從綜藝節(jié)目《危險邊緣》（Jeopardy）的贏家和圍棋大師，再到不光彩的、與廣告有關的種族定性，我們似乎進入了一個人工智能發(fā)展飛速加快的時代。但是，要創(chuàng)造出這樣一個完全有感知能力的人——他的電子“大腦”能夠利用公平的道德判斷來完全參與復雜的認知任務，目前我們的能力還不能做到。

[[184775]]

　　不幸的是，目前的事態(tài)發(fā)展讓人們普遍擔心人工智能未來可能會變成什么。它在最近流行文化中的表現(xiàn)表明，我們對這項技術的態(tài)度是多么謹慎和悲觀。恐懼的問題在于，它可能會造成嚴重的后果，有時還會助長無知。

　　了解人工智能的內(nèi)部運作是解決這些憂慮的一劑良藥。而且，這種認真可以促成負責任的和令人放心的參與。

　　人工智能的核心基礎是機器學習，這是一種優(yōu)雅而又廣泛使用的工具。但要理解機器學習的意義，我們首先需要研究它的潛力是如何絕對超過它的壞處的。

　　數(shù)據(jù)是關鍵

　　簡單地說，機器學習指的是教計算機如何通過算法來分析數(shù)據(jù)從而解決特定任務。例如，對于手寫識別，可以通過分類算法，從而分辨出不同人所寫的字母。另一方面，住房數(shù)據(jù)集利用回歸算法，以可量化的方式來評估某一財產(chǎn)的售價。

　　那么，機器學習最終歸結為數(shù)據(jù)。幾乎每一個企業(yè)都會以這樣或那樣的方式產(chǎn)生數(shù)據(jù)： 請想想市場研究、社交媒體、學校調(diào)查和自動化系統(tǒng)。機器學習應用程序試圖在大數(shù)據(jù)集的混亂中找出隱藏的模式和相關性，從而開發(fā)能夠預測行為的模型。

　　數(shù)據(jù)有兩個關鍵要素——樣本和特征。前者表示組中的單個元素;后者則表示它們所共有的特征。

　　以社交媒體為例：用戶是樣本，他們的使用可以被翻譯為特征。例如，facebook將“贊”活動的不同方面（用戶之間不盡相同）作為用于定向投放廣告的一個重要特征。

　　Facebook好友也可以作為樣本使用，而他們與他人的聯(lián)系也可以作為特征，建立一個可以研究信息傳播的網(wǎng)絡。

　　我的Facebook好友網(wǎng)絡：每個節(jié)點都是一個可能會或可能不會與其他朋友連接的朋友。節(jié)點越大，連接就越多。相似的顏色也代表著相似的社會圈子。

　　除了社交媒體之外，在工業(yè)過程中作為監(jiān)控工具使用的自動化系統(tǒng)，將整個過程的時間快照作為樣本，以特定時間作的傳感器測量為特征。這使得系統(tǒng)能夠實時檢測出該過程中的異常現(xiàn)象。

　　所有這些不同的解決方案都依賴于向機器提供數(shù)據(jù)，并教它們在有策略地評估給定信息的情況下，實現(xiàn)自己的預測。這就是機器學習。

　　以人類智力作為一個起點

　　任何數(shù)據(jù)都可以被翻譯成這些簡單的概念，任何機器學習應用，包括人工智能，都將這些概念作為其構建基礎。

　　一旦數(shù)據(jù)被理解，就該決定如何處理這些信息了。機器學習最普遍、最直觀的應用之一就是分類。系統(tǒng)學習了如何根據(jù)參考數(shù)據(jù)集將數(shù)據(jù)放入不同的組中。

　　這與我們每天做的各種決定有直接關系，無論是對類似產(chǎn)品進行分組（例如針對美容產(chǎn)品的廚房用品），還是根據(jù)以往的經(jīng)驗選擇好的電影。雖然這兩個例子可能看起來完全脫節(jié)，但它們依賴于一個基本的分類假設：被定義為已確定類別的預測。

