淺談對基于機器學習的人工智能的理解

李健

【摘 要】人工智能學科自1956年誕生以來，便長期處于計算機學科的前沿地位。但由于標準的、規范的定義的缺失，以及部分影視作品的影響，使得大眾對人工智能的理解是片面的，錯誤的。筆者認為當代人工智能的發展的一個重要分支是基于機器學習與深度學習的弱人工智能，即使機器在完成任務時，更“聰明”一些。

【Abstract】Since the birth of artificial intelligence discipline in 1956， it has been in the forefront of computer science for a long time. However， due to the lack of standard and normative definitions and the influence of some films and TV works， the public understanding of artificial intelligence is one-sided and wrong. The author believes that an important branch of the development of modern artificial intelligence is the weak artificial intelligence based on machine learning and depth learning， which makes machines accomplish their missions more “wisely”.

【關鍵詞】人工智能；圖靈測試 ；機器學習；大數據 ；數據挖掘

【Keywords】artificial intelligence； turing test； machine learning； big data； data mining

【中圖分類號】TP181 【文獻標志碼】A 【文章編號】1673-1069（2017）07-0192-03

1 引言

人工智能（Artificial Intelligence）是目前引領計算機行業發展的重要力量之一，圖靈獎更是于2010年與2011年，連續兩年度均授予了為人工智能做出突出貢獻的科學家萊斯利·瓦倫特和朱迪亞·珀爾。然而就是這樣一個計算機科學領域的重要分支，自學科誕生以來便沒有一個明確的定義。

人工智能學科一路走來歷經了三個重要的階段：推理期、知識期以及當前流行的學習期。

首當其沖的便是推理期。很長一段時間，我們把邏輯推理能力作為人工智能的重要衡量標準。在這一時期，最有代表性的成就便是艾倫·紐厄爾和赫伯特·西蒙開發的自動定理證明系統，后來這兩位也因為這個貢獻加冕了1975年的圖靈獎。

第二個時期便是知識期。人們很快發現，僅有邏輯推理能力是遠遠不夠的，還需要輔以大量的知識儲備。于是專家系統應運而生。圖1為一般專家系統的結構框架。

為專家系統做出突出貢獻的愛德華·費根鮑姆榮獲1994年的圖靈獎。時至今日，專家系統依然是絕大多數服務類軟件的基礎架構。

第三階段也便是我們所熟知的當前空前繁榮的機器學習時期。專家系統問世后不久人們便發現，如何建模將知識傳遞給專家系統成為了最大的難題[1]。學習無疑是獲取知識的最有效途徑，因此機器學習的概念便應運而生。

機器學習這一概念自誕生以來便受到各行業人士的追捧。一篇發表于《Computer World》中的文章詳盡的解析了雇主們無法拒絕的12項計算機相關技能時，機器學習力壓群雄奪得榜首。

隨著大數據時代的到來，所需處理的數據規模也越來越大，機器學習也逐步滲透到了人們生活工作的方方面面。圖2為大規模機器學習流程的構建與部署。2人工智能與圖靈測試

2.1 人工智能的定義

人工智能（Artificial Intelligence）自學科誕生以來便沒有一個明確的定義，縱觀整個自然科學的發展史也是鮮有出現的。

IQ測試是評價一個人智力水平的重要指標之一；但所有智商測試的題目計算機均可以回答的近乎完美，然而我們并不認為計算機具有了智能。記憶力同樣是衡量一個人智力水準的因素之一；計算機的存儲能力遠超目前人類記憶的極限，我們卻也難說計算機具有了智能。數學水平與計算能力一度等同于“智商”二字，而計算機的計算能力人類始終難以望其項背，我們也從未以此來說明計算機具有了智能。究竟什么是人工智能？究竟什么是智能？1969年圖靈獎得主馬文·明斯基定義為：“什么事情是智能的，通過機器來做就是人工智能。”這一定義并沒有得到計算機人的廣泛認可[2]。隨后，著名數學家、計算機科學家愛德華·費根鮑姆對智能的定義逐漸被計算機科學家接受。時至今日，對人工智能定義的爭論仍在繼續，而我堅持認為，基于機器學習是人工智能重要的評價指標之一。

2.2 阿蘭·圖靈與圖靈測試

每每提及計算機科學，便有一位名人物在腦海中浮現，那就是偉大的英國數學家、計算機學家阿蘭·麥席森·圖靈。素有“計算機學科的諾貝爾獎”之稱的圖靈獎便由他的名字命名，圖3為圖靈與圖靈獎杯。

阿蘭圖靈在其發表的論文《論可計算數在判定問題中的應用》的腳注中提出了“圖靈機”的概念，這奠定了這個計算機科學的基礎[3]。隨后在1950年提出了圖靈測試的概念。

在圖靈測試發布短短的幾年中，便有超過1000篇的論文在討論與圖靈測試相關的問題。長久以來，圖靈測試一直被認為是判定人工智能的重要依據，然而圖靈測試真的是合格的人工智能的試金石么？目前，計算機科學家們普遍不認為圖靈測試對人工智能的評判有決定意義的主要有兩方面原因：其一是機器能否了解人類的認知水平（機器是否能夠通過圖靈測試）；其二則是即使通過了圖靈測試，能否從“表現”來評判“智能”。endprint

