機器比人類更會學習嗎

如今科技急速發(fā)展，人工智能已經(jīng)不再是一項虛無縹緲的實驗室科技。你看，在我們的生活中有幫助我們更便捷生活的智能手機語音助手，還有比親朋好友更懂我們的推薦算法……這些人工智能技術(shù)早已滲透人類生活的方方面面。我們現(xiàn)在所處的時代，正以前所未有的速度接近下一次技術(shù)革命，而開啟下一次技術(shù)革命大門的鑰匙就藏在人工智能的廣闊藍海中。

[打好基礎學習不誤]

“小愛同學！”

“我在?！?/p>

“播放一首抒情歌。”

“好的，馬上為您播放！”

……

面對自動運行的家用電器或與智能音箱對談時，也許你會對它們的貼心、智能化感到不可思議：機器為何能讀懂人類的想法呢？其實，目前的人工智能基本都是基于機器學習技術(shù)實現(xiàn)的，可以說，是機器學習讓家里的電器讀懂了你。

機器學習，就是讓機器具有學習的能力，而學習能力正是普通機器與人工智能的分水嶺。18世紀中葉，在瓦特改良蒸汽機的時代，開啟了人類第一次工業(yè)革命的蒸汽機只會夜以繼日地重復一個動作，任何看過這臺機器的人都不會把它與“智能”二字聯(lián)系起來。隨著科技的進步，人們設計了許多更為復雜的機器，但它們?nèi)匀徊恢悄堋?/p>

20世紀50年代，計算機理論迅速發(fā)展，機器學習終于登上了歷史的舞臺。機器學習的基本思想其實并不復雜，即將大量數(shù)據(jù)輸入人工智能算法（AI算法）中，對其進行訓練，讓AI算法生成模型，從而實現(xiàn)對事物潛在規(guī)律的揭示和對未來情況的預測。

例如，你想觀察路過家門口的灑水車，并對它的“行為”進行預測。在觀察的前6天，你發(fā)現(xiàn)灑水車每天清晨5點準時路過家門口，此時便形成了一個簡單的認識模型：灑水車每天清晨5點都會路過家門口。如果第7天是周日，是灑水車司機的休息日（但你并不清楚），你發(fā)現(xiàn)灑水車沒有像往常一樣路過家門口，此時意味著之前的認識模型并不準確。又過了一周，灑水車仍然是周一到周六每天清晨5點路過家門口，周日不再出現(xiàn)，你便可以通過新數(shù)據(jù)來糾正認識模型，從而更加接近事實。

機器學習的過程與觀察灑水車的“行為”差不多。輸入數(shù)據(jù)之前的機器就像一張白紙，它一無所知，就像第一天觀察之前你不知道灑水車會來一樣。假設灑水車的觀察者是一個十分懶惰的人，不愿意動腦筋推測灑水車的運行規(guī)律，他就可以把每一天灑水車的“行為”數(shù)據(jù)輸入機器的AI算法中，這個過程被稱為“訓練”。通過大量的數(shù)據(jù)訓練，AI算法對于灑水車“行為”的預測會越來越準。

[逃不開題海戰(zhàn)術(shù)]

有了數(shù)據(jù)之后，我們還需要選擇合適的“學習方法”才能讓人工智能學得更快更好。你可能聽說過一些與機器學習有關(guān)的名詞，比如“監(jiān)督學習”“強化學習”等，但卻一頭霧水，實際上這些名詞都是描述機器學習過程中不同的訓練方法，它們能使機器適用于不同的情況。

比如，我們想讓一個AI算法學會辨認貓和狗，可以采取以下辦法：如果提前給它看大量貓和狗的照片，并且“告訴”它哪些是貓哪些是狗，這就叫監(jiān)督學習；如果我們給AI算法大量貓和狗的照片，但是不“告訴”它哪些是貓哪些是狗，而讓它自動尋找貓和狗的差異，這就叫非監(jiān)督學習；如果讓它每次看圖后選擇圖片里的是貓還是狗，答對獎勵加分，答錯懲罰扣分，它在試圖盡量得分、規(guī)避扣分的規(guī)則下，經(jīng)過大量訓練會自己“進化”出正確辨認貓和狗的能力，這就是強化學習。

正是通過大量的數(shù)據(jù)訓練，機器才獲得了強大的能力。就像即使人工智能“阿爾法圍棋”（Alpha Go）背后的科學家們并不是圍棋大師，有些甚至完全不會下圍棋，卻能讓它戰(zhàn)勝圍棋世界冠軍，這在傳統(tǒng)的機器上是不可能發(fā)生的。

