教會機器人學習

南露

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能時代，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(xiàn)智能化，也只能通過學習。機器學習起源于人工智能的一個分支，在這一領域，計算機科學試圖創(chuàng)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(tǒng)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，告訴他們怎么樣去處理一系列的輸入，然后產生相應的輸出。一個瀏覽器會跟蹤被瀏覽的網頁，然后對于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(fā)布了一款名為“深夢”的圖片識別應用軟件，這款軟件不僅可以識別圖像，而且可以利用圖像制造一些出人意料的奇幻景象。例如，你呈現(xiàn)一幅風景圖時，軟件會根據你的圖片進行分析，輸出一幅計算機眼中的風景圖。

這是怎么做到的呢？谷歌深夢的運作原理是通過模擬人類的神經元網絡，建立起計算機自己的神經網絡系統(tǒng)，通過神經元獲得物體的信息，從而進行分析。計算機的神經元網絡系統(tǒng)包含了上千個互動的神經元，以實現(xiàn)數(shù)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絡，例如給“深夢”軟件看許多圖片，并告訴每張圖片中的主體是什么，一旦“深夢”從上百個角度看過上百個狗頭一千次之后，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，雖然它們并不那么栩栩如生，但是也揭示了電腦處理圖像時的一種創(chuàng)造性，它已經不用人類監(jiān)督指導地學會了識別小貓、小狗的臉。

神經網絡的機器構造模仿了人類大腦，也充分發(fā)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(tài)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，都是神經網絡運作的具體應用。

今天，機器學習已經被成功地應用于更多領域，從檢測信用卡交易欺詐的數(shù)據挖掘程序，到獲取用戶閱讀興趣的信息過濾系統(tǒng)，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。

研究機器人學習的算法

機器學習能追溯到上世紀40年代二戰(zhàn)結束前后，得益于戰(zhàn)時交戰(zhàn)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(fā)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，并且可以用一種簡潔和明確的數(shù)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(shù)學形式根本就難以應付。或者說，人工編程的世界，與現(xiàn)實的人類世界偏差太遠，現(xiàn)實的世界不會那么有秩序和守規(guī)則。

例如，計算機預先以數(shù)學形式來表達馬有四條腿，但這會產生兩個問題。首先，電腦怎么樣去學會理解這個事實；其次，對于那些因意外而失去了一條腿的馬怎么辦。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。這就是為什么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(chuàng)造了自我編程系統(tǒng)，就可以對于他們自己的錯誤做出反應，并且不斷更新他們的內部狀態(tài)。人工編程中的漏洞在發(fā)布之前需要被檢查出來，而機器學習的運算法則能在過程之中不斷糾錯，比人工智能更加靈活、有智慧。

但怎么能讓機器學習呢？這就涉及到算法。可以說，算法是構建互聯(lián)網的核心，現(xiàn)在許多網絡搜索和溝通方式，都是基于設定好的數(shù)學公式構建起來的，比如谷歌搜索引擎、蘋果語音系統(tǒng)、Facebook。在信息時代，我們的生活實際上是被一些數(shù)學公式引導著，在醫(yī)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個當代計算機學習范式。其中，連接學習就是模仿人腦神經系統(tǒng)，建立起計算機人工神經網絡；符號推演法就是將問題或知識表示成某種邏輯網絡，采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(guī)則來實現(xiàn)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種學習范式還是過于復雜了，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(xiàn)有的算法公式統(tǒng)一成一個萬能算法。

萬能算法下的世界

多明戈斯構思了這樣一個萬能算法，它能將物理學、生物學上已經發(fā)現(xiàn)的理論和標準模型或者中心法則統(tǒng)一起來，同時，可以從數(shù)據中發(fā)現(xiàn)所有的知識，所有的人類現(xiàn)有的知識，也包括所有的未來的知識。例如，萬能算法可以從第谷·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(huán)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，萬能算法也將發(fā)揮類似大腦皮層的作用。它能在數(shù)據云的基礎上，學習和利用信息，改變現(xiàn)在呆板的計算機被動執(zhí)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(xiàn)在的網絡信息量龐雜，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(tǒng)也將得到徹底更新。現(xiàn)在，每個人會遇到許多的推薦信息。基于每個人留下的碎片化的數(shù)據，上百萬個推薦系統(tǒng)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么和沒買什么為你推薦書本；新浪會在你注冊時推薦上百個興趣群。但大多數(shù)人可能更需要的是一個更聰明的系統(tǒng)，能根據你上網產生的所有的數(shù)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(shù)據，但另一方面，也需要萬能算法，因為面對大量的數(shù)據，沒有公式也無法處理這些數(shù)據。

假如真能成功找到萬能算法，人工智能將真正實現(xiàn)。但對于未來這一智能圖景，還是不免會讓人擔憂。比如，機器學習能夠處理大多數(shù)的工作，世界將會有一個很大的失業(yè)群體，他們將怎么生存呢？會成為社會不穩(wěn)定之源嗎？假如人工智能被居心叵測的政治家們利用，世界還會太平嗎？

對于這些問題，萬能算法的倡導者佩德羅·多明戈斯并不擔憂，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(fā)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(huán)境也會變得越來越好，人類將會活的更久更快樂，也更有創(chuàng)造性。同時，人們不會出現(xiàn)在戰(zhàn)場上，機器人會親自出征，這些會防止人類因戰(zhàn)爭而致的傷殘。