[[188835]]

從在智力競賽節(jié)目和圍棋人機大戰(zhàn)戰(zhàn)勝人類，到推送廣告時表現(xiàn)出種族偏見而備受抨擊，我們似乎已經(jīng)進入了人工智能發(fā)展步伐迅速加快的時代。但就目前而言，我們還無法讓機器具有完整的感知能力，使其電子“大腦”通過合理的道德判斷，完成復雜的認知任務。

當前的發(fā)展走向讓人們對人工智能的未來普遍生出了畏懼之心。這種情緒近來在流行文化中的表達顯示出了我們對這項技術(shù)有多么謹慎和悲觀。問題在于，畏懼可能產(chǎn)生嚴重后果，有時更會成為無知的溫床。了解人工智能的內(nèi)在機制是緩解這些憂慮情緒的良方，有助于人們負責、放心地參與其中。

人工智能的核心基礎是機器學習，一種巧妙且相當普及的工具。但想要了解機器學習，我們需要先弄清楚機器學習為什么利大于弊。

數(shù)據(jù)是關鍵

簡單來說，機器學習是指教電腦如何分析數(shù)據(jù)，通過算法來解決特定的任務。例如，就手寫識別而言，分類算法會根據(jù)人的筆跡辨認文字。住房數(shù)據(jù)集則會利用回歸算法，以可量化的方式估算房產(chǎn)的賣價。

于是，機器學習便要歸結(jié)到數(shù)據(jù)上來。幾乎每一家企業(yè)都在以某種方式生成數(shù)據(jù)，比如市場調(diào)研、社交媒體、學校調(diào)查和自動化系統(tǒng)。機器學習程序試圖在看似雜亂無章的龐大數(shù)據(jù)集中找到隱藏的模式和關聯(lián)，建立可以預測行為的模型。

數(shù)據(jù)有兩個重要因素，即樣本和特性。前者代表了群體中的個體因素;后者則是個體因素共有的特點。

以社交媒體為例。用戶就是樣本，他們的使用習慣則是特性。比如，F(xiàn)acebook就把“點贊”活動的不同方面(不同用戶各有不同)作為投放用戶定向廣告所依據(jù)的重要特性。

Facebook好友也可以作為樣本，他們與其他人的連接則是特性，從而建立起一個人際網(wǎng)絡，可以用來研究信息的傳播。

Facebook好友網(wǎng)絡：每個節(jié)點是一位好友，他與其他好友相連或者不相連。節(jié)點越大，說明連接越多。同樣的顏色表示同樣的社交圈。

除了社交媒體以外，在工業(yè)化作業(yè)中用作為監(jiān)控工具的自動化系統(tǒng)，則把整個作業(yè)的時間快照作為樣本，特定時刻的傳感器測量值作為特性。如此，系統(tǒng)便可實時檢測作業(yè)中的異常現(xiàn)象。

所有這些不同的解決方案都要靠向機器輸入數(shù)據(jù)和教它們在策略性地評估過給定信息后自行作出預測來實現(xiàn)。這就是機器學習。

以人類智能作為出發(fā)點

任何數(shù)據(jù)都可以轉(zhuǎn)換成簡單的概念，包括人工智能在內(nèi)的任何機器學習程序則會將這些概念作為自身的基石。

完成對數(shù)據(jù)的解讀后，就要決定如何運用得到的這些信息。分類就是一種最常見、最直觀的機器學習程序。系統(tǒng)會學習如何根據(jù)參照數(shù)據(jù)集把數(shù)據(jù)分成不同的類別。

這種程序能讓人直接聯(lián)想到我們每天所作的各種決策，不管是給產(chǎn)品分類(比如哪些是廚具，哪些是美容產(chǎn)品)，還是根據(jù)以往經(jīng)驗選擇觀看哪部影片。這兩個例子或許看似完全無關，但它們都依賴于分類的一個基本假設：被定義為既定類別的預測。

例如，在拿起一瓶保濕霜時，我們會根據(jù)特定的一組特性(比如容器的形狀或者產(chǎn)品的氣味)，準確預測它是美容產(chǎn)品。同樣的策略也適用于電影的選擇，通過評估一組特性(比如導演或者演員)，預測電影屬于兩個類別中的哪一個：好看或者不好看。

通過了解樣本特性之間的不同關系，我們可以預測電影是不是值得觀看，甚至可以開發(fā)出一款計算機程序，替我們作出預測。

但想要掌握這些信息，我們就需要一位數(shù)據(jù)科學專家，他必須精通數(shù)學和統(tǒng)計學，并且擁有嫻熟的編程技能，對不對?其實未必如此。

我們都對自己的母語非常了解，足以應對日常生活，但其中只有少數(shù)人才學過語言學和文學。數(shù)學也是如此，它始終伴隨我們左右，買東西時計算找零金額或者根據(jù)食譜衡量食材，都不是什么難事。同理，無需精通機器學習技術(shù)，也照樣能有效地使用它。

沒錯，世間確實有那種造詣深厚的專家級數(shù)據(jù)科學家，但只要下點功夫，任何人都能掌握這方面的基礎知識，改進自己理解和利用信息的方式。

將所有設計思路轉(zhuǎn)換為算法

再說回分類算法。假設有一種分類算法能模仿我們作決策的方式。我們是社會性動物，不如就以社交來往為例?第一印象很重要，我們心里都有一個模型，在和某人相遇的最初幾分鐘里，用來判斷我們喜不喜歡他。

這可能產(chǎn)生兩個結(jié)果：好印象或者壞印象。對每一個人，我們都會根據(jù)已有的幾次相遇(樣本)，考慮(哪怕是潛意識地)不同的特點(特性)，無論是聲調(diào)、外向性、整體態(tài)度還是禮節(jié)表現(xiàn)。

對于我們遇到的每一個陌生人，我們心里的那個模型都會把上述特征作為輸入數(shù)據(jù)，并據(jù)此作出預測。我們可以把這個建模過程分解成一組輸入數(shù)據(jù)，按照它們與最終結(jié)果的相關性確定其權(quán)重。

對有些人來說，吸引力很重要，而對其他人來說，幽默感或者喜歡狗更重要。每個人都有自己的模型，完全取決于自身的經(jīng)歷，或者說數(shù)據(jù)。

不同的數(shù)據(jù)會產(chǎn)生不同的模型，得出不同的結(jié)果。我們的大腦機制會自行確定這些因素的權(quán)重，雖然我們對于這套機制的具體原理還不是完全明了。

機器學習所做的，就是建立嚴格的數(shù)學方法，讓機器可以計算出相應的結(jié)果，尤其是在我們無法輕松處理大量數(shù)據(jù)的情況下。現(xiàn)在，數(shù)據(jù)比以往任何時候都要多，既然擁有主動利用這些數(shù)據(jù)來解決實際問題的工具，比如人工智能，我們所有人就都應該去了解和使用它。這不僅是為了創(chuàng)建有用的應用，也是為了讓機器學習和人工智能不再令人不安。

這并不是說，我們應該對“機器具備類人思維”這樣的概念放任自流。但更多地了解人工智能的內(nèi)在機制，會讓我們能夠掌握實現(xiàn)良性改變的主動權(quán)，讓我們可以控制人工智能，而不是反過來被人工智能控制。