[機器學習并不完美]

機器學習是否意味著我們與人工智能時代近在咫尺了呢？很可惜，雖然機器學習讓人們身邊的很多物品越來越智能化，但距離真正的“強人工智能”還有很大的差距，這是因為當前基于數(shù)據(jù)的AI算法在很多時候有很大的局限性。

比如，一個長期接受“辨識貓狗”訓練的AI算法可能會把吉娃娃（一種小型犬）錯認為貓，也有可能把無毛貓誤認為狗，主要是因為機器學習得到的結(jié)果與訓練數(shù)據(jù)高度相關(guān)。如果訓練人工智能用的數(shù)據(jù)是有偏差的，比如訓練用的貓的照片基本都是有毛的長尾貓，狗的照片基本都是大型犬，那么這樣訓練得到的AI算法就很容易在辨識某些其他種類的貓和狗時犯錯。

目前，人工智能系統(tǒng)的問題在于機器學習的可解釋性缺陷，即機器學習是一個“黑箱”過程，我們無法解釋它到底根據(jù)什么特征做出判斷。人類在學習辨認貓狗的時候，往往會把判斷特征集中在貓狗身上的某些關(guān)鍵部位。但一個通過圖像訓練得到的AI，即使結(jié)果正確率很高，卻有可能把某些判斷特征放在環(huán)境上，顯然是不合理的，會導致AI的應用存在風險。就好比一個自動駕駛AI，如果我們不能判斷出它是根據(jù)什么做出駕駛決策，那么即使它在推廣前的測試中無比安全，也可能在現(xiàn)實復雜路況中犯致命錯誤。今年3月份發(fā)生在美國的一場車禍，就是因為輔助自動駕駛系統(tǒng)錯誤地把卡車的白色車廂識別為天空，導致其直接撞了上去，完全沒有減速。

這也從另一個角度為我們說明了一個道理：題海戰(zhàn)術(shù)雖然有用，但并不高效，而且會導致潛在錯誤，要想從根本上學習新知，就要運用因果邏輯，從根本上搞清楚事物的來龍去脈，而這也正是科學家們目前希望在人工智能身上實現(xiàn)的。

[學會判斷因果才會升級]

讓人工智能實現(xiàn)本質(zhì)的飛躍，關(guān)鍵就藏在每一個人的大腦中，上天賜予人類的最強大的武器——因果邏輯。

關(guān)聯(lián)和因果的區(qū)別在于，關(guān)聯(lián)僅反映數(shù)據(jù)間最表層的信息，即相關(guān)性。舉個例子，有數(shù)據(jù)表明，氣溫與犯罪率有相關(guān)性，氣溫低的時候犯罪率更高。我國春節(jié)期間的犯罪率的確會上升，其原因主要是春節(jié)期間小偷的活動變得頻繁，而春節(jié)又處于一年中氣溫最低的時間段。如果我們把這個數(shù)據(jù)輸入只懂得分析關(guān)聯(lián)性的人工智能系統(tǒng)中，僅從關(guān)聯(lián)的角度分析，將會得到“氣溫降低導致犯罪率上升”的結(jié)論。如果利用這個人工智能系統(tǒng)預測一個沒有春節(jié)文化的國家的犯罪率，或者一個氣溫異常年份的犯罪率，就會得到一個“謬以千里”的結(jié)論。

從因果關(guān)系的角度出發(fā)，我們不僅要分析數(shù)據(jù)之間的關(guān)聯(lián)性，還要判斷其內(nèi)部的邏輯鏈條。比如，當全年氣溫保持不變時，犯罪率是否會變化？如果得到的答案為“是”，那么便可以認為除了氣溫還有其他影響因素。比如，由于新冠肺炎疫情暴發(fā)，2020年春節(jié)期間我國國內(nèi)人員流動降低，雖然冬天的氣溫仍照常下降，但犯罪率卻沒有隨之變化。

看到這里，大家應該能知道為什么說我們離想象中的人工智能還差得很遠，因為人類目前構(gòu)建的人工智能連判斷因果的能力都沒有。很幸運的是，科學家已經(jīng)認識到因果學習是讓人工智能實現(xiàn)下一次飛躍的關(guān)鍵，許多科學家相繼投入了因果機的理論研究當中。相信伴隨著技術(shù)的發(fā)展，人工智能技術(shù)一定會越來越可靠，并且更大范圍地造福人類。