機(jī)器學(xué)習(xí)正在改變我們的工作與生活

【研究方向】

包括信息檢索，自然語言處理，統(tǒng)計(jì)機(jī)器學(xué)習(xí)，及數(shù)據(jù)挖掘

機(jī)器學(xué)習(xí)是關(guān)于計(jì)算機(jī)基于數(shù)據(jù)構(gòu)建模型并運(yùn)用模型來模擬人類智能活動(dòng)的一門學(xué)科。隨著計(jì)算機(jī)與網(wǎng)絡(luò)的飛速發(fā)展，機(jī)器學(xué)習(xí)在我們的生活與工作中起著越來越大的作用，正在改變著我們的生活和工作。

日常生活中的機(jī)器學(xué)習(xí)

我們?cè)谌粘Ｉ罱?jīng)常使用數(shù)碼相機(jī)。你也許不知道，數(shù)碼相機(jī)上的人臉檢測(cè)技術(shù)是基于機(jī)器學(xué)習(xí)技術(shù)的！ 我認(rèn)識(shí)三位了不起的科學(xué)家與工程師，他們是Robert Schapire，Paul Viola，勞世竑。他們?nèi)欢寂c這有關(guān)。Robert與Yoav Freund一起發(fā)明了非常有效的機(jī)器學(xué)習(xí)算法AdaBoost。Paul將AdaBoost算法成功地應(yīng)用到人臉檢測(cè)。勞世竑和他領(lǐng)導(dǎo)的Omron團(tuán)隊(duì)將AdaBoost人臉檢測(cè)算法做到了芯片上。據(jù)說現(xiàn)在世界上有百分之六七十的數(shù)碼相機(jī)上的人臉檢測(cè)都是用Omron的芯片。

在我們的工作與生活中，這種例子曾出不窮。互聯(lián)網(wǎng)搜索、在線廣告、機(jī)器翻譯、手寫識(shí)別、垃圾郵件過濾等等都是以機(jī)器學(xué)習(xí)為核心技術(shù)的。

不久以前，機(jī)器學(xué)習(xí)國際大會(huì)（International Conference on Machine Learning，ICML 2011）在美國華盛頓州的Bellevue市舉行。約有7百多位科研人員、教授、學(xué)生參加，創(chuàng)造了歷史最高紀(jì)錄。大會(huì)的三個(gè)主題演講分別介紹了機(jī)器學(xué)習(xí)在微軟的Kinnect游戲機(jī)用戶感應(yīng)系統(tǒng)、谷歌的Goggles圖片搜索系統(tǒng)、IBM的 Watson自動(dòng)問答系統(tǒng)中的應(yīng)用。這些事實(shí)讓人預(yù)感到機(jī)器學(xué)習(xí)被更廣泛應(yīng)用的一個(gè)新時(shí)代的到來。

機(jī)器學(xué)習(xí)與人工智能

智能化是計(jì)算機(jī)發(fā)展的必然趨勢(shì)。人類從事的各種智能性活動(dòng)，如數(shù)學(xué)、美術(shù)、語言、音樂、運(yùn)動(dòng)、學(xué)習(xí)、游戲、設(shè)計(jì)、研究、教學(xué)等等，讓計(jì)算機(jī)做起來，現(xiàn)在還都是很困難的。這是幾十年來人工智能研究得到的結(jié)論。

人工智能研究中，人們?cè)鴩L試過三條路。我將它們稱之為外觀(extrospection)、內(nèi)省(introspection)和模擬(simulation)。

所謂外觀，指的是觀察人的大腦工作情況，探求其原理，解明其機(jī)制，從而在計(jì)算機(jī)上“實(shí)現(xiàn)”人類大腦的功能。比如，計(jì)算神經(jīng)學(xué)（computational neuroscience）的研究就是基于這個(gè)動(dòng)機(jī)的。然而，人腦的復(fù)雜信息處理過程很難觀測(cè)和模型化。就像我們僅僅觀測(cè)某個(gè)計(jì)算機(jī)內(nèi)的信號(hào)傳輸過程，很難判斷它正在做什么樣的計(jì)算一樣。

