作者：阿米特·V. 喬希（Ameet V Joshi）
來源：華章科技
艾倫·圖靈（Alan Turing）對(duì)人工智能的定義如下：
如果窗簾后面有一臺(tái)機(jī)器，并且有人正在與之互動(dòng)（無論以何種方式，例如音頻或打字等），并且如果該人覺得他正在與另一個(gè)人互動(dòng)，那么這臺(tái)機(jī)器就是人工智能的。
這是定義AI的一種非常獨(dú)特的方式。它并不直接針對(duì)智能的概念，而是專注于類人的行為。事實(shí)上，這一目標(biāo)的范圍甚至比單純的智能更為廣泛。從這個(gè)角度來看，AI并不意味著要建造一臺(tái)可以立即解決任何問題的超智能機(jī)器，而是要建造一臺(tái)能模仿人類行為的機(jī)器。
然而，僅僅制造模仿人類的機(jī)器聽起來并不有趣。從現(xiàn)代角度來看，每當(dāng)我們談到AI時(shí)，指的是能夠執(zhí)行以下一項(xiàng)或多項(xiàng)任務(wù)的機(jī)器：理解人類語言，執(zhí)行涉及復(fù)雜操縱的機(jī)械任務(wù)，在很短的時(shí)間內(nèi)解決可能涉及大量數(shù)據(jù)的基于計(jì)算機(jī)的復(fù)雜問題，并以類人的方式回復(fù)答案，等等。
電影《2001：太空漫游》中描述的超級(jí)計(jì)算機(jī)HAL非常接近現(xiàn)代AI的觀點(diǎn)。它是一臺(tái)機(jī)器，能夠處理各種來源的大量數(shù)據(jù)，并以極快的速度生成對(duì)其的見解和總結(jié)，并且能夠以類人的交互方式（如語音對(duì)話）將這些結(jié)果傳達(dá)給人類。
從類人行為的角度來看，人工智能有兩個(gè)方面。一方面，機(jī)器是智能的并且能夠與人類交流，但是沒有任何運(yùn)動(dòng)功能。HAL就是這類人工智能的例子。另一方面，涉及與類人的運(yùn)動(dòng)能力的物理交互，這涉及機(jī)器人領(lǐng)域。
術(shù)語“機(jī)器學(xué)習(xí)”或簡(jiǎn)稱ML（Machine Learning），是亞瑟·塞繆爾（Arthur Samuel）在1959年用機(jī)器解決跳棋游戲的背景下提出的。該術(shù)語指的是一種計(jì)算機(jī)程序，它可以學(xué)習(xí)產(chǎn)生一種行為，而這種行為不是由程序的作者明確編程實(shí)現(xiàn)的。相反，它能夠顯示出作者可能完全沒有意識(shí)到的行為。
這種行為的學(xué)習(xí)基于三個(gè)因素：
可以看出，第二個(gè)和第三個(gè)因素很快使這個(gè)概念變得抽象，并強(qiáng)調(diào)其深層的數(shù)學(xué)根源。機(jī)器學(xué)習(xí)理論中的方法對(duì)于構(gòu)建人工智能系統(tǒng)至關(guān)重要。
機(jī)器學(xué)習(xí)算法大致分為三種類型：
讓我們?cè)敿?xì)了解每種類型。
為簡(jiǎn)單起見，讓我們將機(jī)器學(xué)習(xí)系統(tǒng)看作一個(gè)黑盒，在給定一些輸入時(shí)會(huì)產(chǎn)生些輸出。如果我們已經(jīng)有一個(gè)歷史數(shù)據(jù)，該歷史數(shù)據(jù)包含一組輸入的一組輸出，則基于這些數(shù)據(jù)的學(xué)習(xí)稱為監(jiān)督學(xué)習(xí)。
監(jiān)督學(xué)習(xí)的一個(gè)經(jīng)典示例是分類。假設(shè)我們已經(jīng)測(cè)量了3種不同類型的花（ Setosa山鳶尾、 Versicolor變色鳶尾、 Virginica弗吉尼亞鳶尾）的4種不同的屬性（尊片長(zhǎng)度、尊片寬度、花瓣長(zhǎng)度和花瓣寬度）。
我們對(duì)每種花的25種不同示例進(jìn)行了測(cè)量。然后，這些數(shù)據(jù)將用作訓(xùn)練數(shù)據(jù)，其中有可用于訓(xùn)練模型的輸入（4個(gè)測(cè)量的屬性）和相應(yīng)的輸出（花的類型）。然后以監(jiān)督的方式訓(xùn)練合適的機(jī)器學(xué)習(xí)模型。一旦模型被訓(xùn)練好，就可以根據(jù)萼片和花瓣的尺寸對(duì)任何花（在三種已知類型之間）進(jìn)行分類。
