人工智能 （AI）、機器學(xué)習(xí) （ML） 和算法這幾個詞經(jīng)常出現(xiàn)誤用、混淆和誤解。盡管它們都有各自的固定含義，但是人們常常會將這幾個概念互換使用。遺憾的是，如果沒有領(lǐng)會這些含義，它們可能會讓本已十分復(fù)雜的快速發(fā)展領(lǐng)域亂上加亂。現(xiàn)在，就讓我們認(rèn)識一些有關(guān)算法、人工智能和機器學(xué)習(xí)的基礎(chǔ)知識，了解它們是什么、如何使用、用在哪里以及分別是為了什么才創(chuàng)造出它們。我們首先從算法開始討論，因為算法構(gòu)成了人工智能和機器學(xué)習(xí)的基礎(chǔ)。

算法

簡而言之，算法就是執(zhí)行計算或解決特定問題時要遵循的一組規(guī)則，它包含求解所需的一系列步驟。盡管我們大多數(shù)人對算法的第一個反應(yīng)都是向計算機發(fā)出的指令，但哪怕是今天您做晚餐時用到的簡單食譜，也可以視為一種算法。

算法實質(zhì)上是一種快捷地告訴計算機下一步要做什么的方式，通過使用“and”（與）、“or”（或）或“not”（非）語句給出這些指令。它們可能非常簡單（圖1），也可能極其復(fù)雜。

圖1： 一種用于在隨機排列的數(shù)字列表中找出最大數(shù)字的簡單算法。（來源：維基百科）

對于（圖1）中的算法，其高級描述如下：

如果數(shù)組中沒有數(shù)字，則沒有最大數(shù)字。

假設(shè)數(shù)組中的第一個數(shù)字是其中的最大數(shù)字。

對于數(shù)組中剩余的每個數(shù)字：如果該數(shù)字大于當(dāng)前的最大數(shù)字，則假設(shè)該數(shù)字為數(shù)組中的最大數(shù)字。

如果數(shù)組中的數(shù)字都已經(jīng)循環(huán)到，則將當(dāng)前的最大數(shù)字視為數(shù)組中的最大數(shù)字。

這些指令可以明確地編寫成具體程序；但是，還有一些算法則使計算機能夠自行學(xué)習(xí)，比如機器學(xué)習(xí)。在討論機器學(xué)習(xí)之前，讓我們介紹一下人工智能這一更廣泛的主題。

人工智能

人工智能 （AI） 需要將一系列的算法結(jié)合起來，以便處理意外情況。如果說人工智能就像一把傘，那么機器學(xué)習(xí)和深度學(xué)習(xí) （DL） 就好比是傘骨。AI系統(tǒng)能夠以一種自然的方式與用戶交互。Amazon、Google和Apple處于利用人工智能及其核心非結(jié)構(gòu)化數(shù)據(jù)的最前沿。

2018年，人工智能的閱讀理解能力朝著人類同等能力的目標(biāo)邁出了巨大的一步。開發(fā)人員利用監(jiān)督學(xué)習(xí)和帶標(biāo)簽的示例來訓(xùn)練AI模型，以執(zhí)行諸如圖像分類等有具體目標(biāo)的任務(wù)。一年后，人工智能出現(xiàn)了一種新的趨勢。自我監(jiān)督學(xué)習(xí)被用來通過容易獲得的相關(guān)內(nèi)容幫助模型形成對語言中豐富上下文語義的理解。這種突破性方法幫助模型學(xué)習(xí)的一種方式是通過閱讀文本、屏蔽不同的單詞并根據(jù)剩余的文本進行預(yù)測。

利用這種自我監(jiān)督的學(xué)習(xí)，Microsoft的Turing模型在2020年達到了170億參數(shù)量的新高度，實現(xiàn)了包括生成摘要、語境預(yù)測和問題解答在內(nèi)的各種實用語言建模任務(wù)。通過其對人類語言深刻的根本性理解，Microsoft Turing模型能夠獲取人們所要表述的含義，并對實時對話和文檔中的問題準(zhǔn)確作出回應(yīng)。

準(zhǔn)確性會隨著AI系統(tǒng)的學(xué)習(xí)而提高。在未來數(shù)年內(nèi)，AI系統(tǒng)的參數(shù)量預(yù)計將達到萬億級，這將使AI能夠更輕松地協(xié)助用戶，實現(xiàn)僅憑結(jié)構(gòu)化數(shù)據(jù)無法得到的驚人準(zhǔn)確性。那么，是什么讓這種學(xué)習(xí)帶來前所未有的準(zhǔn)確性的呢？

機器學(xué)習(xí)

