起點課堂會員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會特權(quán)
個人IP打造特權(quán)
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業(yè)技能直播
會員專屬社群
榮耀標識人工智能還是人工智障？
人工智能并非萬能鑰匙，并非所有事情都能用人工智能解決。但同樣，人工智能也并非是虛無縹緲的新技術(shù)，它的身影已出現(xiàn)在生活中的方方面面。
談到人工智能，相信各位讀者都不會陌生，字面意思也很容易理解。
有些人眼里，人工智能已經(jīng)是一種很成熟的計算機技術(shù)，可以幫我們做很大的事情，大到預測局部地區(qū)明天的天氣如何、分析金融市場的股票交易波動；也可以幫我們做很小的事情，小到拍照時的貼紙自動追隨人臉，推送我感興趣的新聞或商品，這些都可以用人工智能實現(xiàn)。
但是在另一些人眼里，人工智能還是待在實驗室的新事物，它離我們的生活還很遠，我們現(xiàn)在接觸的人工智能最多算是個人工智障，現(xiàn)在炒得大熱的人工智能概念只是資本游戲的噱頭，其實它什么都沒有改變。
人工智能并非萬能鑰匙，并非所有事情都能用人工智能解決。但同樣，人工智能也并非是虛無縹緲的新技術(shù)，它的身影已出現(xiàn)在生活中的方方面面。
在日常工作中，我發(fā)現(xiàn)很多身邊朋友以及互聯(lián)網(wǎng)從業(yè)者同樣對人工智能存在不少誤解，我嘗試結(jié)合我過去的一些經(jīng)驗，聊一聊我的看法。在此我們先聊聊，人工智能的概念為啥突然這么火。
一、人工智能為什么突然崛起？
很多人都誤認為，人工智能是近幾年才被創(chuàng)造出來的新概念。
實際上最早提出“人工智能”這個概念是在1956年美國達特茅斯學院的一次學術(shù)會議上。雖然當時這個會議只進行了一個月，也沒有取得什么實質(zhì)性的進展，但是這個會議首次正式提出“人工智能”一詞，并且沿用至今。
盡管在當時，對于人工智能的研究進展非常緩慢，但是經(jīng)典的科幻電影《2001太空漫游》還是表達了當時的人們對人工智能的美好幻想。又經(jīng)過了近50年的發(fā)展，人工智能從電影的幻想逐漸走進了人們的日常生活，并且成為了各個領(lǐng)域的得力助手。
這個過程并非一帆風順。
上世紀80年代前后，日本人研究了一種能夠模擬人類專家決策能力的計算機系統(tǒng)，稱為專家系統(tǒng)。這個專家系統(tǒng)實際上就是一個巨大的知識庫，再通過一些推理規(guī)則讓這個系統(tǒng)能夠根據(jù)提問找到答案。
這種專家系統(tǒng)能夠根據(jù)輸入的問題，提供回答是當時人工智能技術(shù)的代表，一定程度上也是計算機“智能化”的表現(xiàn)。因此這個項目得到日本政府的高度重視，投入了大量的人力物力研究，希望能打造一個計算速度更快、知識儲備量更高的專家系統(tǒng)。受到日本人的刺激，同期美國和許多歐洲國家也紛紛進入到這個賽道中。
可以預見的是，專家系統(tǒng)最初取得的成功是有限的，因為它無法自我學習并更新知識庫，維護成本極高。就像以前沒有聯(lián)網(wǎng)的車載導航系統(tǒng)一樣，每年都需要更新地圖否則這個系統(tǒng)一年以后就廢掉了，無法給出正確的指引。
專家系統(tǒng)的失敗，也讓人們對于人工智能的信任產(chǎn)生了巨大的危機，硬件市場的潰敗和理論研究的迷茫，加上各國政府和機構(gòu)紛紛停止向人工智能研究領(lǐng)域投入資金，導致了數(shù)年的低谷。