在無監(jiān)督學(xué)習(xí)范式中，標(biāo)記數(shù)據(jù)是不可用的。無監(jiān)督學(xué)習(xí)的一個(gè)經(jīng)典例子是“聚類”。考慮與前面小節(jié)中描述的相同示例，在該示例中，我們對(duì)三種類型的花的萼片和花瓣尺寸進(jìn)行了測(cè)量。但是，在本例中，我們沒有每組測(cè)量的花的確切名稱。我們所擁有的只是一組測(cè)量值。此外，我們被告知這些測(cè)量值屬于三種不同類型的花。
在這種情況下，可以使用無監(jiān)督學(xué)習(xí)技術(shù)自動(dòng)識(shí)別三組測(cè)量值（所屬的）類簇。但是，由于標(biāo)簽未知，我們所能做的就是將每個(gè)類簇稱為flower-type-1、flower-type-2和flower-type-3。如果給出一組新的測(cè)量值，我們可以找到它們最接近的類簇，并將它們歸類為其中之一。
強(qiáng)化學(xué)習(xí)是一種特殊的學(xué)習(xí)方法，需要與監(jiān)督和無監(jiān)督方法分開對(duì)待。強(qiáng)化學(xué)習(xí)涉及來自環(huán)境的反饋，因此它并不是完全無監(jiān)督的，但是，它也沒有一組可用于訓(xùn)練的標(biāo)記樣本，因此不能將其視為有監(jiān)督的。在強(qiáng)化學(xué)習(xí)方法中，系統(tǒng)不斷地與環(huán)境進(jìn)行交互以尋求產(chǎn)生期望的行為，并從環(huán)境中獲取反饋。
劃分機(jī)器學(xué)習(xí)方法的另一種方式是根據(jù)它們處理的數(shù)據(jù)類型進(jìn)行分類。接收靜態(tài)標(biāo)記數(shù)據(jù)的系統(tǒng)稱為靜態(tài)學(xué)習(xí)方法。處理隨時(shí)間不斷變化的數(shù)據(jù)的系統(tǒng)稱為動(dòng)態(tài)方法。每種方法都可以是有監(jiān)督的，也可以是無監(jiān)督的，但是，強(qiáng)化學(xué)習(xí)方法始終是動(dòng)態(tài)的。
靜態(tài)學(xué)習(xí)是指對(duì)作為單個(gè)快照獲取的數(shù)據(jù)進(jìn)行學(xué)習(xí)，并且數(shù)據(jù)的屬性隨時(shí)間保持不變。一旦在數(shù)據(jù)上訓(xùn)練了模型（使用監(jiān)督學(xué)習(xí)或無監(jiān)督學(xué)習(xí)），就可以在將來的任何時(shí)間將訓(xùn)練后的模型應(yīng)用于類似的數(shù)據(jù)，而且該模型仍然有效，并將按預(yù)期執(zhí)行。典型的例子是不同動(dòng)物的圖像分類。
這也稱為基于時(shí)間序列的學(xué)習(xí)。這類問題中的數(shù)據(jù)對(duì)時(shí)間敏感，會(huì)隨著時(shí)間不斷變化。因此，模型訓(xùn)練不是一個(gè)靜態(tài)的過程，而是需要不斷地（或在每個(gè)合理的時(shí)間窗口之后）對(duì)模型進(jìn)行訓(xùn)練，以保持有效。
此類問題的典型例子是天氣預(yù)報(bào)或股票市場(chǎng)預(yù)測(cè)。一年前訓(xùn)練過的模型對(duì)于預(yù)測(cè)明天的天氣或預(yù)測(cè)明天任何股票的價(jià)格將完全無用。兩種類型的根本區(qū)別在于狀態(tài)的概念。在靜態(tài)模型中，模型的狀態(tài)是不變的，而在動(dòng)態(tài)模型中，模型的狀態(tài)是時(shí)間的函數(shù)，它在不斷變化。
在處理各種數(shù)據(jù)集時(shí)，維數(shù)通常是一個(gè)令人困惑的概念。從物理角度看，維度是空間維度：長(zhǎng)度、寬度和高度。（為了簡(jiǎn)單起見，我們不把時(shí)間當(dāng)作第四維度來深入研究物理學(xué)。）在任何現(xiàn)實(shí)生活的場(chǎng)景中，我們遇到的都不超過這三個(gè)維度。
