機器比人類更會學習嗎

如今科技急速發展，人工智能已經不再是一項虛無縹緲的實驗室科技。你看，在我們的生活中有幫助我們更便捷生活的智能手機語音助手，還有比親朋好友更懂我們的推薦算法……這些人工智能技術早已滲透人類生活的方方面面。我們現在所處的時代，正以前所未有的速度接近下一次技術革命，而開啟下一次技術革命大門的鑰匙就藏在人工智能的廣闊藍海中。

[打好基礎學習不誤]

“小愛同學！”

“我在。”

“播放一首抒情歌。”

“好的，馬上為您播放！”

……

面對自動運行的家用電器或與智能音箱對談時，也許你會對它們的貼心、智能化感到不可思議：機器為何能讀懂人類的想法呢？其實，目前的人工智能基本都是基于機器學習技術實現的，可以說，是機器學習讓家里的電器讀懂了你。

機器學習，就是讓機器具有學習的能力，而學習能力正是普通機器與人工智能的分水嶺。18世紀中葉，在瓦特改良蒸汽機的時代，開啟了人類第一次工業革命的蒸汽機只會夜以繼日地重復一個動作，任何看過這臺機器的人都不會把它與“智能”二字聯系起來。隨著科技的進步，人們設計了許多更為復雜的機器，但它們仍然不智能。

20世紀50年代，計算機理論迅速發展，機器學習終于登上了歷史的舞臺。機器學習的基本思想其實并不復雜，即將大量數據輸入人工智能算法（AI算法）中，對其進行訓練，讓AI算法生成模型，從而實現對事物潛在規律的揭示和對未來情況的預測。

例如，你想觀察路過家門口的灑水車，并對它的“行為”進行預測。在觀察的前6天，你發現灑水車每天清晨5點準時路過家門口，此時便形成了一個簡單的認識模型：灑水車每天清晨5點都會路過家門口。如果第7天是周日，是灑水車司機的休息日（但你并不清楚），你發現灑水車沒有像往常一樣路過家門口，此時意味著之前的認識模型并不準確。又過了一周，灑水車仍然是周一到周六每天清晨5點路過家門口，周日不再出現，你便可以通過新數據來糾正認識模型，從而更加接近事實。

機器學習的過程與觀察灑水車的“行為”差不多。輸入數據之前的機器就像一張白紙，它一無所知，就像第一天觀察之前你不知道灑水車會來一樣。假設灑水車的觀察者是一個十分懶惰的人，不愿意動腦筋推測灑水車的運行規律，他就可以把每一天灑水車的“行為”數據輸入機器的AI算法中，這個過程被稱為“訓練”。通過大量的數據訓練，AI算法對于灑水車“行為”的預測會越來越準。

[逃不開題海戰術]

有了數據之后，我們還需要選擇合適的“學習方法”才能讓人工智能學得更快更好。你可能聽說過一些與機器學習有關的名詞，比如“監督學習”“強化學習”等，但卻一頭霧水，實際上這些名詞都是描述機器學習過程中不同的訓練方法，它們能使機器適用于不同的情況。

比如，我們想讓一個AI算法學會辨認貓和狗，可以采取以下辦法：如果提前給它看大量貓和狗的照片，并且“告訴”它哪些是貓哪些是狗，這就叫監督學習；如果我們給AI算法大量貓和狗的照片，但是不“告訴”它哪些是貓哪些是狗，而讓它自動尋找貓和狗的差異，這就叫非監督學習；如果讓它每次看圖后選擇圖片里的是貓還是狗，答對獎勵加分，答錯懲罰扣分，它在試圖盡量得分、規避扣分的規則下，經過大量訓練會自己“進化”出正確辨認貓和狗的能力，這就是強化學習。

正是通過大量的數據訓練，機器才獲得了強大的能力。就像即使人工智能“阿爾法圍棋”（Alpha Go）背后的科學家們并不是圍棋大師，有些甚至完全不會下圍棋，卻能讓它戰勝圍棋世界冠軍，這在傳統的機器上是不可能發生的。

[機器學習并不完美]

機器學習是否意味著我們與人工智能時代近在咫尺了呢？很可惜，雖然機器學習讓人們身邊的很多物品越來越智能化，但距離真正的“強人工智能”還有很大的差距，這是因為當前基于數據的AI算法在很多時候有很大的局限性。

比如，一個長期接受“辨識貓狗”訓練的AI算法可能會把吉娃娃（一種小型犬）錯認為貓，也有可能把無毛貓誤認為狗，主要是因為機器學習得到的結果與訓練數據高度相關。如果訓練人工智能用的數據是有偏差的，比如訓練用的貓的照片基本都是有毛的長尾貓，狗的照片基本都是大型犬，那么這樣訓練得到的AI算法就很容易在辨識某些其他種類的貓和狗時犯錯。

目前，人工智能系統的問題在于機器學習的可解釋性缺陷，即機器學習是一個“黑箱”過程，我們無法解釋它到底根據什么特征做出判斷。人類在學習辨認貓狗的時候，往往會把判斷特征集中在貓狗身上的某些關鍵部位。但一個通過圖像訓練得到的AI，即使結果正確率很高，卻有可能把某些判斷特征放在環境上，顯然是不合理的，會導致AI的應用存在風險。就好比一個自動駕駛AI，如果我們不能判斷出它是根據什么做出駕駛決策，那么即使它在推廣前的測試中無比安全，也可能在現實復雜路況中犯致命錯誤。今年3月份發生在美國的一場車禍，就是因為輔助自動駕駛系統錯誤地把卡車的白色車廂識別為天空，導致其直接撞了上去，完全沒有減速。

這也從另一個角度為我們說明了一個道理：題海戰術雖然有用，但并不高效，而且會導致潛在錯誤，要想從根本上學習新知，就要運用因果邏輯，從根本上搞清楚事物的來龍去脈，而這也正是科學家們目前希望在人工智能身上實現的。

[學會判斷因果才會升級]

讓人工智能實現本質的飛躍，關鍵就藏在每一個人的大腦中，上天賜予人類的最強大的武器——因果邏輯。

關聯和因果的區別在于，關聯僅反映數據間最表層的信息，即相關性。舉個例子，有數據表明，氣溫與犯罪率有相關性，氣溫低的時候犯罪率更高。我國春節期間的犯罪率的確會上升，其原因主要是春節期間小偷的活動變得頻繁，而春節又處于一年中氣溫最低的時間段。如果我們把這個數據輸入只懂得分析關聯性的人工智能系統中，僅從關聯的角度分析，將會得到“氣溫降低導致犯罪率上升”的結論。如果利用這個人工智能系統預測一個沒有春節文化的國家的犯罪率，或者一個氣溫異常年份的犯罪率，就會得到一個“謬以千里”的結論。

從因果關系的角度出發，我們不僅要分析數據之間的關聯性，還要判斷其內部的邏輯鏈條。比如，當全年氣溫保持不變時，犯罪率是否會變化？如果得到的答案為“是”，那么便可以認為除了氣溫還有其他影響因素。比如，由于新冠肺炎疫情暴發，2020年春節期間我國國內人員流動降低，雖然冬天的氣溫仍照常下降，但犯罪率卻沒有隨之變化。

看到這里，大家應該能知道為什么說我們離想象中的人工智能還差得很遠，因為人類目前構建的人工智能連判斷因果的能力都沒有。很幸運的是，科學家已經認識到因果學習是讓人工智能實現下一次飛躍的關鍵，許多科學家相繼投入了因果機的理論研究當中。相信伴隨著技術的發展，人工智能技術一定會越來越可靠，并且更大范圍地造福人類。