本文長度為2300字，建議閱讀3分鐘

好奇寶寶想知道人工智能的機器學習究竟是怎么學習的?本文用漫畫讓你看懂人工智能內部的工作原理。

最近，富士康放出話來，它的工廠夜間已經不需要開燈了——因為一個工人都不需要，干活的全是人工智能機器。

幾乎所有大佬都在談論人工智能。 

 

 

 

似乎這個世界再也不需要人類了。 

 

 

 

你可能聽了一百遍人工智能，不過到底人工智能是個什么鬼，所謂人工智能的機器學習究竟是怎么學習的?它和你之前玩過的小霸王游戲機究竟有什么區別?

今天，我們用漫畫

來直接讓你看懂

人工智能內部的工作原理

▼

我們所舉的例子是機器學習中的有監督學習。

人工智能機器學習分為有監督學習，無監督學習，強化學習和蒙特卡洛樹等。這一句你看不懂完全可以忽略，因為不影響下面的解釋。

我就是傳說中的大boss，人工智能!怕了吧! 

 

 

 

其實，人工智能基本等于人工智障!人類一目了然的事情，它得算半天，而且未必能搞定。 

 

 

 

首先，我們來說說，人工智能和傳統計算機原理之間的關系。

最傳統的計算機，就是這玩意—— 

 

 

 

它的工作原理就是有一個確定的輸入，就有一個確定的輸出。

對于機器，原理也一樣。比如這個 

 

 

 

但人類，被輸入一個刺激后，其實是往往這樣的 

 

 

 

在現實世界中，我們看到女朋友的臉，無論她化了什么樣的妝，你一眼就能認出來。

但傳統計算機的單一輸入值，單一確定輸出的模式，就傻眼了。 

 

 

 

但怎么讓機器模仿出人的輸入輸出能力，有類似人類的智能。這就是人工智能問題的核心。

其實，要做的就是對復雜的輸入信號進行分解計算，對計算中的不同因子進行不同的處理，無論輸入的有怎樣變化，都能做出大致合理的輸出。

用專業的說法，就是在輸入輸出之間的隱藏層進行一系列權重調整，建立一個模型。

這樣無論人臉加上什么偽裝，只要落在一個范圍內，機器都能認出這張臉。 

 

 

 

這時候，機器就變得像人一樣能認人了，就成了人工智能。

▼

看到這兒，其實你就比百分九十以上的人更了解人工智能了。但人工智能怎么具體調整權重，我們可以講個機器人按臉殺人的故事。

***步先要讓機器可以認出人臉。 

 

 

 

所以我們要拿很多包含人臉的圖片喂給它： 

 

 

 

臉上不同的部位分別被抽象為一組數字，比如鼻子可以極度簡化為為長度和寬度兩個數據 

 

 

 

然后發送給程序去處理——人工神經網絡現在特別流行，我們就用它好了。這些數字的流動，的確有點像人類腦神經的工作方式： 

 

 

 

這個圖看起來不知所謂，其實特別簡單，就是挨個把輸入的數字乘以那些系數，***加起來。

對，這些系數就是所謂的“權重”。

輸出層輸出的就是一個普通的數字。我們給他設定一個閾值，比如20;把牙齒，鼻子和眼睛都算出來，等于28，大于20，就判定輸入的是人臉。 

 

 

 

這差不多是一種很原始的人工神經網絡，叫做感知機。

不過現在的神經網絡會引入一種叫做激活函數的東西，把這種一刀切的智障變成一個稍稍聰明一點的樣子： 

 

 

 

這個圖像有什么意義呢?

就是把一個簡單到***的“是不是”的問題，轉化為有“百分之多少”的概率問題。看上去是不是智能了不少? 

 

 

 

同時，聰明的你一定發現了，決定成效的關鍵其實就是那些“權重”。

怎么獲得恰當的權重組合?

