今天的機(jī)器學(xué)習(xí)是以統(tǒng)計(jì)學(xué)為基礎(chǔ)的，那么人工智能=統(tǒng)計(jì)學(xué)嗎？

1955年，約翰?麥卡錫創(chuàng)造了" 人工智能 "一詞，用以描述能夠自動(dòng)編程的計(jì)算機(jī)技術(shù)。我們的科學(xué)家們?yōu)閷?shí)現(xiàn)這一目標(biāo)，探索了兩種方式：符號(hào)AI——教導(dǎo)計(jì)算機(jī)進(jìn)行抽象推理；以及目前占據(jù)主導(dǎo)地位，依賴于統(tǒng)計(jì)學(xué)的機(jī)器學(xué)習(xí)。尤其是2016年神經(jīng)網(wǎng)絡(luò)技術(shù)成熟后，機(jī)器學(xué)習(xí)幾乎成為了AI的代名詞。再加上物聯(lián)網(wǎng)帶來的巨大應(yīng)用場景，使“了解AI”成為了信息科技新階段，從業(yè)者必備的技能。然而，如果不了解機(jī)器學(xué)習(xí)的工作原理，就不可能弄清AI的真正含義。

★機(jī)器學(xué)習(xí)如何運(yùn)作？★

美國布魯金斯學(xué)會(huì)的研究員克里斯?梅塞洛認(rèn)為，機(jī)器學(xué)習(xí)的核心見解是：智能分析取決于概率而非精準(zhǔn)邏輯。當(dāng)我們看一個(gè)人的照片時(shí)，我們的大腦會(huì)下意識(shí)地估計(jì)之前見過這個(gè)人的可能性；當(dāng)我們開車去商店時(shí)，我們估計(jì)哪條路線有可能最快到達(dá)那里；當(dāng)我們下棋時(shí)，我們估計(jì)哪一步最有可能致勝。認(rèn)識(shí)某人，計(jì)劃旅行，策劃策略——每項(xiàng)任務(wù)都表現(xiàn)出智慧。但是，這主要依賴于我們抽象推理或宏觀思考的能力，而不是準(zhǔn)確評(píng)估的能力。

早在20世紀(jì)50年代，麥卡錫和他的同事就意識(shí)到了這一點(diǎn)。他們認(rèn)為：計(jì)算機(jī)應(yīng)該非常擅長計(jì)算概率。因此，當(dāng)Facebook在海量照片中識(shí)別出你的臉，或者Amazon Echo瞬間就get到你的問題時(shí)，他們依賴的是六十多年前的洞察力。

★今天的神經(jīng)網(wǎng)絡(luò)有點(diǎn)復(fù)雜，但核心理念不變★

2016年后的機(jī)器學(xué)習(xí)，核心算法稱為深度神經(jīng)網(wǎng)絡(luò)。雖然今天的神經(jīng)網(wǎng)絡(luò)有點(diǎn)復(fù)雜，但主要思想是相同的：基于類腦的神經(jīng)元耦合方式，只要有足夠豐富的訓(xùn)練集，就可以建立能夠?qū)W習(xí)各種任務(wù)的模型。

比如構(gòu)建一個(gè)人臉檢測算法模型。一個(gè)基本的深度神經(jīng)網(wǎng)絡(luò)都有幾層成千上萬的神經(jīng)元。在第一層中，每個(gè)神經(jīng)元可能學(xué)會(huì)尋找一個(gè)基本形狀，如曲線或線。在第二層中，神經(jīng)元都會(huì)看第一層，并了解它檢測到的線條和曲線是否構(gòu)成更高級(jí)的形狀，如角落或圓形。在第三層中，神經(jīng)元會(huì)尋找更高級(jí)的圖案，如白色圓圈內(nèi)的黑色圓圈，如人的眼珠。在最后一層，每個(gè)神經(jīng)元都會(huì)學(xué)會(huì)尋找更高級(jí)的形狀，例如兩只眼睛和一只鼻子。基于最后一層中神經(jīng)元的描述，包含面部所有特征的算法模型便會(huì)形成。

