在花 100 天学习人工智能之后，我得出这 5 个结论

本文的作者是 Jamie Beach，在自学人工智能 100 天以后，他分享了自己对人工智能的 5 个感悟，以下是他的全文。

2019 年 1 月底，我突然意识到，我对人工智能的理解不足。它正日益影响着我们的每一天。人工智能保护我们的收件箱免受垃圾邮件的攻击，它支持来自 Alexa 的天气更新，它使亚马逊能够向我们推荐商品，让 Netflix 给我们推荐电影。每次我们打开 twitter 或 facebook，都是人类与比我们更了解自己的人工智能的较量。但我是一个专业的技术人员，却对人工智能的真正含义知之甚少。

《连线》杂志创办人 Kevin Kelly 在一个名为「未来思考者(Future Thinkers)」的播客上接受采访时，谈到过 AI 相关的话题。他认为，我们的人工智能技术还处于起步阶段，如果有人花一点时间学习人工智能和机器学习，超越只是了解的水平，他们会发现自己只是一小部分人中的一部分。那天下班回家后，我开始了为期 100 天的「人工智能学习潜水」。

我将需要学习的所有东西都进行了分类。由于在职，很难找到业余时间，但我确实在 100 天内完成了近 200 个小时的工作。我读了 9 本书，上了 2 门 Coursera 课程(已经开始学习第三门课)，听了很多播客，看了尽可能多的辅助教程。

以下是我在那段时间总结出的 5 个观点：

1.人工智能是旧的也是新的

人工智能这个词并非出自某部科幻小说。1956 年，在达特茅斯学院的一个暑期研讨会上，许多聪明人聚集在一起研究如何让机器思考。在这次聚会中产生了「人工智能」这个概念。虽然这次会议并没有研究出具有思维的机器人，但它带来的思想和技术仍然是当今人工智能的基础。

研讨会之后，人们对人工智能的不同子领域的兴趣增强。神经网络似乎很有前途，但在当时这项技术一片空白，大多数研究最终放弃了这一概念。这个时期被称为「AI 寒冬」，它持续了几十年。然而，近年来，算力和可用数据的指数增长，加上深度学习的最新进展，极大地提高了机器学习的有效性。AI 被 Andrew Ng 等专家称为「新的电力(new electricity)」。

2.人工智能等同于机器学习，但它并不是终结者

「人工智能是用 powerpoint 完成的，机器学习是用 python 完成的(「AI is done in PowerPoint and machine learning in Python」)」

人工通用智能(Artificial General Intelligence，简称 AGI)是一种假想的机器，它的思维方式和人类一样, 比如终结者就是这种机器人。超智能是超越人类思维能力的机器(如果读过 Nick Bostrom 的 Superintelligence，你可能会有点害怕它)，但在现在，还没有这样的事物出现。到目前为止，AGI 只是一种幻想，它在未来，并且有点遥不可及。这并不意味着没人在做这件事，这也不意味着像 Max Tegmark 和 Ray Kurzweil 这样的聪明人不会广泛地谈论它并期待它。但目前人工智能的形式几乎就是机器学习——一个 AI 的子领域。

机器学习的基本原理如下：

• 第一步：把一个问题变成一个预测问题。换句话说，给定输入参数(特征)，预测结果。你可以预测一栋房子的价格，或者是拍摄时给定的摄像位置。
• 第二步：定义算法或者系统，做出决策。这里有很多方法，如线性回归，神经网络，深度学习，支持向量机，递归神经网络，卷积神经网络，生成性对抗网络等等。每种算法都可以用于一种特殊的预测问题。要预测房屋成本，线性回归模型就足够了;预测电影剧本将使用一个递归神经网络(RNN);预测不存在的人的面部图像使用生成性对抗网络(GAN)。
• 第三步：获取大量的训练数据。通常情况下，数据越多，效果越好。对于房价，要获取数千行数据，其中包含这些房屋出售的特征和实际价格(标签)。对于字符识别，需要获取大量的字符图片并相应地进行标注。
• 第四步：训练模型。提供训练数据，计算误差，调整并重复，直到误差最小化。梯度下降和反向传播是这里的重要概念。

假设误差已经达到最小，模型就可以接受新的特征，并预测结果。这个结果通常非常准确——比人类更精确。

3.没有魔法，只有数学

在开始这 100 天之前，我知道机器学习会涉及到数学，但我并不知道会需要多少数学知识。了解微积分和矩阵代数对任何人来说都是非常有益的，幸运的是，你不需要是数学专业的学生就可以学会这些，而且机器学习的框架也在不断地迭代，变得越来越易用。

一些重要的框架，包括 Google 的 Tensorflow、Microsoft 的 ML.NET 和 PyTorch 为程序、数学和算法添加了抽象层。甚至还有额外的抽象层，比如于 Tensorflow 上面的 Keras。

此外，相关人员正通过提供机器学习模型作为一项服务，或创建自动化的程序(如 AutoML 和 Auto-Keras)，使机器学习更加容易上手。

4.偏差是个大问题

「真正的安全问题是，如果我们给这些系统提供有偏差的数据，系统就会有偏差」——John Giannandrea。

机器学习中的偏差是个大问题。Amy Webb 的书「The Big Nine」中有好几个章节都提到了这个问题。测试数据的全面性和多样性是非常重要的，但这往往是缺乏的。

Amy 使用 ImageNet 语料库作为有固定偏差的例子，它里面有超过 1400 万张标记图片，其中一半以上是在美国产生作的。当然，ImageNet 并不是唯一一个有偏差的例子。

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!