教會機器人學習
假如，有一天，在每個家庭，都有一個機器人，洗碗做飯，收拾房間，承擔所有的家務；在每個公司，大部分工作都由機器人來做，人類可以完全擺脫苦力勞動。這樣的未來，會不會對你很有吸引力？但要想進入這樣一個夢想中的人工智慧時代，我們得先教會機器學習。
讓機器自我學習
就像每個人在獲得技能前，必須經歷過學習訓練一樣，機器要實現智能化，也只能通過學習。機器學習起源於人工智慧的一個分支，在這一領域，計算機科學試圖創造計算機的類人智慧。
真正的機器學習與我們所認為的傳統編程有本質的不同。當提到電腦程序時（或者一個程序里用到的運演算法則），我們一般會認為是工程師為電腦下達了一系列指令，告訴他們怎麼樣去處理一系列的輸入，然後產生相應的輸出。一個瀏覽器會跟蹤被瀏覽的網頁，然後對於用戶的輸入通過一種確定的可預料的方法進行回應。但這些都是由人類事先編碼好的，而非機器主動學習的結果。
機器學習,就是機器自己編程，這些機器經過培訓，也能像人類一樣進行編程。谷歌公司2015年發布了一款名為「深夢」的圖片識別應用軟體，這款軟體不僅可以識別圖像，而且可以利用圖像製造一些出人意料的奇幻景象。例如，你呈現一幅風景圖時，軟體會根據你的圖片進行分析，輸出一幅計算機眼中的風景圖。
這是怎麼做到的呢？谷歌深夢的運作原理是通過模擬人類的神經元網路，建立起計算機自己的神經網路系統，通過神經元獲得物體的信息，從而進行分析。計算機的神經元網路系統包含了上千個互動的神經元，以實現數學上的精密運算。
當然，為了讓機器能識別物體信息，在過去四年里，研究者們一直用大量圖片訓練電腦神經網路，例如給「深夢」軟體看許多圖片，並告訴每張圖片中的主體是什麼，一旦「深夢」從上百個角度看過上百個狗頭一千次之後，它就能學會自己輸出圖像。
在實驗中，「深夢」產生出了混合著鳥、眼睛和狗頭輪廓的模糊圖像，雖然它們並不那麼栩栩如生，但是也揭示了電腦處理圖像時的一種創造性，它已經不用人類監督指導地學會了識別小貓、小狗的臉。
神經網路的機器構造模仿了人類大腦，也充分發揮了計算機超強的記憶功能，在生活中有更普遍地應用。谷歌的搜索引擎、亞馬遜的推薦目錄、臉書的好友動態和垃圾郵件的過濾，還有軍事、金融、科研、比人類駕車更靠譜的自動駕駛等重要工作，都是神經網路運作的具體應用。
今天，機器學習已經被成功地應用於更多領域，從檢測信用卡交易欺詐的數據挖掘程序，到獲取用戶閱讀興趣的信息過濾系統，再到能在高速公路上自動行駛的汽車。可以說，我們的智能生活，都是機器學習的結果。
研究機器人學習的演算法
機器學習能追溯到上世紀40年代二戰結束前後，得益於戰時交戰雙方的科學精英殫精竭慮，計算機理論在那一時期得到突飛猛進的發展。當時，控制論研究者們設想有一個神經元計算機模型，能夠大致模擬生物神經元，並且可以用一種簡潔和明確的數學形式來表示。
但是，面對一個不確定性和多樣性的世界，人工預先制定的數學形式根本就難以應付。或者說，人工編程的世界，與現實的人類世界偏差太遠，現實的世界不會那麼有秩序和守規則。
例如，計算機預先以數學形式來表達馬有四條腿，但這會產生兩個問題。首先，電腦怎麼樣去學會理解這個事實；其次，對於那些因意外而失去了一條腿的馬怎麼辦。這些看似是很愚蠢的問題，卻是人工編程時遇到的最大障礙。這就是為什麼至今搜索引擎還不能回答問題、僅僅能搜索關鍵詞的原因所在。
但如果機器學習創造了自我編程系統，就可以對於他們自己的錯誤做出反應，並且不斷更新他們的內部狀態。人工編程中的漏洞在發布之前需要被檢查出來，而機器學習的運演算法則能在過程之中不斷糾錯，比人工智慧更加靈活、有智慧。
