機器學習是目前計算機領域最火的技術之一，從電商到自動駕駛，都有機器學習的應用。但是，當大眾談起機器學習時，卻往往以 AI（人工智能） 代稱，這遭到了很多學者的批判，機器學習宗師級大牛邁克爾 · 喬丹更是直言不諱，稱“我討厭將機器學習稱為 AI”。

雖然機器學習目前能夠解決的問題非常有限，但是它確實讓我們看到了新一輪科技變革的曙光。然而，關于機器學習的炒作已經太多，我們需要從不同的角度去審視它，認真思考，才能真正理解它。

作為一名風投經理，Andreessen Horowitz 展現了自己的獨特視角，提出關系數據庫和自動化是幫助我們理解機器學習的兩個重要概念。Horowitz 認為，洗衣機是自動化機器的一種，但是它沒有“智能”，而機器學習也可以看作一種可以實現自動化的技術，人們用它打造的只不過是一臺臺智能時代的“洗衣機”。

以下內容由AI科技大本營編譯：

機器學習進入公眾視野已經有四五年了，幾乎達到了婦孺皆知的地步。不僅每天都有各種初創公司涌現，大型科技平臺公司也正圍繞機器學習進行自我改造：科技行業以外的所有人大都讀過《經濟學人》或《商業周刊》的封面故事，很多大公司也有一些項目正在進行。我們都知道，這會是下一個風口。

更進一步，理論上我們大多了解神經網絡是什么，它可能與模式和數據有關。機器學習讓我們在數據中找到模式或結構，這些模式或結構是隱式和概率性的（因此是“推斷”），而不是顯式的，這在以前只有人類才能找到，計算機是無法找到的。機器學習解決了這類問題：那些以前“對計算機而言很難，但對人類來說很容易”的問題，或者說“對計算機來說很難描述”的問題。

不過，我認為我們還沒有一個明確的概念，即機器學習對科技公司或更廣泛的經濟體系中的公司意味著什么，如何在結構上思考它能夠帶來什么新事物，或者機器學習對我們所有人意味著什么，以及它實際上能夠解決什么重要問題。

“人工智能”（Artificial Intelligence）一詞并沒有起到什么幫助作用，它只會讓討論進行不下去，或者早早結束。當我們說起“人工智能”時，就好像 2001 年初的黑色巨石（black monolith）出現了一樣，我們都變成了猿類，對著它尖叫，揮舞著拳頭。結果就是，我們無法真正分析“人工智能”。

編者注：black monolith，黑色巨石。源自阿瑟·克拉克（Arthur C. Clarke）的科幻小說《2001：太空奧德賽》（Space Odyssey，又譯:《2001：太空漫游》）。書中描述道，高度智慧的外星生命在地球上留下了一塊黑石。在書中黑石代表著遠遠超過人類觸及范圍的智慧。

事實上，我可以列舉一長串無助于討論當前機器學習發展的方式，例如：

數據是新的“石油”

Google 和中國（或 Facebook、Amazon，BAT）擁有所有的數據

人工智能將承擔所有的工作

把機器學習稱為人工智能

當然，也有其他更有益的方式：

自動化

技術賦能層

關系數據庫

為什么提到關系數據庫？因為它是一個新的基礎賦能層，改變了計算機所能勝任的事情。在于上世紀 70 年代末關系數據庫出現之前，如果你想讓數據庫顯示你希望的東西，比如“所有已購買此產品且居住在此城市的客戶”，通常需要一個專門的工程項目才能實現。數據庫不是用結構化的，因此任何任意交叉引用查詢都非比尋常的困難。數據庫是記錄保存系統，而關系數據庫則把它們變成了商業智能系統。

這樣一來就極大地改變了數據庫的用途，從而創建了新的用例，催生了市值高達數十億美元的新公司。關系數據庫不僅為我們帶來了 Oracle，也帶來了 SAP。而 SAP 和它的同行們給我們帶來了全球即時供應鏈——蘋果和星巴克。到了 90 年代，幾乎所有的企業軟件無一例外都是關系數據庫：PeopleSoft、CRM 和 SuccessFactors 等數十種軟件都是運行在關系數據庫之上。沒有人指著 SuccessFactors 或 Salesforce 說，“這玩意兒將永遠不會起作用，因為 Oracle 擁有所有的數據庫”——相反，這項技術成了一個賦能層，它成了所有東西的一部分。

