智能即算法：終極算法與機器學習

林永青

驚恐的算法登場

最早讓人們最深切地體會到計算機算法威力的，不是圍棋機器人，而是華爾街的股票分析算法（軟件）。

2010年5月6日早上，全球股市受希臘動蕩局勢的拖累而走低。很多人擔心希臘債務違約在所難免，并且會引發(fā)全球經(jīng)濟蕭條。紐約時間上午10點左右，美國股市大跌2.5%，損失慘重。

事情很快由糟糕透頂發(fā)展成令人費解。當日美國東部時間下午2點42分，股市劇烈波動后進入自由落體狀態(tài)。2點47分，僅僅300秒之后，道瓊斯指數(shù)下跌達998.5點，為其有史以來最大單日跌幅。全球最受重視的股票指數(shù)道瓊斯工業(yè)平均指數(shù)的走勢看起來就像是被人惡搞了一樣。近1萬億美元的財富就這樣蒸發(fā)了。

某些股票每股購入價狂跌至1美分，但卻在數(shù)秒之內又反彈回30美元或40美元。美股陷入劇烈動蕩，無人知曉原因，不管問題出在哪里，總之不能全部歸結到某個有嚴重錯誤的交易單或是某個流氓交易員。動蕩來得如此迅疾，有些交易員或許就在上個廁所或喝杯咖啡的時間里，就完全錯過了千點大跌又急速反彈的一幕。

閃電崩盤的確切成因，仍然眾說紛紜。有人把矛頭指向堪薩斯城的一位財富投資經(jīng)理人，他的算法過快出售掉價值40億美元的股指期貨，導致其他算法跟風。有人指責一伙不明交易商合謀共同利用算法打壓股價。有人認為這不過是老式的恐慌造成的，跟1929年的大崩盤不無相似之處。然而可以肯定的是，如果不是因為不受人類管束的算法占據(jù)了市場，不到1秒內獨立下單并完成交易，股價波動幅度不可能如此之大，波動速度也不可能如此之快。但這樣的算法確實統(tǒng)治了市場。

算法通常都是按設定好的方式運行，有的安靜地交易，有的根據(jù)供需關系給商品定價。但算法一旦處于失控的狀態(tài)，我們便會弄不清誰或是什么在幕后操縱。算法在不知不覺中悄悄侵入我們的世界，直到閃電崩盤使我們驚醒！這讓算法上了晚間新聞，它也很快地出現(xiàn)在關于約會、購物、娛樂和就醫(yī)等任何你可以想得到的領域的故事中。閃電崩盤只是預示了一個更大的趨勢：算法掌控一切。

理解算法

佩德羅·多明戈斯（Pedro Domingos）是美國華盛頓大學計算機科學教授，加州大學歐文分校信息與計算機科學博士，在機器學習與數(shù)據(jù)挖掘方面著有200多部專業(yè)著作和數(shù)百篇論文。他在自己的《終極算法》一書中開篇就直截了當?shù)靥岢鰜怼八兄R都可以通過一個單一的終極算法來獲得”。

人工智能的起源時期，最初的主流研究方向是“神經(jīng)網(wǎng)絡”。那時，人們認為通過研究人類大腦的“仿生學”方法，可以找到機器智能的出路，結果卻是機器學習的另一方向——算法——后來居上。從今天人工智能各個研究方向的發(fā)展來看，都離不開算法，將智能定義為算法，大致上是準確的。

如果終極算法存在

算法（Algorithm）原指對解題方案準確而完整的描述，是一系列解決問題的清晰指令，算法代表著用系統(tǒng)的方法描述解決問題的策略機制。也就是說，能夠通過對一定規(guī)范的輸入，在有限時間內獲得所要求的輸出。如果一個算法有缺陷，或不適合于某個問題，執(zhí)行這個算法將不會解決這個問題。不同的算法可能用不同的時間、空間或效率來完成同樣的任務。一個算法的優(yōu)劣可以用空間復雜度與時間復雜度來衡量。

對全部算法的理解過于技術化，不容易理解，但我們可以舉兩個重要的算法思想，以管中窺豹，建立一些認知。

比如，窮舉法，或稱為暴力破解法。基本思路是，對要解決的問題，列舉出所有可能的情況，逐個判斷有哪些是符合問題所要求的條件，從而得到問題的解。它常用于密碼破譯，即對密碼逐個推算直到找出真正的密碼為止。例如一個四位并且全部由數(shù)字組成的密碼，其可能有的組合會有上萬種，由此，試過相應的次數(shù)就能找到正確的密碼。理論上利用這種方法可以破解任何一種密碼，問題只在于如何縮短試錯時間。因此有人運用計算機來增加效率，有人輔以字典來縮小密碼組合的范圍。