這就是機器學習的意義：讓機器自己根據每一次考試的結果去修正自己的權重。

慢著，它自己怎么知道對錯? 

 

 

 

這還是要人類事先給這些照片進行分類：哪些是人，哪些是狗，哪些是ET……

這就好像人類在給他出有標準答案的考試，所以叫做“有監督學習”。 

 

 

 

然后我們只要不斷重復這個過程，權重就會逐漸調整到更恰當的組合，輸出結果就會越來好，判斷越來越準。

如此不斷重復同一過程，達到改進的方式，就叫做“迭代”。 

 

 

 

只要我們的神經網絡設計的沒問題，最終，就可以準確識別出人類。 

 

 

 

現在***進的算法，已經可以達到各種狀況下98%以上的正確率了! 

 

 

 

這整個過程就叫做“訓練”。

我們用來訓練它的圖片和每張圖片對應的標簽，就叫做“訓練集”。

▼

一般介紹人工智能文章到這里就不會再往深里說了，如果繼續往下看，你對人工智能的了解就會遠遠99.99%的人類。

所以，你做好準備成為磚家了嗎?

首先，大家***奇的應該是：程序到底怎么調整權重的? 

 

 

 

這個被稱作“反向傳播”的過程是這樣的：在每一次訓練中，我們都要確定程序給出的結論錯的有多遠。

我們已經說過，程序的猜測和答案都可以轉化為數值 

 

 

把所有的錯的平方都加起來，再平均一下，就得到一個“損失函數”。

損失函數當然越小越好，這代表我們的神經網絡更厲害。

我們一開始可能在山頂，這意味著“損失”特別大，所以我們要盡快下山止損。 

 

 

 

怎么做呢?一種最常用的也很有效的辦法就是，永遠選擇最陡的路線，這樣很容易就會到達某個山谷。 

 

 

 

當損失函數達到某個最小值，不怎么變化了，就說明訓練差不多了。這種方法就被叫做“梯度下降”。

具體而言，其實就是求導數： 

 

 

 

看到這個公式有沒有一點想崩潰的感覺? 

 

 

 

如果還沒有徹底崩潰，就稍微解釋一下吧：

這個式子的意思就是，把某個權重減少這么多，損失函數對相應權重的偏導數乘以α。

至于怎么求這個偏導數的數值……你確定你真的想知道? 

 

 

而這個α呢，也很重要，叫做“學習速率”。

它的意思是：發現錯誤之后，改變的幅度太大或太小都不好。比如學開車，轉彎 

 

 

 

至于改的幅度(系數)多大***，這就要靠悟了。 

 

 

 

▼

好吧，說了這么難的東西，再來點八卦吧。

為啥要讓人工智能殺那么多猩猩、海豚、蜥蜴? 

 

 

 

因為如果沒有這些負樣本，人工智能隨手一抓都是對的。 

 

 

 

這樣，就不存在學習和積累經驗(調整權重)的過程，也不會有在現實世界中真正找到人臉的能力。

不要被那些所謂人工智能專家神神鬼鬼的術語所迷惑，其實人工神經網絡的有監督學習的整個過程，無非就是在做自動化的回歸分析罷了。 

 

 

 

從最簡單的一元線性回歸到多元非線性回歸，就是越來越看起來越來越智能的過程。人工智能的專家也是這么循序漸進掌握機器學習的。

▼

***，如果你能堅持到這里...

恭喜，你已經成為半個機器學習的專家了!

如果大家喜歡，我們下次再來講講其他人工智能的技術，比如無監督學習、強化學習!

參考資料：

• 斯坦福大學公開課：《機器學習》
• FaceNet: A Unified Embedding for Face Recognition and Clustering, Florian Schroff,Dmitry Kalenichenko,James Philbin,Google Inc.
• Efficient BackProp, Yann LeCun,Leo Bottou
• 《人工智能時代》，杰瑞·卡普蘭
• 《心靈、語言和社會》，約翰·塞爾