所以，這也是如今我們思考機器學習的一個很好的方式——它是我們利用計算機所能做的進一步改進，它將成為許多各家公司不同產品的一部分。最終，幾乎所有的東西都有機器學習在里面，沒人關心，也沒人驚奇。

兩者之間重要的相似之處在于，盡管關系數據庫具有規模效應，但別忘了網絡是有限的，或者說“贏家通吃”的效應，機器學習也一樣。如果 B 公司和 A 公司一樣，從同一家供應商購買相同的數據庫軟件，那么 A 公司使用的數據庫并不會因此變得更好。機器學習實際上也是差不多的情況：機器學習都是數據相關的，但是特定應用的需要的數據卻是不同的。更多的手寫數據會使手寫體識別器變得更好，而更多的燃氣輪機數據也會使系統更好地預測燃氣輪機的故障，但是其中一套數據對另一個系統卻毫無幫助。記住，數據是不可替代的。

這就觸及了在談論機器學習時最常見的誤解的核心：在某種程度上，機器學習是通往 HAL 9000 （編者注：HAL 9000是《2001：太空漫游》中的最具人性的超級計算機）道路上一種單一的、通用的東西；或者 Google 或微軟各自建立了“一個（HAL 9000）”；或者 Google “擁有所有的數據”；或者 IBM 已經擁有了一個真實的東西（HAL 9000），叫作 Waston。的確，人們在看待自動化時總會犯相同的錯誤：每一波自動化浪潮，我們奪回想象人們正在創造一些擬人化的東西，或者具有通用智能的玩意。要知道，這可是有前車之鑒的：在 1920-1930 年代，我們想象的是，鋼鐵機器人拿著錘子在工廠里走來走去；而在 50 年代，我們想象的是人形機器人在廚房里干家務。然而我們并沒有得到機器仆人，但好在我們有了洗衣機。

你可以說洗衣機就是機器人，但它們沒有“智能”。它們并不知道水和衣服是什么。此外，就算在洗滌領域中，洗衣機也并不是通用的：你不能把盤子放進洗衣機里，也不能把衣服放進洗碗機里（或者說，你可以這么做，但你不會得到想要的結果）。它們只是另一種形式的自動化罷了，在概念上，與傳送帶或送料機并沒有什么不同。同樣，機器學習讓我們得以解決以前計算機無法解決的問題，但是這些問題中，每個問題都需要不同的實現、不同的數據、不同的市場路線以及不同的公司才能解決。這些都是自動化的一部分，你可以把它們看作一臺臺洗衣機。

因此，我們談論機器學習的挑戰之一，就是在數學的機械解釋與幻想之間找到一個平衡點。機器學習并不會創造出 HAL 9000（至少，這個領域中很少有人會認為它很快就能實現），但認為它“只是統計數據”對于理解也沒有幫助。讓我們重新審視與關系數據庫的相似之處，這可能更像是在 1980 年討論 SQL 一樣：如何從解釋表連接（table join）到思考 Salesforce.com？如果你說“這可以讓你問些新問題”，這當然是非常好的，但是問題并不總是清晰明了。你可以制作一些令人印象深刻的語音識別和圖像識別的演示，但是，如果是一家普通的公司會怎么做呢？就像美國一家大型媒體公司的一個團隊不久前對我說的那樣：“我們知道，我們可以使用機器學習來索引十年來的運動員采訪視頻，但是，我們尋找的究竟是什么呢？”

那么，對于真正的公司來說，機器學習的“洗衣機”到底是什么呢？我認為有兩套工具可以用來幫助思考這個問題。首先是考慮數據類型和問題類型的流程：

那么，對于真正的公司來說，機器學習的“洗衣機”到底是什么呢？我認為有兩套工具可以用來幫助思考這個問題。首先是考慮數據類型和問題類型的形式：

對于擁有相關數據的問題，機器學習可以提供更好的結果，這僅僅是作為一種分析或優化技術。

機器學習可以讓你基于已有數據提出新的問題。

第三，機器學習為分析領域開辟了新的數據類型：以前計算機無法真正“讀取”音頻、圖像和視頻，而現在這種可能性越來越大了。

在這方面中，我發現最令人興奮的是影像領域。以往，只要我們有計算機，就能夠處理文本和數字，但圖像（和視頻）對它們而言，大多都是盲區。現在，它們可以“看到”了，就像它們可以讀文本和數字一樣。這意味著圖像傳感器（和麥克風）將成為一個全新的輸入機制：與其說是一個“攝像頭”，還不如說就是一個全新的、強大的、靈活的傳感器，它可以生成機器可讀的數據流。未來各種各樣的問題，最終都會演變成計算機視覺問題，盡管今天看上去并不像是計算機視覺方面的問題。