2.2.1 機器究竟能否通過圖靈測試

機器能否通過圖靈測試的關鍵在于機器能否了解人類的認知水平，即有效地規避“人為陷阱”。對于類似“《康熙字典》中第1234頁的第5行的第6個字是什么？”這種類型的問題，正常的人類是一定回答不出來的，而如果這個被測試機器的數據庫中恰好存有《康熙字典》的內容，它就可以立刻的回答出來，從而使圖靈測試失敗。

再者，如果人類被反復提問同一問題時會表現出煩躁、不耐煩、甚至厭惡等消極情緒。而對于目前的計算機來說，又該如何衡量乃至表現這種“消極的情緒”？

就上述兩個問題我們不難發現，要想通過上述這兩個測試，就需要機器出除了需要預先存儲所問問題的答案，還需要可以了解目前人類所能認知的極限。而這個問題已經遠超出我們目前已知和建立的數學模型所能描述的一切范圍。

2.2.2 能否從“表現”評判“智能”

即使有機器可以通過圖靈測試，那么是否就可以斷定它具有了人工智能呢？答案當然是否定的。

1996年，天才棋手卡斯帕羅夫接受電腦“深藍”的挑戰，結果卡斯帕羅夫以4：2宣告勝利。時隔一年，1997年，“更深的藍”卷土重來，這一次卡斯帕羅夫在6局較量中敗下陣來。

在對局中，“更深的藍”曾經使出十分精明的“棄子戰術”，讓卡斯帕羅夫一度認為有人為因素參與。賽后采訪時，卡斯帕羅夫表示與他對戰的機器只有幾步展現出了大師級的水準而其他的落子方式則頗為幼稚，也因此他拒絕承認“更深的藍”具有了人工智能。

時光荏苒，2016年AlphaGo4：1擊敗韓國棋手李世石；2017年AlphaGo再度披掛出征3：0橫掃柯潔。我們似乎都并未曾把AlphaGo作為完全意義上的人工智能。

究竟什么是人工智能，目前尚沒有人能給出明確的定義。就上述問題來看，圍棋的解空間樹完全超出了人類所能用數學表示的極限。因此預先把所有解存入電腦的數據庫中是不現實的。而機器學習就為解決這個問題提供了完美的解決方案：通過一定的訓練來自主學習、分析下棋的方法，大大縮小了解空間樹[4]。

因此我認為當代人工智能的發展是基于機器學習與深度學習的弱人工智能。

3 基于機器學習的深度學習

3.1 機器學習

我們每天也都在不知不覺中使用或受服務與機器學習：我們瀏覽網站購物時，系統會自動為你推薦最近瀏覽次數最多的商品；自動駕駛系統也在如火如荼的發展中。我們每天都在享受著機器學習為我們的生活帶來的便利，那么究竟什么是機器學習？

這是計算機領域另一個未被明確定義的概念，在我看來：機器學習是一個高度跨學科的研究領域，各領域的科學家都希望借以機器學習的算法來解決諸如計算機視覺、機器人領域、生物醫學甚至自然語言學方面的問題。它是人工智能的核心，也是使計算機具有智能的最根本途徑，其應用遍及人工智能的各個領域。

3.2 機器學習的主要方法分類

目前學界主流的機器學習分類方法之一是基于學習方法，即根據對輸入、輸出數據流的限制可將機器學習劃分為：監督式學習、非監督式學習以及強化學習。

在監督式學習模式下，輸入數據流被稱為“訓練數據”，且每組訓練數據有且僅有一個明確的標識或結果。在建立預測模型時，監督式學習將建立一個完整的學習過程，使預測結果與“訓練數據”的實際結果進行比較，并不斷進行相對應的適應性調整，使預測結果能夠達到一個較高的準確率。

在非監督式學習中，數據并不會被特殊標識，學習模型只是為了推斷出數據的可能存在的一些內在結構。常見的應用場景包括關聯規則的學習以及聚類等。

在強化學習模式下，輸入數據流作為對模型的反饋，并不僅是作為一個檢查模型正確與否的方式，而是要求輸入數據直接反饋到模型，模型必須對此立刻作出相應反饋與調整。圖4為部分常見的機器學習方法的分類。

近年來又出現、興起了半監督式學習。在這種學習方式下，輸入數據流會被部分被標識，而其余部分則不會被標識[5]。這種學習模型可以用于進行預測，但是模型首先需要學習數據的內在結構以便合理的組織數據來進行預測。此類學習算法常應用于分類和回歸，算法包括一些對常用監督式學習算法的延伸，類似算法會試圖對未被標識數據進行建模，并以此為基礎，再對已標識數據進行預測。

4 結語

人工智能學科一路走來，學科分支也不斷發展壯大。而機器學習作為目前應用最為廣泛、影響最為深刻的分支之一也在不斷地發展著：愈來愈多的算法涌現，越來越多的非計算機學科使用機器學習算法等也從側面映證了這一觀點：當代人工智能的發展的一個重要分支是基于機器學習與深度學習的弱人工智能，即使機器在完成任務時，更“聰明”一些。

【參考文獻】

【1】周志華.機器學習[M].北京：清華大學出版社，2003.

【2】安德魯·霍奇斯.艾倫·圖靈傳——如謎的解謎者[M].長沙：湖南科學技術出版社，2012.

【3】阿蘭·麥席森·圖靈.論可計算數在判定問題中的應用[C].倫敦數學會文集，1936：42.

【4】Stanford University， Stanford University Open Courses，http：//open.163.com/special/opencourse/machinelearning.html.

【5】伯樂在線學術論壇[DB/OL]，http：//blog.jobbole.com/77620/l.endprint