好在資本不再關(guān)注人工智能的時候，人工智能的理論研究還在緩慢進行中。1988年，美國科學家Judea Pearl將概率統(tǒng)計方法引入人工智能的推理過程中，這對后來人工智能的發(fā)展起到了重大影響。1989年，AT＆T貝爾實驗室的Yann LeCun和團隊使用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，實現(xiàn)了人工智能識別手寫的郵政編碼數(shù)字圖像。
在此后近二十年，人工智能技術(shù)逐漸與計算機技術(shù)、互聯(lián)網(wǎng)進行深入融合。得益于大規(guī)模并行計算、大數(shù)據(jù)、深度學習算法和人腦芯片這四大催化劑的發(fā)展，以及計算成本的降低，使得人工智能技術(shù)突飛猛進。
它利用計算機和互聯(lián)網(wǎng)的發(fā)展機遇，化名為商業(yè)智能、數(shù)據(jù)分析、信息化、自動化等等，滲透到社會發(fā)展的每個角落。
- 一方面，互聯(lián)網(wǎng)的推廣為人工智能創(chuàng)造了很多落地應(yīng)用的場景，體現(xiàn)出真正的價值；
- 另一方面，計算機軟硬件的升級為人工智能提供了強大的運算力，以前在理論上才能實現(xiàn)的算法得以落地，讓人工智能在越來越多賽事上創(chuàng)造奇跡，甚至超越人類。
2011年沃森在自然語言常識問答比賽中戰(zhàn)勝人類選手，ImageNet挑戰(zhàn)賽上圖像識別算法準確度超越人類；2016年，AlphaGo戰(zhàn)勝李世石，成為第一個戰(zhàn)勝世界圍棋冠軍的AI機器人…
二、人工智能還是人工智障？
近兩年人工智能被人們詬病最多的地方是：人工智能體現(xiàn)不出智能。
很多人對人工智能的認知都是分裂的。一方面媒體不斷報道人工智能又取得了什么樣的新成果，國外各路大咖讓人們要警惕人工智能的發(fā)展，人工智能還被納入我國發(fā)展的規(guī)劃中等等。
另一方面，新聞里經(jīng)常傳出自動駕駛又發(fā)生事故，家里的智能家具表現(xiàn)地像個智障一樣，資訊平臺總是傻傻地推同樣類型的新聞等，這些現(xiàn)象都讓我們疑惑，人工智能到底智能在哪里？
回答這個問題之前，我們有必要搞清楚，強人工智能和弱人工智能的區(qū)別。
最初，在達特茅斯會議提出人工智能一詞時并沒有強與弱之分。普遍認為人工智能就是讓機器擁有思想，能夠像人類一樣決策。當時各種算法的研究也是奔著這個目標而去，希望能夠模擬人類決策的方式賦予機器真正的智能。
但很快就有人發(fā)現(xiàn)：在這種方式下實現(xiàn)的人工智能并非真正的智能，只是對人類智能的模擬。美國哲學家John Searle提出了一個思維實驗：中文房間（Chinese Room Argument），它是這樣的：
想象一位只會英語的人身處一個房間之中，這間房間除了門上有一個小窗口以外，全部都是封閉的。他隨身帶著一本寫有中文翻譯程序的書。房間里還有足夠的稿紙和鉛筆。
寫著中文的紙片通過小窗口被送入房間中。房間中的人可以使用他的書來翻譯這些文字并用中文回復。雖然他完全不會中文，Searle認為通過這個過程，房間里的人可以讓任何房間外的人以為他會說流利的中文。
值得注意的是，這本書僅僅是語法的對應(yīng)，并不涉及到任何語義的說明。房間中的人，只需要按照對應(yīng)的回答，拼湊出相應(yīng)的中文字符遞出去即可。在這個過程中，他并不理解問題和他所寫的答案是什么意思。
Searle認為，人工智能就是這樣工作的。他認為計算機根本無法真正理解接收到的信息，但它們可以運行一個程序，處理信息，然后給出一個智能的印象。