再比如遞歸法。程序調用自身的編程技巧稱為遞歸（recursion）。它通常把一個大型復雜的問題層層轉化為一個與原問題相似的規(guī)模較小的問題來求解，遞歸策略只需少量的程序就可描述出解題過程所需要的多次重復計算，大大地減少了程序的代碼量。遞歸的能力在于用有限的語句來定義對象的無限集合。遞歸法可以類比索羅斯對金融市場的反身性研究，即股市參與者對每一次股票交易的定價和心理預期，又“反身性”地影響了股票的價格，即人類觀察者自身對于觀察對象有著實質的影響。可以說，機器算法自身，也是個“生命體”。因為時間維度的存在，當一個算法變量要開始計算反饋時，變量本身已經(jīng)開始變化了。

今天，不同于傳統(tǒng)算法，悄然主導我們生活的是“能夠學習的機器”，它們通過學習人們瑣碎的數(shù)據(jù)，來執(zhí)行任務；它們甚至在人們還沒提出要求時，就能“預知”到我們想做的事。《終極算法》中說：“如果這種終極算法存在，那么它將可以通過數(shù)據(jù)獲得世界上過去、現(xiàn)在、未來的所有知識。這個算法的發(fā)明將會是科學史最偉大的進步之一。”

機器學習，自我建構的技術

和算法一樣，在我們幾乎還不知情的時候，機器學習已經(jīng)就在我們身邊了。當我們把查詢信息輸入搜索引擎，它確定該顯示哪些搜索結果（包括顯示哪些廣告）；當我們打開郵箱時，大部分垃圾郵件已經(jīng)被屏蔽，因為計算機已經(jīng)把這些垃圾郵件過濾了；我們登錄亞馬遜網(wǎng)站購買一本書，或登錄網(wǎng)飛（Netflix）公司網(wǎng)站觀看視頻，機器學習系統(tǒng)會推薦一些我們可能喜歡的產(chǎn)品；臉書（Facebook）利用機器學習決定該向你展示哪些更新，推特（Twitter）也同樣會決定顯示哪些文章。

機器學習正在重塑科學、技術、商業(yè)、政治以及戰(zhàn)爭。衛(wèi)星、DNA（脫氧核糖核酸）測序儀以及粒子加速器以前所未有的精細程度探索自然，同時，學習算法將龐大的數(shù)據(jù)轉變成新的科學知識。企業(yè)從未像現(xiàn)在這樣了解自己的用戶。在美國大選中，擁有最佳選舉模型的候選人奧巴馬最終戰(zhàn)勝了對手羅姆尼，獲得了競選勝利。無人駕駛汽車、輪船、飛機分別在陸地、海面、空中進行生產(chǎn)前測試。學習算法通過匯總你過去的購買經(jīng)歷就能確定你的喜好。谷歌的無人駕駛汽車，是因為配有學習算法的汽車能通過觀察司機的操作來掌握開車技能。

傳統(tǒng)上認為，讓計算機完成某件事情的唯一方法（從把兩個數(shù)相加到駕駛飛機），就是非常詳細地記錄某個算法并解釋其如何運行。但機器學習算法不一樣，它是通過從數(shù)據(jù)中推斷，它們自己會弄明白做事方法。掌握的數(shù)據(jù)越多，它們的工作就越順利，無需給計算機編程，它們自己給自己編程。

機器學習是“太陽底下的新鮮事”——一種能夠構建自我的技術。從遠古祖先學會打磨石頭開始，人類就一直在設計工具，無論這些工具是手工完成的，還是大批量生產(chǎn)的。算法本身也屬于工具，可以用它們來設計其他工具。“計算機毫無用處，”畢加索說，“它們只能給你提供答案。”計算機并沒有創(chuàng)造性，它們只能做你讓它們做的事。如果你告訴它們要做的事涉及創(chuàng)造力，那么就要用到機器學習。學習算法就像技藝精湛的工匠，它生產(chǎn)的每個產(chǎn)品都不一樣，而且專門根據(jù)顧客的需要精細定制。但是不像把石頭變成磚、把金子變成珠寶，學習算法是把數(shù)據(jù)變成算法。它們掌握的數(shù)據(jù)越多，算法也就越精準。

現(xiàn)代人希望讓世界來適應自己，而不是改變自己來適應世界。機器學習是100萬年傳奇中最新的篇章。其核心就是預測：預測我們想要什么，預測我們行為的結果，預測如何能實現(xiàn)我們的目標，預測世界將如何改變。從前，我們依賴巫醫(yī)和占卜師進行預測，但他們太不可靠；科學的預測就更值得信賴，但也僅限于我們能系統(tǒng)觀察和易于模仿的事物，大數(shù)據(jù)和機器學習卻大大超出這個范圍。我們可通過獨立的思維來預測一些常見的事情，包括接球和與人對話，但有些事情，即便我們很努力，也無法預測。可預測與難以預測之間的巨大鴻溝，也許可以交給機器學習來填補。（作者為價值中國創(chuàng)始人、價值家創(chuàng)始人）