內(nèi)省就是反思自己的智能行為，將自己意識(shí)到的推理、知識(shí)等記錄到計(jì)算機(jī)上，從而“再現(xiàn)”人的智能，比如專家系統(tǒng)（expert system）的嘗試就屬于這一類。內(nèi)省的最大問題是它很難泛化，也就是舉一反三。無論是在什么樣的圖片中，甚至是在抽象畫中，人們能夠輕而易舉地找出其中的人臉。這種能力稱為泛化能力。通過內(nèi)省的方法很難使計(jì)算機(jī)擁有泛化能力。自己的智能原理，對(duì)人類來說很有可能是不可知的（agnostic）。籠子里的老鼠可能認(rèn)為觸動(dòng)把手是得到食物的“原因”，但它永遠(yuǎn)也不能了解到整個(gè)籠子的食物投放機(jī)制。

模擬就是將人的智能化操作的輸入與輸出記錄下來，用模型來模擬，使模型對(duì)輸入輸出給出同人類相似的表現(xiàn)，比如統(tǒng)計(jì)機(jī)器學(xué)習(xí)（statistical machine learning）。實(shí)踐表明，統(tǒng)計(jì)機(jī)器學(xué)習(xí)是實(shí)現(xiàn)計(jì)算機(jī)智能化這一目標(biāo)的最有效手段。統(tǒng)計(jì)學(xué)習(xí)最大的優(yōu)點(diǎn)是它具有泛化能力；而缺點(diǎn)是它得到的永遠(yuǎn)是統(tǒng)計(jì)意義下的最優(yōu)解（例如，人臉檢測(cè)）。現(xiàn)在當(dāng)人們提到機(jī)器學(xué)習(xí)時(shí)，通常是指統(tǒng)計(jì)機(jī)器學(xué)習(xí)或統(tǒng)計(jì)學(xué)習(xí)。

機(jī)器學(xué)習(xí)的優(yōu)缺點(diǎn)

下面看一個(gè)簡(jiǎn)單的例子。由這個(gè)例子可以說明統(tǒng)計(jì)學(xué)習(xí)的基本原理，以及由此帶來的優(yōu)缺點(diǎn)。

假設(shè)我們觀測(cè)到一個(gè)系統(tǒng)的輸出是一系列的1和0，要預(yù)測(cè)它的下一個(gè)輸出是什么。如果觀測(cè)數(shù)據(jù)中1和0各占一半，那么我們只能以0.5的準(zhǔn)確率做出預(yù)測(cè)。但是，如果我們同時(shí)觀測(cè)到這個(gè)系統(tǒng)有輸入，也是一系列的1和0，并且輸入是1時(shí)輸出是0的比例是0.9，輸入是0時(shí)輸出是1的比例也是0.9。這樣我們就可以從已給數(shù)據(jù)中學(xué)到“模型”，根據(jù)系統(tǒng)的輸入預(yù)測(cè)其輸出，并且把預(yù)測(cè)準(zhǔn)確率從0.5提高到0.9。以上就是統(tǒng)計(jì)學(xué)習(xí)，特別是監(jiān)督學(xué)習(xí)的基本想法。事實(shí)上，這是世界上最簡(jiǎn)單的統(tǒng)計(jì)機(jī)器學(xué)習(xí)模型！條件概率分布P(Y|X)，其中隨機(jī)變量X與Y表示輸入與輸出，取值1與0。可以認(rèn)為所有的監(jiān)督學(xué)習(xí)模型都是這個(gè)簡(jiǎn)單模型的復(fù)雜版。我們用這個(gè)模型根據(jù)給定的輸入特征，預(yù)測(cè)可能的輸出。

統(tǒng)計(jì)學(xué)習(xí)最大的優(yōu)點(diǎn)是它具有泛化能力，對(duì)于任意給定的X，它都能預(yù)測(cè)相應(yīng)的Y。Vapnik的統(tǒng)計(jì)學(xué)習(xí)理論還能對(duì)預(yù)測(cè)能力進(jìn)行分析，給出泛化上界。但從這個(gè)例子中也可以看到統(tǒng)計(jì)學(xué)習(xí)的預(yù)測(cè)準(zhǔn)確率是不能保證100%的。比如，人臉檢測(cè)會(huì)出錯(cuò)，漢語分詞會(huì)出錯(cuò)。