深度學(xué)習(xí)的神奇之處在于完全通過自我學(xué)習(xí)建立這套算法模型。工程師們唯一要做的就是給算法提供一堆圖像并指定一些關(guān)鍵參數(shù)，比如要使用多少層以及每層應(yīng)該有多少個(gè)神經(jīng)元，其余的工作均有算法完成。

深度學(xué)習(xí)的優(yōu)點(diǎn)在于它的靈活性。雖然還有其他突出的機(jī)器學(xué)習(xí)算法，比如梯度增強(qiáng)機(jī)器，但是在應(yīng)用層面都不如深度學(xué)習(xí)效率高。只要有足夠的數(shù)據(jù)，深度神經(jīng)網(wǎng)絡(luò)就能夠最好地估計(jì)出事物的可能性。

然而，與更普遍的機(jī)器學(xué)習(xí)一樣，深度神經(jīng)網(wǎng)絡(luò)并非沒有局限性。深度神經(jīng)網(wǎng)絡(luò)構(gòu)建算法模型，完全依賴于相關(guān)應(yīng)用的訓(xùn)練集。如果沒有相應(yīng)訓(xùn)練數(shù)據(jù)，或者訓(xùn)練集中的數(shù)據(jù)量不夠全面，那么它就無法構(gòu)建相應(yīng)算法模型。此外，機(jī)器學(xué)習(xí)算法也可以?；ㄕ校热绻室饨o它錯(cuò)誤的，或者誤導(dǎo)性的訓(xùn)練數(shù)據(jù)。當(dāng)然，其中一些不足可以通過更好的數(shù)據(jù)和算法來解決，但是有些可能是基于統(tǒng)計(jì)學(xué)建模的特有情況。

★機(jī)器學(xué)習(xí)的下一步是什么？★

從自動(dòng)駕駛汽車到多人游戲，機(jī)器學(xué)習(xí)算法現(xiàn)在可以通過大量任務(wù)接近或超過人類智能。特別是深度學(xué)習(xí)的突破性成功，讓業(yè)界對(duì)人工智能的炒作達(dá)到了前所未有的高度。反而是人工智能領(lǐng)域的資深研究者，如加里?馬庫斯（Gary Marcus）、朱迪亞?珍珠（Judea Pearl），以及被譽(yù)為現(xiàn)代神經(jīng)網(wǎng)絡(luò)的教父之一的杰弗里?辛頓（Geoffrey Hinton），認(rèn)為單靠深度學(xué)習(xí)不可能使人工智能達(dá)到目前業(yè)界所炒作的高度，所以人類不用為此而恐慌。

人工智能能否達(dá)到或者超過人類智能的關(guān)鍵問題是：人類智能有多少可以用統(tǒng)計(jì)學(xué)來描述？

如果所有的人類智能都可以，那么機(jī)器學(xué)習(xí)可能就是我們期許的人工智能所需要的全部?！叭斯ぶ悄芷鋵?shí)就是統(tǒng)計(jì)學(xué)”， 來源于諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)獲得者Thomas J. Sargent（托馬斯·薩金特），2018年8月11日在“共享全球智慧 引領(lǐng)未來科技”世界科技創(chuàng)新論壇上的講話。

此番言論一出，引起了各方人工智能專家的反對(duì)。然而，薩金特所指可能只是今天的人工智能。畢竟，神經(jīng)網(wǎng)絡(luò)算法成熟后，我們?cè)?a href="http://m.brongaenegriffin.com/tags/機(jī)器視覺/" target="_blank">機(jī)器視覺、語音識(shí)別、機(jī)器人和推理方面取得的進(jìn)步，足以重塑我們的世界。

但是，這只能算是俠義的人工智能，其主要原理是人類通過各種形式在機(jī)器大腦中建立“數(shù)據(jù)庫”，為機(jī)器進(jìn)行判斷和選擇做支撐。而距離人工智能真的領(lǐng)悟自我學(xué)習(xí)，自我提高，以及更兼具人性化思維，比如情緒、情感等不能用統(tǒng)計(jì)學(xué)描述的行為，還存在較大差距。當(dāng)然，隨著人工智能的應(yīng)用領(lǐng)域不斷拓寬，應(yīng)用場景的不斷豐富，真正的人工智能或許就在不遠(yuǎn)的未來。