本文的作者是 Jamie Beach，在自學(xué)人工智能 100 天以后，他分享了自己對(duì)人工智能的 5 個(gè)感悟，以下是他的全文。

[[276502]]

2019 年 1 月底，我突然意識(shí)到，我對(duì)人工智能的理解不足。它正日益影響著我們的每一天。人工智能保護(hù)我們的收件箱免受垃圾郵件的攻擊，它支持來自 Alexa 的天氣更新，它使亞馬遜能夠向我們推薦商品，讓 Netflix 給我們推薦電影。每次我們打開 twitter 或 facebook，都是人類與比我們更了解自己的人工智能的較量。但我是一個(gè)專業(yè)的技術(shù)人員，卻對(duì)人工智能的真正含義知之甚少。

《連線》雜志創(chuàng)辦人 Kevin Kelly 在一個(gè)名為「未來思考者(Future Thinkers)」的播客上接受采訪時(shí)，談到過 AI 相關(guān)的話題。他認(rèn)為，我們的人工智能技術(shù)還處于起步階段，如果有人花一點(diǎn)時(shí)間學(xué)習(xí)人工智能和機(jī)器學(xué)習(xí)，超越只是了解的水平，他們會(huì)發(fā)現(xiàn)自己只是一小部分人中的一部分。那天下班回家后，我開始了為期 100 天的「人工智能學(xué)習(xí)潛水」。

我將需要學(xué)習(xí)的所有東西都進(jìn)行了分類。由于在職，很難找到業(yè)余時(shí)間，但我確實(shí)在 100 天內(nèi)完成了近 200 個(gè)小時(shí)的工作。我讀了 9 本書，上了 2 門 Coursera 課程(已經(jīng)開始學(xué)習(xí)第三門課)，聽了很多播客，看了盡可能多的輔助教程。

以下是我在那段時(shí)間總結(jié)出的 5 個(gè)觀點(diǎn)：

1.人工智能是舊的也是新的

人工智能這個(gè)詞并非出自某部科幻小說。1956 年，在達(dá)特茅斯學(xué)院的一個(gè)暑期研討會(huì)上，許多聰明人聚集在一起研究如何讓機(jī)器思考。在這次聚會(huì)中產(chǎn)生了「人工智能」這個(gè)概念。雖然這次會(huì)議并沒有研究出具有思維的機(jī)器人，但它帶來的思想和技術(shù)仍然是當(dāng)今人工智能的基礎(chǔ)。

研討會(huì)之后，人們對(duì)人工智能的不同子領(lǐng)域的興趣增強(qiáng)。神經(jīng)網(wǎng)絡(luò)似乎很有前途，但在當(dāng)時(shí)這項(xiàng)技術(shù)一片空白，大多數(shù)研究最終放棄了這一概念。這個(gè)時(shí)期被稱為「AI 寒冬」，它持續(xù)了幾十年。然而，近年來，算力和可用數(shù)據(jù)的指數(shù)增長(zhǎng)，加上深度學(xué)習(xí)的最新進(jìn)展，極大地提高了機(jī)器學(xué)習(xí)的有效性。AI 被 Andrew Ng 等專家稱為「新的電力(new electricity)」。

2.人工智能等同于機(jī)器學(xué)習(xí)，但它并不是終結(jié)者

「人工智能是用 powerpoint 完成的，機(jī)器學(xué)習(xí)是用 python 完成的(「AI is done in PowerPoint and machine learning in Python」)」

[[276503]]

人工通用智能(Artificial General Intelligence，簡(jiǎn)稱 AGI)是一種假想的機(jī)器，它的思維方式和人類一樣, 比如終結(jié)者就是這種機(jī)器人。超智能是超越人類思維能力的機(jī)器(如果讀過 Nick Bostrom 的 Superintelligence，你可能會(huì)有點(diǎn)害怕它)，但在現(xiàn)在，還沒有這樣的事物出現(xiàn)。到目前為止，AGI 只是一種幻想，它在未來，并且有點(diǎn)遙不可及。這并不意味著沒人在做這件事，這也不意味著像 Max Tegmark 和 Ray Kurzweil 這樣的聰明人不會(huì)廣泛地談?wù)撍⑵诖?。但目前人工智能的形式幾乎就是機(jī)器學(xué)習(xí)——一個(gè) AI 的子領(lǐng)域。