但是，當(dāng)我們處理用于機(jī)器學(xué)習(xí)的數(shù)據(jù)時(shí)，通常有幾十個(gè)、數(shù)百個(gè)甚至更多個(gè)維度。為了理解這些高維度，我們需要研究維度的基本性質(zhì)。
空間維度的定義使得每個(gè)維度都與其他兩個(gè)維度垂直或正交。這種正交性對(duì)于三維空間中的所有點(diǎn)都有唯一表示至關(guān)重要。如果維度不是互相正交的，則空間中的相同點(diǎn)可以具有多種表示形式，并且基于此的整個(gè)數(shù)學(xué)計(jì)算將失敗。
例如，如果我們將三個(gè)坐標(biāo)設(shè)置為長(zhǎng)度、寬度和高度，并具有任意的原點(diǎn)（原點(diǎn)的精確位置僅會(huì)更改坐標(biāo)值，但不會(huì)影響唯一性屬性，因此只要它在整個(gè)計(jì)算過程中保持不變，任何原點(diǎn)的選擇都是可以的。）
坐標(biāo)（0,0,0）標(biāo)記原點(diǎn)本身的位置。坐標(biāo)（1,1,1）將標(biāo)記一個(gè)點(diǎn)空間，該點(diǎn)空間在每個(gè)維度中均距原點(diǎn)1個(gè)單位，并且是唯一的。沒有其他坐標(biāo)系可以表示空間中的相同位置。
現(xiàn)在，讓我們將這個(gè)概念擴(kuò)展到更高的維度。在數(shù)學(xué)上添加更多的維度相對(duì)容易，但是很難在空間上可視化它們。如果我們添加第四個(gè)維度，則它必須與之前的所有三個(gè)維度都正交。在這樣的四維空間中，原點(diǎn)的坐標(biāo)為（0,0,0,0）。三維空間中的點(diǎn)（1,1,1）可以在四維空間中具有坐標(biāo)（1,1,1,0）。
只要確保正交性，就可以保證坐標(biāo)的唯一性。同樣地，我們可以有任意數(shù)量的維度，所有的數(shù)學(xué)計(jì)算仍然成立。
考慮前面描述的鳶尾花數(shù)據(jù)示例。輸入有4個(gè)特征：萼片和花瓣的長(zhǎng)度和寬度。由于這4個(gè)特征相互獨(dú)立，所以它們可以看作是正交的。因此，當(dāng)使用鳶尾花數(shù)據(jù)解決問題時(shí)，我們實(shí)際上是在處理四維輸入空間。
即使從數(shù)學(xué)的角度來看，增加任意數(shù)量的維度都是可以的，但是仍然存在一個(gè)問題。隨著維度的增加，數(shù)據(jù)的密度呈指數(shù)下降。
例如，如果我們?cè)谟?xùn)練數(shù)據(jù)中有1000個(gè)數(shù)據(jù)點(diǎn)，并且數(shù)據(jù)具有3個(gè)獨(dú)有的特征。假設(shè)所有特征的值在1～10之間。所有這1000個(gè)數(shù)據(jù)點(diǎn)都位于一個(gè)大小為10×10×10的立方體中。因此，密度為1000/1000或每單位立方體1個(gè)樣本。如果有5個(gè)獨(dú)有的特征而不是3個(gè)，那么數(shù)據(jù)的密度很快就會(huì)下降到每單位5維立方體0.01個(gè)樣本。
數(shù)據(jù)的密度很重要，因?yàn)?strong>數(shù)據(jù)的密度越高，找到一個(gè)好模型的可能性就越大，模型準(zhǔn)確性的置信度就越高。如果密度很低，則使用該數(shù)據(jù)的訓(xùn)練模型的置信度就會(huì)很低。因此，盡管高維在數(shù)學(xué)上是可以接受的，但是人們需要注意維數(shù)，以便能夠開發(fā)出具有高置信度的良好的機(jī)器學(xué)習(xí)模型。
在開發(fā)和應(yīng)用機(jī)器學(xué)習(xí)模型時(shí)，總是會(huì)遇到多種可能的解決方案和多種可能的方法來獲得答案。很多時(shí)候，對(duì)于哪種解決方案或哪種方法比其他方法更好，沒有任何理論指導(dǎo)。在這種情況下，奧卡姆剃刀原理的概念（有時(shí)也稱為簡(jiǎn)約原則）可以有效地應(yīng)用。該原理指出：
