人人都在说的“机器学习”究竟是什么鬼？

创客

　　自Alphago之后，Machine learning（机器学习）这个词就整天出现在我们的眼前，我们很多人都以为这是一个最新出现的技术，事实上，机器学习几乎和计算机技术一样古老。

　　1950年，世界著名计算机学家阿兰·图灵就曾经在一份论文中提出“机器能够思考吗？”。从科幻小说到实验室，我们都在讨论AI人工智能，甚至我们会担心有自己意识的人工智能会取代人类。

　　今天我们就不讨论机器人造反怎么办，机器人是否会取代人类这些议题了，我们就单纯的来聊聊最近老是在你眼前出现的“机器学习”究竟是什么鬼吧？

　　如果我的数据足够大，我能创造人工智能吗？



　　曾经有一段时间流行这样一种理论，成千上万的信息连接可产生人工智能。从这种理论上来说，谷歌可以称得上顶尖，这家公司有超过30兆的索引页面，不过人工智能并不是这样。

　　机器学习的魅力不是假装计算机是人类，然后用知识去喂养它，而是帮助计算机培养推理、推算能力，并且学会归纳总结从海量信息里学到的知识。

　　神经网络、深度学习和强化学习都是机器学习，它们都是创造能够执行数据分析的系统方法。或者我们这样说，机器学习是众多人工智能技术的一种，神经网络、深度学习这些只是用来建设更好应用程序框架的工具。

　　上个世纪50年代，我们的计算机性能有限，我们无法访问大数据，我们的算法能力也不强。这意味着，我们对机器学习的研究很受限。尽管如此，人类还是在不断尝试。

　　1952年，人工智能工程师 Arthur Samuel 使用一个叫做Alpha Beta Pruning的基础AI形式做了一个象棋程序。这种方法可以减少计算负荷，但不是解决所有问题的最佳策略。

　　Frank Rosenblatt博士的感知器




　　提到人工智能，我们不得不提到感知器，而说到感知器，我们又不得不说一个伟大的AI专家——Frank Rosenblatt博士，他所提出的感知机(Perceptron)模型可以认为是对人类神经系统的一个高度简化概括。

　　Frank Rosenblatt 博士恐怕是史上对人工智能贡献最大的心理学家。他的兴趣不仅停留在从数学上抽象出感知机和提出相应的学习算法，还亲自打造了一台被称为Mark I Perceptron的“实体”感知机，其具备512个隐藏单元。

　　感知器利用神经科学来提升机器学习能力。想要理解这一点，你首先要明白大部分的机器学习问题要么可以分解成为类别，要么可以归化。类别是用来分类数据，而归化模型则是用来推断我们的意图，并作出预测。

　　感知器就属于类别，它将一组数据分解成为多组数据。比如说，它能够分解你邮箱中的垃圾邮件，能够为你的账户检测诈骗信息。

　　Rosenblatt的感知器模型使用到了一系列输入功能、思考功能（比如长度、重量、颜色，为每一个）。感知器还会不断的调节重量，直到输出结果在可接受错误范围内。

　　比如，一个人输入一个物品的重量，而这个物品正好是一个重量为100g的苹果。计算机不知道这是一个苹果，但感知器可以将这个物品分类为一个像苹果的物品。

　　那神经网络又是什么？




　　感知器只是机器学习的一个例子，神经网络可以被认为是感知器的联合工作。听起来很像我们大脑和神经的工作，这也就是“神经网络”命名的由来。

　　时间向前推进几十年，AI的进步表现在它能够复制人类头脑工作的方式，而不只是复制我们感知的内容。今天的神经网络虽然还在使用基础的“吞咽”信息方法，但它拥有了深度学习功能。

　　深度学习模型就是拥有多个层次的机器学习模型。可能有人会问“层次”是什么意思？

　　想要了解这一点，我们首先要知道，计算机能够将猫和人类分成两个组，计算机本身处理信息的方式和人类不同。机器学习框架会利用抽象概念来完成复杂任务。

　　对人类来说，脸部有眼睛。对计算机来说，面部像素有明有亮，组成了一些复杂的线条。深度学习的每一个层都在帮助计算机识别物体，从像素到线条到2D再到3D几何。

　　计算机已经通过图灵测试




　　人类与计算机认识/看待世界方式的不同，这使得我们在创造真正的人工智能遇到了重大挑战。尽管如此，人工智能还是通过的图灵测试。图灵测试是一个专门用来测试AI的测试，该测试由阿兰·图灵于1950年设计，内容是，如果电脑能在5分钟内回答由人类测试者提出的一系列问题，且其超过30%的回答让测试者误认为是人类所答，则电脑通过测试。

　　2014年，聊天程序“尤金·古斯特曼”（Eugene Goostman）首次“通过”了图灵测试。不过Siri还差远了，很多问题还需要去谷歌搜索。

　　当前科学家、创业者对AI的能力期待过多了。虽然我们现在能够使用机器学习做很多不可思议的事情，比如应用在自动驾驶汽车上，使用卫星图评估粮食产量。长短期记忆帮助机器处理时间相关工作，比如视频中的情感分析。增强学习，从游戏理论中获得想法，并且内置一个机制帮助学习，获得进步。增强学习是Alphago战胜李世石的关键。

　　机器学习的秘密是我们通常都知道一个问题的输入和输出，有非常清楚明确的代码充当媒介。但是，我们并不清楚模型输入、输入过程中发生的事。因此，科学家将这个问题成为黑匣子问题。

　　不过，在受挫之前，我们要记住，我们人类的大脑本身也是一个黑匣子，我们也不知道它究竟是如何工作，我们也不能够检查它每一层的工作情况。如果我叫你去剖析一个大脑，指出它里面的记忆，恐怕你会认为我疯了。但是，有些事情不能弄清楚不代表game over，而是代表游戏开始了。

　　好了，今天我们就先聊到这里了，这篇文章只是涉及到了一些基础的、浅显的机器学习概念，想要了解更多的同学恐怕还得去专业论坛学习，查阅更多资料。