機(jī)器學(xué)習(xí)的基本原理如下：

• 第一步：把一個(gè)問題變成一個(gè)預(yù)測(cè)問題。換句話說，給定輸入?yún)?shù)(特征)，預(yù)測(cè)結(jié)果。你可以預(yù)測(cè)一棟房子的價(jià)格，或者是拍攝時(shí)給定的攝像位置。
• 第二步：定義算法或者系統(tǒng)，做出決策。這里有很多方法，如線性回歸，神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)，支持向量機(jī)，遞歸神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)，生成性對(duì)抗網(wǎng)絡(luò)等等。每種算法都可以用于一種特殊的預(yù)測(cè)問題。要預(yù)測(cè)房屋成本，線性回歸模型就足夠了;預(yù)測(cè)電影劇本將使用一個(gè)遞歸神經(jīng)網(wǎng)絡(luò)(RNN);預(yù)測(cè)不存在的人的面部圖像使用生成性對(duì)抗網(wǎng)絡(luò)(GAN)。
• 第三步：獲取大量的訓(xùn)練數(shù)據(jù)。通常情況下，數(shù)據(jù)越多，效果越好。對(duì)于房?jī)r(jià)，要獲取數(shù)千行數(shù)據(jù)，其中包含這些房屋出售的特征和實(shí)際價(jià)格(標(biāo)簽)。對(duì)于字符識(shí)別，需要獲取大量的字符圖片并相應(yīng)地進(jìn)行標(biāo)注。
• 第四步：訓(xùn)練模型。提供訓(xùn)練數(shù)據(jù)，計(jì)算誤差，調(diào)整并重復(fù)，直到誤差最小化。梯度下降和反向傳播是這里的重要概念。

假設(shè)誤差已經(jīng)達(dá)到最小，模型就可以接受新的特征，并預(yù)測(cè)結(jié)果。這個(gè)結(jié)果通常非常準(zhǔn)確——比人類更精確。

3.沒有魔法，只有數(shù)學(xué)

在開始這 100 天之前，我知道機(jī)器學(xué)習(xí)會(huì)涉及到數(shù)學(xué)，但我并不知道會(huì)需要多少數(shù)學(xué)知識(shí)。了解微積分和矩陣代數(shù)對(duì)任何人來說都是非常有益的，幸運(yùn)的是，你不需要是數(shù)學(xué)專業(yè)的學(xué)生就可以學(xué)會(huì)這些，而且機(jī)器學(xué)習(xí)的框架也在不斷地迭代，變得越來越易用。

一些重要的框架，包括 Google 的 Tensorflow、Microsoft 的 ML.NET 和 PyTorch 為程序、數(shù)學(xué)和算法添加了抽象層。甚至還有額外的抽象層，比如于 Tensorflow 上面的 Keras。

此外，相關(guān)人員正通過提供機(jī)器學(xué)習(xí)模型作為一項(xiàng)服務(wù)，或創(chuàng)建自動(dòng)化的程序(如 AutoML 和 Auto-Keras)，使機(jī)器學(xué)習(xí)更加容易上手。

4.偏差是個(gè)大問題

「真正的安全問題是，如果我們給這些系統(tǒng)提供有偏差的數(shù)據(jù)，系統(tǒng)就會(huì)有偏差」——John Giannandrea。

機(jī)器學(xué)習(xí)中的偏差是個(gè)大問題。Amy Webb 的書「The Big Nine」中有好幾個(gè)章節(jié)都提到了這個(gè)問題。測(cè)試數(shù)據(jù)的全面性和多樣性是非常重要的，但這往往是缺乏的。

Amy 使用 ImageNet 語料庫作為有固定偏差的例子，它里面有超過 1400 萬張標(biāo)記圖片，其中一半以上是在美國(guó)產(chǎn)生作的。當(dāng)然，ImageNet 并不是唯一一個(gè)有偏差的例子。