最近我遇到了一家為汽車行業提供座椅的公司，該公司已經在廉價的 DSP 芯片上部署了神經網絡，并與廉價的智能手機圖像傳感器相結合，以檢測織物是否有起皺的現象（我們應該期待的是，市面將涌現各種類似用途的機器學習的小玩意兒，它們非常小巧、便宜，只做一件事，就像文章Why the Future of Machine Learning is Tiny 說的那樣）。它實際上就是把以前無法自動化的任務自動化，因此將它描述為“人工智能”是不利于我們理解的。

這種自動化的概念是思考機器學習的第二個工具。發現織物上是否存在起皺的現象并不需要 20 年的經驗：做到這一點，真的只需要哺乳動物的大腦就夠了。事實上，有位同事跟我說，你可以訓練狗狗做的事情，機器學習也可以做到，這也是思考人工智能偏見的一個有用途徑（狗狗到底學到了什么？訓練數據中有什么？你確定嗎？你會怎么問？），但是它也有限制，因為狗狗確實具備一般的智力和常識，并不像我們知道的任何神經網絡。吳恩達表示機器學習在不到一秒內就可以做任何你所能做的事情。談論機器學習確實是在尋找隱喻，但我更喜歡這個隱喻：機器學習給你的其實是無限數量的實習生，或者無限數量的十歲孩童。

五年前，如果你給一臺計算機一堆照片，它所能做的，只是按照片尺寸大小排序。而一個十歲孩童，可以把這堆照片按男人和女人來分組，一個十五歲的少年可以按照“酷”和“不酷”來進行劃分照片，一個實習生可以指著某張照片說“這個人真的很有趣”。今天，有了機器學習的加持，計算機的能力將會與十歲孩童或者十五歲少年相仿。但它可能永遠不會達到實習生的水平。但是如果你有一百萬名十五歲的少年來一起來查看數據，你將會怎么做呢？你會接聽什么樣的電話，會瀏覽什么樣的圖像，會檢查哪些文件傳輸或用信用卡付款呢？

也就是說，機器學習不必與專家或者數十年的經驗或判斷相匹配。我們不是自動化專家。相反，我們要求的是：接聽所有的電話，找到那些憤怒的人；瀏覽十萬張照片，找到那些看上去很酷（或者至少看上去怪異）的人。

從某種意義上說，這就是自動化始終在做的事情；正如 Excel 并沒有給我們帶來人工會計師，Photoshop 和 Indesign 也沒有給我們帶來人工平面設計師，實際上，蒸汽機也沒有給我們帶來人造馬匹。（在早期的“人工智能”浪潮中，能夠對弈國際象棋的計算機并沒有給我們帶來一個裝在盒子里的、性情乖戾的俄國中年人。）相反，我們將一項離散任務大規模地自動化了。

如果這個隱喻被打破（就像所有的隱喻一樣），那么，在某些領域中，機器學習不僅能找到我們已經能夠識別的東西，而且還能找到人類無法識別的東西。DeepMind 的 AlphaGo 就是最好的例子。AlphaGo 不會像下國際象棋的計算機那樣去下圍棋：按照順序分析每一種可能的棋步。相反，它被賦予了規則，讓它自己嘗試制定策略，與自己下棋的次數，要比人類在有生之年所能下的棋還要多。也就是說，這并不是一千名實習生，而是一名非常非常快的實習生。如果你給實習生一千萬張照片，他們瀏覽完會說：“這很有趣，但當我看到第三百萬張照片時，這種模式才真正開始出現。”那么，哪些領域足夠窄又足夠深，以至于我們可以告訴一個機器學習系統規則（或者給它一個分數），只要查看所有數據，就能得出人類無法得出的新結果？

我花了很多時間去了解大公司，討論他們的技術需求，他們在機器學習方面通常有一些非常明顯的、可輕易實現的目標。既有很多明顯的分析和優化問題，也有很多明顯的圖像識別問題或音頻分析問題。同樣，我們討論自動駕駛汽車和混合現實的唯一原因就是機器學習（可能）讓它們能夠得以實現。但當我們討論織物上的起皺情況或客戶服務中心的情緒分析之后，這些公司接下來往往問道：“還有什么呢？”這將帶來什么其他的東西嗎？它會發現哪些我們不知道的未知事物呢？

在機器學習變得稀松平常之前，我們可能還有十到十五年的時間。