不誇大、不炒作：透過機器學習實例看清AI本質

新智元報道

來源：Theverge

編輯：大明

【新智元導讀】進入2019年，AI的概念經曆數次過度炒作，其本身的意義已經越來越模糊，AI技術看似已經無處不在，但更多時候是蹭熱度、博眼球的結果。為了不讓AI淪為「空殼辭彙」，本文從機器學習實例入手，帶你理清究竟什麼是AI。

「人工智慧」（AI）一詞最初誕生於1955年，但是關於智能化機器的理念則要追溯到更遠的時間，確切地說是古代希臘、古代中國和古代印度時期。可能這就是AI對我們的想像力的作用如此巨大的原因之一，也正因此，關於AI技術永遠有這麼多的熱烈討論。

但AI終究不是神話，也不是魔法，而是一種技術，和其他技術一樣，也經歷了數十年的研究歷程，最終達到了一個新的產出水平上。計算力成本的下降和海量數據的存在，是AI技術得以發展壯大的兩大原因。AI和機器學習現在已成為天文、醫療、交通、音樂等多個領域內不可多得的有用工具。

、

在多年的期待之後，現在AI技術終於逐步走向實用了。不過實用技術的一個特點就是，它們最終往往會消失不見。我們會忘掉那些曾經好用的技術，我們不應該讓AI技術重蹈覆轍。任何技術都需要小心的審查，對於失敗的風險如此之大的AI技術而言更是如此。

下面我們一起來看看AI和機器學習對當今的技術發揮著怎樣的影響，因為當AI真的徹底改變了世界之後，再來了解這些影響可能就太晚了。

有一種常見的心理學現象：如果你一直重複任何一個詞到了一定的次數，這個詞最終會失去所有意義，化為一個徒有外殼，而無實際意義的虛詞。

對於我們許多人來說，「人工智慧」這個詞在很久以前就已經經歷了這個「無意義化」的過程。在現在的技術領域，「人工智慧」幾乎無處不在，從電視到牙刷，所有功能恨不得都要跟「人工智慧」沾邊，但這個詞本身的意義卻越來越模糊。

這很不應該。

雖然目前「人工智慧」這個詞已經毫無疑問地被濫用了，但AI技術本身比以往任何時候都要發達。它被用於醫療保健和戰爭、幫助人們製作音樂和書籍、可以仔細檢查簡歷、判斷個人的信譽好壞，還能夠加工你手機上拍攝的照片等。簡而言之，無論你喜歡與否，人工智慧都會做出影響你生活的決定。

無論我們是否喜歡，人工智慧都可能會做出關於我們日常生活的決定。

但這和科技公司和廣告商對AI的大肆炒作和吹捧可能還差得遠。以Oral-B的Genius X牙刷為例，這是今年在CES上亮相的眾多設備之一，著重渲染了所謂的「AI」能力。但是，透過新聞稿中的溢美之詞，其實這款牙刷也只是提供了非常簡單的反饋，告訴你是否在正確的時間和地點刷牙。牙刷上的智能感測器可以檢測到牙刷在口中的位置，把這東西叫做「人工智慧」基本上就是胡言亂語，僅此而已。

但是當AI技術沒有炒作時，往往會產生誤解。新聞報道可能會誇大研究成果，隨便把一個模糊的AI故事包裝成「終結者」級的發現。這可能會導致人們對「AI究竟是什麼」這個問題產生困惑。

對於非專家的普通人而言，這可能是一個棘手的話題，人們經常錯誤地將目前的人工智慧與他們最熟悉的「人工智慧」混為一談：後者多半表現為比人類聰明的多的、有意識的計算機。專家將這個特定的人工智慧形式稱為「通用人工智慧」，如果我們確實創造出了類似的東西，那麼將來可能還有很長的路要走。而在此之前，誇大AI系統的智能水平或能力對任何人都沒有好處。

莫讓AI空殼化，搞清「什麼是AI」很重要

那麼，究竟什麼是AI？（上圖由上至下，順時針方向依次為：電影Metropolis的模型，Oral-B的AI牙刷，自動送貨機器人。）

其實，討論「機器學習」要比討論AI更合適。機器學習是AI的子領域，包含了幾乎所有對世界影響最大的方法（包括「深度學習」）。這個詞沒有「AI」的神秘感，但它更有助於解釋技術的作用。