但怎麼能讓機器學習呢？這就涉及到演算法。可以說，演算法是構建互聯網的核心，現在許多網路搜索和溝通方式，都是基於設定好的數學公式構建起來的，比如谷歌搜索引擎、蘋果語音系統、Facebook。在信息時代，我們的生活實際上是被一些數學公式引導著，在醫學方面，已經有了公式能算出糖尿病和瘧疾。今天，我們也在讓學習公式的機器查看胸透時的X線量。
連接學習、符號推演法、貝葉斯學習、類比學習是4個當代計算機學習範式。其中，連接學習就是模仿人腦神經系統，建立起計算機人工神經網路；符號推演法就是將問題或知識表示成某種邏輯網路，採用符號推演的方法來學習；貝葉斯學習理論就是通過概率規則來實現學習和推理過程；類比學習就是通過對相似事物進行比較來學習。這4種學習範式還是過於複雜了，因此，華盛頓大學教授佩德羅·多明戈斯提供了一個更大膽的假設，即在未來，能將現有的演算法公式統一成一個萬能演算法。
萬能演算法下的世界
多明戈斯構思了這樣一個萬能演算法，它能將物理學、生物學上已經發現的理論和標準模型或者中心法則統一起來，同時，可以從數據中發現所有的知識，所有的人類現有的知識，也包括所有的未來的知識。例如，萬能演算法可以從第谷?布拉赫的太空觀察中,推出牛頓定律，即使它沒有相關的基礎知識。
大腦皮層可能就是這樣一個萬能演算法的典型例子。一些神經學家認為在所有領域，大腦皮層只用到了一個相同的公式，就能不斷調整皮層下各級腦部及脊髓的機能，使他們能根據環境不斷學習調整，聽見、看見或者是弄懂周圍世界的意思。
在信息時代，萬能演算法也將發揮類似大腦皮層的作用。它能在數據云的基礎上，學習和利用信息，改變現在呆板的計算機被動執行模式，主動改進功能和完善輸出，這將給人類信息生活帶來革命性的轉變。
例如，現在的網路信息量龐雜，打幾個關鍵字，卻得到了上百萬網頁，常常令人無法抉擇。但有了萬能演算法，電腦將變成百科全書，只要問幾個問題，就能很迅速地給出準確答案。
同時，今天的推薦系統也將得到徹底更新。現在，每個人會遇到許多的推薦信息。基於每個人留下的碎片化的數據，上百萬個推薦系統每天會為你推薦不同的東西：暴風影音從你開始看他們的電影時，就為你推薦電影；亞馬遜根據你買了什麼和沒買什麼為你推薦書本；新浪會在你註冊時推薦上百個興趣群。但大多數人可能更需要的是一個更聰明的系統，能根據你上網產生的所有的數據和信息，來進行更具針對性的推薦服務。例如，它能在你生活的每個階段推薦相應的東西，不僅是書和電影，還有房子、工作等。為了能達成這樣的效果，首先就需要來自你日常生活所產生的數據，但另一方面，也需要萬能演算法，因為面對大量的數據，沒有公式也無法處理這些數據。
假如真能成功找到萬能演算法，人工智慧將真正實現。但對於未來這一智能圖景，還是不免會讓人擔憂。比如，機器學習能夠處理大多數的工作，世界將會有一個很大的失業群體，他們將怎麼生存呢？會成為社會不穩定之源嗎？假如人工智慧被居心叵測的政治家們利用，世界還會太平嗎？
對於這些問題，萬能演算法的倡導者佩德羅·多明戈斯並不擔憂，反而十分樂觀。他認為計算機不會具備生物進化的能力，也不會自己發明東西，因此，將不會對人類具有威脅性。相反，呆板的工作將由機器人承擔，人類則去做更有趣的工作。地球的環境也會變得越來越好，人類將會活的更久更快樂，也更有創造性。同時，人們不會出現在戰場上，機器人會親自出征，這些會防止人類因戰爭而致的傷殘。
（本文源自大科技*百科新說2016年第1期文章）
※如何集中注意力——向兒童學習？
※大腦科學的10大進步，你知道嗎？
TAG:知識百科 |