機器學(xué)習(xí)使用結(jié)構(gòu)化數(shù)據(jù)輸入和算法進行假設(shè)、重新評估數(shù)據(jù)，并根據(jù)新發(fā)現(xiàn)的條件重新配置原始算法（圖2）。它無需人工干預(yù)即可做到這一點，因此稱為機器學(xué)習(xí)。因為機器學(xué)習(xí)系統(tǒng)可以非常快速地處理大量數(shù)據(jù)，所以它的優(yōu)勢在于可以用人類無法企及的速度和能力發(fā)現(xiàn)所有可能的模式和解決方案。

然而，復(fù)雜的系統(tǒng)也提出了復(fù)雜的挑戰(zhàn)。由于機器學(xué)習(xí)太依賴于假設(shè)了，因此系統(tǒng)可能會迅速走上錯誤的道路，從而導(dǎo)致意外的行為和結(jié)果。一個例子就是Uber的自動駕駛試點項目，由于錯誤假設(shè)導(dǎo)致撞死了一名行人，最終在2018年叫停了所有試驗。

圖2： 機器學(xué)習(xí)涉及自動根據(jù)經(jīng)驗改進的計算機算法。

這種算法基于樣本或訓(xùn)練數(shù)據(jù)構(gòu)建模型，目的是作出預(yù)測（學(xué)習(xí)）。（來源：維基百科）

有關(guān)機器學(xué)習(xí)的例子不勝枚舉， 這里我們就舉一個信用卡欺詐檢測的例子。在這一場景中，如果信用卡的使用超出了預(yù)期中持卡人的正常使用模式，則要求用戶驗證可疑交易是否合法。然后，機器學(xué)習(xí)系統(tǒng)進一步調(diào)整和修正其對可接受使用模式的理解。

機器學(xué)習(xí)可以預(yù)想到一系列結(jié)果，這些結(jié)果可能全部正確，但是許多結(jié)果一開始可能是不可預(yù)測的。機器學(xué)習(xí)項目缺乏準(zhǔn)確性的原因還有很多。

問題出在哪里？

大多數(shù)人工智能實驗失敗的原因之一是缺乏能夠讓機器學(xué)會推理的早期指導(dǎo)。機器只認(rèn)得“0”和“1”， 不能處理其他模棱兩可的情況。

例如，想象一下“痛”的概念。孩子需要有人教她說：“如果你摸到火爐會好痛，這樣做不對。” 或者，同樣也可以說：“如果你要跑步，就有可能會疼。你會感到痛，這是正常現(xiàn)象。” 推理有助于讓機器學(xué)習(xí)系統(tǒng)知道正面結(jié)果與負(fù)面結(jié)果之間的差異。從Uber的例子可以看出，這在深度學(xué)習(xí)中變得更加重要，因為如果某種類型的指導(dǎo)者沒有提供反饋，系統(tǒng)就可能會做出錯誤的假設(shè)。只有在引導(dǎo)機器如何處理各種模棱兩可結(jié)果之后，機器才談得上實現(xiàn)了充分學(xué)習(xí)。如果一個問題的答案是“也許”而不是“是”或“否”，則必須提出更多問題！

另一個挑戰(zhàn)在于，要有無窮無盡的時間和無限的資金，才能使用各種可能的組合和條件建立例程，而且還不能止步于此—— 還應(yīng)考慮各種條件和它們的組合在將來可能會如何改變。例程往往會流于僵化，從而導(dǎo)致數(shù)據(jù)流不靈活。

推理的要義在于舉一反三。隨著引擎變得更智能，修正成為了可能。購物單上看似清楚的“half-and-half”（鮮奶油），如果用戶沒有修正，則會因為把and作為邏輯運算符而只顯示兩個“half”。但是，如果用戶修正了條目，引擎將考慮這種更正，并可能考慮上萬個其他條目中的相同修正，從而默認(rèn)接受“half-and-half”作為有效項目。這就像教孩子說英語： 了解單詞的含義，然后理解在特定的條件下將一個單詞與另一個單詞放在一起，可能會使含義發(fā)生變化。

必須要有這樣的規(guī)則和規(guī)定，算法才能正確地發(fā)揮作用。算法本身是沒有常識的，它對明顯的錯誤一無所知——程序根本就不知道這是怎么回事。算法需要有非常完善、具體且明確的行動計劃才能發(fā)揮作用。問題的癥結(jié)恐怕就在這里。

總而言之，當(dāng)您審視人工智能、算法與機器學(xué)習(xí)這幾個特定詞語的性質(zhì)時，很顯然不應(yīng)該將它們混為一談。最好的做法是，將它們以這樣的方式來看待：算法是解決問題的公式或指令，人工智能使用數(shù)據(jù)和算法來激發(fā)行動和完成任務(wù)。另一方面，機器學(xué)習(xí)是人工智能的一種應(yīng)用，相當(dāng)于基于先前數(shù)據(jù)和歷史的自動學(xué)習(xí)。算法是人工智能和機器學(xué)習(xí)的基礎(chǔ)，而后者是我們未來的基礎(chǔ)。