機器學習的運作方式是什麼？在過去的幾年裡，我看到過幾十種解釋，發現最有用的區別就在於「機器學習」這個詞本身：機器學習就是讓計算機能夠自己學習。但這又引出了一個更大的問題。

我們先看一個問題。假設你要構建一個可以識別貓的程序。你可以嘗試用老方法通過編程制定一些明確的規則，比如「貓有尖尖的耳朵」和「貓是毛茸茸的」等。但是如果對程序展示一隻老虎的照片時，程序會作何反應呢？要通過編程制定全部所需規則將是耗時費力的任務，而且在此過程中必定涉及到各種困難的概念的定義，比如對「尖尖」和「毛茸茸」的定義。

所以更好的辦法是讓機器自學。因此，可以為機器提供大量的貓的照片，系統會以自己特有的方式查看這些圖片。起初幾乎是隨機連接不同的點，但隨著實驗的反覆進行，系統會不斷學習更新版本。最終可以比較準確地判斷哪些照片上是貓，哪些不是貓。

AI系統容易「自學成才」，也容易「偷工減料」

到目前為止，我們說的還是可以預測的東西。實際上，你以前可能看過這樣的解釋，但重要的不是這種解釋本身，而是它所暗示的含義。讓決策系統採用這樣的學習模式會有什麼副作用？

這種方法的優點是很明顯的：永遠不需要實際編程。當然，需要做很多修補工作，改進系統處理數據的方式，並提出了更明智的方法來提取信息，但你並沒有告訴系統要尋找什麼。也就是說系統可能會發現人類可能會錯過或從未想到的新模式。而且因為所有的程序需求的都是數據，也就是1和0，所以可以利用這一系統來訓練完成多種任務，因為現代世界中到處都充斥著大量的數據。手中有了「機器學習」這把鎚子，在數字世界中有的是釘子可釘。

不過，也要看到這種方式的缺點。如果你沒有明確地教過計算機，你怎麼知道它是如何做出決定的？機器學習系統無法解釋自己的想法，這意味著你的演算法可能因錯誤的原因而表現出良好的性能。同樣，計算機系統可能會產生一種存在偏見的世界觀，或者可能只擅長完成與之前獲得的數據類似的一小部分相關任務。

機器學習系統也不具備人類所期望的常識。你可以建立世界上性能最好的貓咪識別程序，但它永遠不會告訴你，貓咪不應該開摩托車，或者貓咪的常用昵稱是「Tiddles」，而不是「Megalorth the Ondying」。

教計算機自己學習是一條明智的捷徑。不過像所有快捷方式一樣，它涉及到偷工減料。 AI系統中存在智能，但它不是有機智能，不會遵循人類的規則。比如可能會提出這樣的問題：一本書有多聰明？在一口煎鍋中編入了哪些專業知識？

AI的未來：實現「潤物細無聲」的技術變革

那麼我們現在處於人工智慧的哪個階段？經過新聞炒作的無數個「下一個重大突破」洗禮之後，一些專家認為我們已經達到了一個穩定的狀態。但這並不是AI技術進步的障礙。在AI研究方面，我們現有的知識中還有廣闊的探索空間，而在產品方面，我們還只發現了演算法的冰山一角。

風投策略分析師本尼迪克特·埃文斯將機器學習比作關係型資料庫，後者是一種企業軟體，曾在上世紀90年代創造了大量財富，並徹底改變了整個行業，但是當你讀到「關係型資料庫」這個詞時，可能並不會引起特別的注意。我們現在正處於人工智慧正常快速發展的階段。 「最終，幾乎所有事情都會涉及到（機器學習）的某個領域，沒有人會對此大驚小怪。」埃文斯說。

他說的很對，但我們目前還沒有達到這個階段。

無論是在現在還是將來，人工智慧和機器學習仍然會是新的、往往無法解釋的新領域，還存在諸多未經研究的新問題。未來，會有更多更豐富的AI技術會推動生活中方方面面的變革。總有一天，你會發現AI的應用已經如此普遍，甚至根本都不會引起你的注意。

【加入社群】

新智元AI技術 產業社群招募中，歡迎對AI技術 產業落地感興趣的同學，加小助手微信號：aiera2015_2入群;通過審核後我們將邀請進群，加入社群後務必修改群備註（姓名 - 公司 - 職位;專業群審核較嚴，敬請諒解）。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！