例如圖像識別技術(shù)，它的工作原理就是將顏色變成數(shù)字編碼，再從這些數(shù)字編碼中找到特征，查找字典，找到對應(yīng)的解釋然后顯示出來。實際上計算機壓根不知道自己識別的到底是飛機還是兔子，只是字典告訴它這個特征很大概率對應(yīng)的是“飛機”這個單詞。
絕大部分算法在本質(zhì)上都是在玩概率的游戲，不同的方式只是在模型訓練時需要的信息不同，以及計算出來對應(yīng)“飛機”的判定方式不同。
當前所有被廣泛應(yīng)用的知名模型都是通過矩陣運算訓練數(shù)據(jù)來獲得某種概率分布。復雜模型的概率分布通常是高維的，這里又會引申出各種數(shù)學方法，但本質(zhì)的思想依舊是想通過概率分布來描述訓練數(shù)據(jù)的特征。有了這些，對于同類的數(shù)據(jù)，就可以使用相同的概率分布去描述，從而實現(xiàn)所謂的“識別”或“預測”。
實際上并非模型真的像人類一樣理解了什么是“飛機”，只是通過這種方式，模型能夠大概率把長得像飛機的圖片識別出來。
后來業(yè)界也普遍認識到這一點。因此把人工智能這個概念又劃分為強人工智能與弱人工智能。
強人工智能流派仍然追求讓計算機擁有人類的心智與意識，具有自主選擇行為。就像西部世界中從固化程序逐漸演化出自我意識的梅芙一樣。但是強人工智能的研究難度較大，市面上還沒有成熟的應(yīng)用。
而弱人工智能更像是一個解決特定問題的工具。這類問題的特點是可以通過統(tǒng)計，歸納出經(jīng)驗并形成解決方案，而這種解決問題的實現(xiàn)方法被稱為“機器學習”。
機器學習最基本的做法，是使用算法解析數(shù)據(jù)、從中學習數(shù)據(jù)的規(guī)律，然后對真實世界中的事件做出決策。與傳統(tǒng)的編程方式不同，機器學習是用大量的數(shù)據(jù)進行訓練，通過各種算法從數(shù)據(jù)中學習“如何完成任務(wù)”。
例如量化交易、人臉識別和AlphaGo都是擅長于單個方面的機器學習模型。在訓練模型時，我們只教會AlphaGo下圍棋的技巧，所以它只能會下圍棋。如果你把一道數(shù)學題丟給AlphaGo，顯然它是無從下手的。
所有的機器學習模型都只能完成特定的任務(wù)，很多時候我們通過組合的方式滿足更多的場景。例如智能音箱本質(zhì)上是一個語音識別的模型結(jié)合NLP（自然語言處理）模型，它并非真的能聽懂我們說的話代表什么含義，僅僅是能夠把接收到的信息轉(zhuǎn)化為模型的輸入，在字典中找到對應(yīng)的輸出而已。
從機器學習的特點可以看出來，如果想通過統(tǒng)計歸納經(jīng)驗，數(shù)據(jù)的數(shù)量與質(zhì)量是決定性條件。沒有數(shù)據(jù)，就沒有人工智能。
也就是說在你沒有作出同類別行為，或者是與你行為相近的人群較少時，人工智能是沒有辦法作出判斷的，這也是人工智能變成人工智障的重要原因。當行為增加，數(shù)據(jù)慢慢變多，數(shù)據(jù)質(zhì)量逐漸上升時，你會發(fā)現(xiàn)預測越來越準確，人工智能通過大數(shù)據(jù)也能做到真正的“想你所想”。
三、什么問題適合用機器學習解決？
前面我們說弱人工智能像工具，專門解決某個特定的問題。但是否所有問題都適合用機器學習去解決呢？很明顯答案是否定的。
適合用機器學習去解決的問題，主要有三個基本條件。
（1）有規(guī)律可以學習。這類問題必須存在共性，有內(nèi)在的規(guī)律等待被發(fā)現(xiàn)；
（2）編程難以實現(xiàn)。數(shù)據(jù)之間關(guān)聯(lián)關(guān)系復雜，很難通過窮舉的方式列清楚規(guī)則；
（3）有足夠多能夠?qū)W習到規(guī)律的數(shù)據(jù)。沒有數(shù)據(jù)支撐，機器學習就像搭好了結(jié)構(gòu)少了磚瓦的房子。
