「人工智慧」從下棋開始

機器學習還為許多交叉學科提供了重要的技術支撐，例如，"生物信息學"試圖利用信息技術來研究生命現象和規律，而基因組計劃的實施和基因藥物的美好願景讓人們為之心潮澎湃。生物信息學研究涉及從"生命現象"到"規律發現"的整個過程，其間必然包括數據獲取、數據管理、數據分析、模擬實驗等環節，而"數據分析"恰是機器學習技術的舞台，各種機器學習技術已經在這個舞台上大放異彩。

機器學習正是這樣一門學科，它致力於研究如何通過計算的手段，利用經驗來改善系統自身的性能，在計算機系統中，"經驗"通常以"數據"形式存在，因此，機器學習所研究的主要內容，是關於在計算機上從數據中產生"模型"(mode)的演算法，即"學習演算法"( learning algorit hn).有了學習演算法，我們把經驗數據提供給它，它就能基於這些數據產生模型:在面對新的情況時(例如看到一個沒剖開的西瓜)，模型會給我們提供相應的判斷(例如好瓜).如果說計算機科學是研究關於"演算法"的學問，那麼類似的，可以說機器學習是研究關於"學習演算法"的學問。

1952年，阿瑟·薩繆爾(Arthur Samuel，1901-1990)在IBM公司研製了一個西洋跳棋程序，這個程序具有自學習能力，可通過對大量棋局的分析逐漸辨識出當前局面下的"好棋"和"壞棋"，從而不斷提高弈棋水平，並很快就下贏了薩繆爾自己。

1956年，薩繆爾應約翰·麥卡錫(John McCarthy，"人工智慧之父"，1971年圖靈獎得主)之邀，在標誌著人工智慧學科誕生的達特茅斯會議上介紹這項工作，薩繆爾發明了"機器學習"這個詞，將其定義為"不顯式編程地賦予計算機能力的研究領域"。他的文章" Some studies in machine learning using the game of checkers" 1959 年在IBM Journal正式發表後，愛德華·費根鮑姆(Edward Feigenbaum，"知識工程之父"，1994年圖靈獎得主)為編寫其巨著Computers and Thought，在1961年邀請薩繆爾提供一個該程序最好的對弈實例，於是，薩繆爾藉機向康涅狄格州的跳棋冠軍、當時全美排名第四的棋手發起了挑戰，結果薩繆爾程序獲勝，在當時引起轟動。

這個跳棋程序實質上使用了強化學習技術。什麼是強化學習技術呢?舉個簡單到不能再簡單的關於種西瓜的"任務與獎賞"的例子。

我們考慮一下如何種西瓜。種瓜有許多步驟，從一開始的選種，到定期澆水、施肥、除草、殺蟲，經過一段時間才能收穫西瓜，通常要等到收穫後，我們才知道種出的瓜好不好，若將得到好瓜作為辛勤種瓜勞動的獎賞，則在種瓜過程中當我們執行某個操作(例如，施肥)時，並不能立即獲得這個最終獎賞，甚至難以判斷當前操作對最終獎賞的影響，僅能得到一個當前反饋(例如，瓜苗看起來更健壯了)，我們需多次種瓜，在種瓜過程中不斷摸索，然後才能總結出較好的種瓜策略，這個過程抽象出來，就是"強化學習"(reinforcement learning)。

本文來自：一點資訊

如文章涉及版權，請聯繫我們刪除。歡迎來稿、歡迎廣大科幻愛好者和專家學者來稿

掃一掃關注 科幻：

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！