當(dāng)一個(gè)數(shù)據(jù)集中包含了「護(hù)士」的女性形象或「首席執(zhí)行官」的男性形象時(shí)會(huì)發(fā)生什么?當(dāng)皮膚癌圖像數(shù)據(jù)只使用淺膚色樣本時(shí)會(huì)發(fā)生什么?如果這些模型真正進(jìn)入我們的日常生活時(shí)，就會(huì)產(chǎn)生嚴(yán)重的后果。隨著 ML 模型的全民化繼續(xù)進(jìn)行，我們往往在不知道用于訓(xùn)練的測(cè)試數(shù)據(jù)是什么樣的情況下，就使用預(yù)先制作的模型，這種偏差持續(xù)存在，并可能放大。

研究人員很清楚這一問題，九大公司(G-MAFIA + BAT)都有和指導(dǎo)原則來說明減少工程文化偏差的必要性。但這不是故意的。沒有人會(huì)故意在模型中加入偏差，即使是出于善意，偏差也是不可避免的。

因此，我們都必須了解機(jī)器學(xué)習(xí)的工作原理，以及它是如何影響我們的——它是如何為 Twitter 和 Facebook 提供能量的，這些能量會(huì)攪動(dòng)我們自己的神經(jīng)元，從而影響我們對(duì)世界的看法。

5.機(jī)會(huì)如此之多

全球人工智能衍生業(yè)務(wù)價(jià)值預(yù)測(cè)(單位：十億美元)，數(shù)據(jù)來源：Gartner(2018 年 4 月)

Kevin Kelly 是對(duì)的。我們還處在人工智能和機(jī)器學(xué)習(xí)的早期。是的，有很多應(yīng)用程序已經(jīng)滲透到我們的生活中，但仍然有很多很多的機(jī)會(huì)。

機(jī)器學(xué)習(xí)能夠、已經(jīng)和將會(huì)徹底改變一切。在過去的 100 天里，我讀過的許多書中有一本叫「Manna」，作者是 Marshall Brian。這是一本科幻小說，它描述了一個(gè)近乎烏托邦的社會(huì)，機(jī)器和自動(dòng)化承擔(dān)了所有的工作，人類可以隨心所欲地生活。不需要 AGI，只需要機(jī)器學(xué)習(xí)。這樣的生活離我們到底還有多遠(yuǎn)?

我預(yù)見到未來 Instagram 名人和 YouTube 博主甚至都不是真實(shí)的，但卻擁有數(shù)以千萬計(jì)的追隨者，他們發(fā)布的內(nèi)容完全由 GAN 和 RNN 生成。由機(jī)器學(xué)習(xí)驅(qū)動(dòng)的新的娛樂模式將會(huì)誕生，從電影腳本到栩栩如生的超現(xiàn)實(shí)的三維模型都是由機(jī)器學(xué)習(xí)模型創(chuàng)建的。忘了面試工作吧。當(dāng)你自己的個(gè)人數(shù)據(jù)記錄可以與所有當(dāng)前職位空缺的公司數(shù)據(jù)檔案相匹配時(shí)，又何必費(fèi)心呢?從癌癥治療到餐廳晚餐，再到實(shí)時(shí)生成的音樂，一切都可以使用 ML 個(gè)性化地產(chǎn)生。自動(dòng)駕駛的出租車、基于 RNN 的文案服務(wù)、自動(dòng)化服務(wù)協(xié)議、自動(dòng)化法庭裁決、個(gè)性化生活改善策略、無人機(jī)交付、基于人工智能的投資，這些都是無止境的、有形的，而且?guī)缀醵际悄壳暗臒衢T領(lǐng)域。

人工智能和機(jī)器學(xué)習(xí)也可能在全文明水平上影響人類，幫助緩解存在的風(fēng)險(xiǎn)，如氣候變化、戰(zhàn)爭(zhēng)、疾病甚至小行星撞擊地球。

世界即將變得不同。我們可能會(huì)注意到這一點(diǎn)，也可能不會(huì)。人工智能將推動(dòng)這一變化，而且它已經(jīng)開始在我們身上蔓延。

正如 Kevin Kelly 所說，

• 未來發(fā)生得很慢，但會(huì)突然爆發(fā)(the future happens slowly and then all at once)。

本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請(qǐng)至雷鋒網(wǎng)官網(wǎng)申請(qǐng)授權(quán)。