統(tǒng)計(jì)學(xué)習(xí)是“鄉(xiāng)下人”的辦法。有個(gè)笑話。一個(gè)鄉(xiāng)下人進(jìn)城，到餐館吃飯，不知如何在餐館用餐，就模仿旁邊的人。別人做什么，他也就學(xué)著做什么。鄰桌的一位故意戲弄他，將桌上的蠟燭卷在餅里，趁鄉(xiāng)下人不注意時(shí)把蠟燭扔到地上，然后咬了一口卷著的餅。鄉(xiāng)下人也跟著學(xué)，大咬了一口自己的餅。統(tǒng)計(jì)學(xué)習(xí)只是根據(jù)觀測(cè)的輸入與輸出，“模仿”人的智能行為。有時(shí)能夠顯得非常智能化。但它本質(zhì)上只是基于數(shù)據(jù)的，是統(tǒng)計(jì)平均意義下的“模仿”。如果觀測(cè)不到關(guān)鍵的特征，它就會(huì)去“咬卷著蠟燭的餅”。

機(jī)器學(xué)習(xí)與互聯(lián)網(wǎng)搜索

我與同事們?cè)趶氖禄ヂ?lián)網(wǎng)搜索相關(guān)的研究。據(jù)調(diào)查，60%的互聯(lián)網(wǎng)用戶每天至少使用一次搜索引擎，90%的互聯(lián)網(wǎng)用戶每周至少使用一次搜索引擎。搜索引擎大大提高了人們工作、學(xué)習(xí)以及生活的質(zhì)量。而互聯(lián)網(wǎng)搜索的基本技術(shù)中，機(jī)器學(xué)習(xí)占據(jù)著重要的位置。

在我看來，互聯(lián)網(wǎng)搜索有兩大挑戰(zhàn)和一大優(yōu)勢(shì)。挑戰(zhàn)包括規(guī)模挑戰(zhàn)與人工智能挑戰(zhàn)；優(yōu)勢(shì)主要是規(guī)模優(yōu)勢(shì)。

規(guī)模挑戰(zhàn)：比如，搜索引擎能看到trillion量級(jí)的URL，每天有幾億、幾十億的用戶查詢，需要成千上萬臺(tái)的機(jī)器抓取、處理、索引網(wǎng)頁，為用戶提供服務(wù)。這需要系統(tǒng)、軟件、硬件等多方面的技術(shù)研發(fā)與創(chuàng)新。

人工智能挑戰(zhàn)：搜索最終是人工智能問題。搜索系統(tǒng)需要幫助用戶盡快、盡準(zhǔn)、盡全地找到信息。這從本質(zhì)上需要對(duì)用戶需求（如查詢語句），以及互聯(lián)網(wǎng)上的文本、圖像、視頻等多種數(shù)據(jù)進(jìn)行“理解”。現(xiàn)在的搜索引擎通過關(guān)鍵詞匹配以及其他“信號(hào)”，能夠在很大程度上幫助用戶找到信息。但是，還是遠(yuǎn)遠(yuǎn)不夠的。

規(guī)模優(yōu)勢(shì)：互聯(lián)網(wǎng)上有大量的內(nèi)容數(shù)據(jù)，搜索引擎記錄了大量的用戶行為數(shù)據(jù)。這些數(shù)據(jù)能夠幫助我們找到看似很難找到的信息。比如，“紐約市的人口是多少”，“約市的人口是多少”，“春風(fēng)又綠江南岸 作者是誰”。注意這些數(shù)據(jù)都是遵循冪函數(shù)分布的。它們能幫助Head（高頻）需求，對(duì) tail（低頻）需求往往是困難的。所以，對(duì)tail來說人工智能的挑戰(zhàn)就更顯著。

現(xiàn)在的互聯(lián)網(wǎng)搜索在一定程度上能夠滿足用戶信息訪問的一些基本需求。這歸結(jié)于許多尖端技術(shù)包括機(jī)器學(xué)習(xí)技術(shù)的成功開發(fā)與應(yīng)用，比如排序?qū)W習(xí)算法、網(wǎng)頁重要度算法等等。這些機(jī)器學(xué)習(xí)算法在一定程度上能夠利用規(guī)模優(yōu)勢(shì)去應(yīng)對(duì)人工智能挑戰(zhàn)。

但是、當(dāng)今的互聯(lián)網(wǎng)搜索距離 “有問必答，且準(zhǔn)、快、全、好”這一理想還是有一定距離的。這就需要開發(fā)出更多更好的機(jī)器學(xué)習(xí)技術(shù)解決人工智能的挑戰(zhàn)，特別是在tail中的挑戰(zhàn)。

展望未來，機(jī)器學(xué)習(xí)技術(shù)的研究與開發(fā)會(huì)幫助我們讓明天更美好！