舉個栗子：
我們熟知的垃圾郵件檢測是一個使用機器學習解決的經(jīng)典場景。最常見的垃圾郵件是各種類型的營銷郵件，并且這種郵件的發(fā)送方通常是各類用郵箱注冊過的網(wǎng)站。在這個場景中我們發(fā)現(xiàn)，營銷郵件一定是包含某些產(chǎn)品信息或推廣信息，所以這類郵件有一定的規(guī)律。
但是因為不同產(chǎn)品種類各異，我們很難用編程的方式把所有規(guī)則寫出來。就算能寫出來，發(fā)送方也會設(shè)計各種規(guī)則躲避系統(tǒng)的檢測，同時我們很容易找到大量垃圾郵件與正常郵件作為樣本數(shù)據(jù)。因此這個場景非常適合用機器學習的方式解決。
但如果我們想判斷新郵件包含多少個字符，恐怕就不太適用。雖然這個問題同樣難以用編程解決并且有大量歷史郵件支持，但包含多少個字符這個問題的隨機性太強，沒有規(guī)律可循，因此不適合。
由此可見，機器學習不是萬能的，不是所有的問題都能用它去解決。機器學習擅長的是通過已知經(jīng)驗找到規(guī)律去解決問題。如果面對的問題沒有任何規(guī)律可循，完全是一個隨機事件，那么就算使用多復雜的機器學習算法也是無濟于事。
值得注意的是，很多問題看似沒有規(guī)律，實際上是因為人類處理不了數(shù)據(jù)量太大的情況，看起來雜亂的數(shù)據(jù)掩蓋了背后的面目，這類問題并非真的無跡可尋，只是需要用正確的方法。
我們通過機器學習可以對大量數(shù)據(jù)進行分析獲得規(guī)則，并利用規(guī)律對未知數(shù)據(jù)進行預測。不但能從數(shù)據(jù)中看到人類能看到的規(guī)律，更重要的是能在更短的時間內(nèi)發(fā)現(xiàn)人類看不到的規(guī)律，我想這就是機器學習最大的應(yīng)用價值。
在醫(yī)學領(lǐng)域，通過圖像識別技術(shù)，已經(jīng)實現(xiàn)讓計算機自動識別腫瘤細胞，幫助醫(yī)生快速進行醫(yī)學診斷；在制造業(yè)，通過強化學習的方式自動檢測產(chǎn)品缺陷提高出品率，幫助企業(yè)加快生產(chǎn)周期降低生產(chǎn)成本；在金融領(lǐng)域，通過神經(jīng)網(wǎng)絡(luò)技術(shù)可以避免傳統(tǒng)程序化交易因為無法根據(jù)實時發(fā)生的市場變動調(diào)整算法，從而造成資產(chǎn)損失的風險。還有在零售、安防、航空、互聯(lián)網(wǎng)等等不同領(lǐng)域，機器學習都有廣泛的應(yīng)用，它已經(jīng)對我們生活的產(chǎn)生了巨大的變化。
最后我們必須認識到，目前的人工智能并非真正的智能，只是一種模擬人類行為的智能。而真正的智能，離我們的生活還非常遙遠。但值得慶幸的是，僅僅是模擬人類行為的智能已經(jīng)能夠給我們的生活帶來了如此大的便利，相信隨著技術(shù)的發(fā)展，我們能夠做出更多超越想象的場景。
#專欄作家#
阿翹，微信公眾號：阿翹AKIU。平安科技資深產(chǎn)品經(jīng)理，《產(chǎn)品經(jīng)理進階：100個案例搞懂人工智能》作者；擅長人工智能技術(shù)在金融領(lǐng)域的商業(yè)化應(yīng)用，實踐經(jīng)驗豐富，對產(chǎn)品設(shè)計方法論有深入洞察。
本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，不得轉(zhuǎn)載。
題圖來自 Unsplash，基于 CC0 協(xié)議
- 目前還沒評論，等你發(fā)揮！
