的反对。然而，萨金特所指可能只是今天的人工智能。毕竟，神经网络算法成熟后，我们在机器视觉、语音识别、机器人和推理方面取得的进步，足以重塑我们的世界。

但是，这只能算是侠义的人工智能，其主要原理是人类通过各种形式在机器大脑中建立“数据库”，为机器进行判断和选择做支撑。而距离人工智能真的领悟自我学习，自我提高，以及更兼具人性化思维，比如情绪、情感等不能用统计学描述的行为，还存在较大差距。当然，随着人工智能的应用领域不断拓宽，应用场景的不断丰富，真正的人工智能或许就在不远的未来。