　　舉個例子，當我們拿起一瓶潤膚乳時，我們會使用特定的特征列表（比如容器的形狀，或者產(chǎn)品的氣味）來準確地預測它是一種美容產(chǎn)品。一個類似的策略是通過評估一組特征(比如導演，或者是演員)來預測電影是否屬于兩類其中之一：好還是壞。

　　通過掌握與一組樣本相關的各種特征之間的不同關系，我們可以預測一部電影是否值得觀看，或者，更好的情況是，我們可以創(chuàng)建一個程序來為我們做這件事。

　　但要想掌握這些信息，我們需要成為一名數(shù)據(jù)科學專家，精通數(shù)學和統(tǒng)計學，有足夠的編程技能讓艾倫·圖靈（Alan Turing ）和瑪格麗特·漢密爾頓（Margaret Hamilton）感到驕傲，對嗎?不完全是。

　　在日常生活中，我們都掌握了足夠多的母語，即使我們中只有少數(shù)人能涉足語言學和文學。數(shù)學也一樣，它一直都在我們身邊，所以從買東西或測量原料到遵循菜譜的變化并非一種負擔。同樣地，掌握機器學習并不是有意識和有效地對其進行利用的必要條件。

　　是的，世界上的確有非常優(yōu)秀和專業(yè)的數(shù)據(jù)科學家，但是，任何人幾乎不花費任何努力都可以學習數(shù)據(jù)的基本知識，并改進他們觀察和利用信息的方式。

　　通過算法來解決問題

　　回到分類算法上，讓我們考慮一個模仿我們做決定的方式的算法。我們是社會的人，那么社會交往呢?***印象很重要，我們都有一種內(nèi)部模式，在和別人見面的最初幾分鐘里，評估自己是否喜歡對方。

　　有兩種可能的結果：好的或壞的印象。對每個人來說，不同的特性（特征）都被考慮在內(nèi)(即使是無意識的)，基于過去的幾次相遇(樣本)。可能是語氣或外表，或者禮貌程度等。

　　對于我們遇到的每一個新面孔，我們頭腦中的一個模型都會記錄這些輸入，并建立一個預測。我們可以把這個模型分解成一組輸入，根據(jù)它們對最終結果的相關性進行加權。

　　對一些人來說，吸引力可能是非常重要的，而對于另一些人來說，幽默感或愛狗則更能說明問題。每個人都將開發(fā)自己的模型，這完全取決于她的經(jīng)驗或數(shù)據(jù)。

　　不同的數(shù)據(jù)導致不同的模型被訓練，結果不同。我們的大腦會發(fā)展出一些機制（雖然我們對此并不完全清楚），但這些機制會確定這些因素將如何影響我們對因素的權重。

　　機器學習所做的是為機器開發(fā)出精確和數(shù)學的方法，從而計算結果，特別是在我們無法輕易處理數(shù)據(jù)量的情況下。現(xiàn)在超過了以往任何時候，數(shù)據(jù)是巨大、永恒的。有了一個可以積極使用這些數(shù)據(jù)來解決實際問題的工具，比如人工智能，這意味著每個人都應該并且能夠探索和利用這一點。我們應該這樣做，這樣不僅可以創(chuàng)造出有用的應用，還可以把機器學習和人工智能放在一個更光明、更不令人擔憂的角度。

　　現(xiàn)在有很多資源供機器學習使用，但這些資源確實需要一些編程能力。許多適合機器學習的流行語言都提供從基礎教程到完整的課程。只需一個下午的時間，就可以開始冒險，獲得明顯的結果。

　　所有這一切并不是說，具有人類思維的機器的概念不應該讓我們感到擔憂。但是，更多地了解這些想法將如何發(fā)揮作用，將使我們有能力成為積極變革的推動者，從而使我們能夠保持對人工智能的控制，而不是反過來。

　　（來源/Dataconomy 翻譯/機器小易 校對/文偉）