一個(gè)人不應(yīng)該做出超過最低需求的假設(shè)，或者換句話說，當(dāng)一個(gè)解決方案有多種選擇時(shí)，最簡(jiǎn)單的方法就是最好的。
這個(gè)原理不完全是一個(gè)定理，不能作為一個(gè)定量規(guī)則或方程來應(yīng)用。但是，在現(xiàn)實(shí)生活中做出這樣的決定時(shí)，它是一個(gè)強(qiáng)有力的有效的概念指南。
還需要注意的是，這條規(guī)則創(chuàng)建了一種折中的形式，一方面，我們擁有更多復(fù)雜性形式的信息，另一方面，我們卻擁有更少的簡(jiǎn)單性形式的信息。人們不應(yīng)該過于簡(jiǎn)單化問題，以致丟失一些核心信息。奧卡姆剃刀原理的另一個(gè)衍生方面是更簡(jiǎn)單的解決方案往往具有更多的泛化能力。
在設(shè)計(jì)機(jī)器學(xué)習(xí)系統(tǒng)時(shí)，需要注意的另一個(gè)有趣的概念來自Wolpert和Macready的論文，其形式是“沒有免費(fèi)的午餐”定理或優(yōu)化中的NFL定理。該定理實(shí)質(zhì)上指出：
如果一個(gè)算法在某類問題上表現(xiàn)得更好，那么它會(huì)以在其他類別的問題上性能下降的形式付出代價(jià)。換句話說，對(duì)于所有類型的問題，你都無法擁有單一最佳的解決方案。
這個(gè)定理需要更多地作為指導(dǎo)原則而不是定律，因?yàn)樵谒锌赡艿膯栴}類別中，一個(gè)設(shè)計(jì)良好的算法完全有可能勝過其他設(shè)計(jì)不太好的算法。但是，在實(shí)際情況下可以從這個(gè)定理推斷出，我們不能對(duì)所有的問題都采用同一個(gè)解決方案，并期望它在所有的情況下都能很好地工作。
收益遞減規(guī)律通常出現(xiàn)在經(jīng)濟(jì)和商業(yè)場(chǎng)景中。它指出，隨著現(xiàn)有員工人數(shù)的增加，增加更多的員工來完成一項(xiàng)工作開始產(chǎn)生越來越少的收益。
從機(jī)器學(xué)習(xí)的角度來看，這一規(guī)律可以應(yīng)用于特征工程。從給定的數(shù)據(jù)集中，人們只能提取一定數(shù)量的特征，在此之后，性能上的收益開始減少，付出的努力是不值得的。在某些方面，它與奧卡姆剃刀原理一致，并增加了更多的細(xì)節(jié)。
在機(jī)器學(xué)習(xí)開始真正意義上的商業(yè)化之前，很少有其他系統(tǒng)已經(jīng)突破常規(guī)計(jì)算的邊界。其中一個(gè)顯著的應(yīng)用是專家系統(tǒng)。
艾倫·圖靈的定義標(biāo)志著機(jī)器智能被認(rèn)可的時(shí)代的開始，人工智能領(lǐng)域也隨之誕生。然而，在早期（一直到20世紀(jì)80年代），機(jī)器智能或機(jī)器學(xué)習(xí)領(lǐng)域僅限于所謂的專家系統(tǒng)或基于知識(shí)的系統(tǒng)。專家系統(tǒng)領(lǐng)域的頂尖專家之一，Edward Feigenbaum博士，曾經(jīng)這樣定義專家系統(tǒng)：
一種智能計(jì)算機(jī)程序，使用知識(shí)和推理過程來解決很難解決的以至于需要大量的人類專業(yè)知識(shí)才能解決的問題。
這種系統(tǒng)能夠替代某些領(lǐng)域的專家。這些機(jī)器經(jīng)過編程，用于執(zhí)行基于復(fù)雜邏輯運(yùn)算的復(fù)雜啟發(fā)式任務(wù)。
盡管這些系統(tǒng)能夠取代特定領(lǐng)域的專家，但如果我們將其與人類智能進(jìn)行比較，就會(huì)發(fā)現(xiàn)它們并不是真正意義上的“智能”系統(tǒng)。原因是系統(tǒng)被“硬編碼”為僅解決特定類型的問題，如果需要解決一個(gè)更簡(jiǎn)單但完全不同的問題，這些系統(tǒng)將很快變得完全無用。
盡管如此，這些系統(tǒng)還是非常流行和成功的，特別是在需要重復(fù)但高度精確的性能的領(lǐng)域，例如診斷、檢查、監(jiān)測(cè)和控制。
聯(lián)系客服
