誰才是人工智慧的正牌「女友」？

　　2017-02-14 03:55    機器人圈

　　

　　AI已經成為我們這個時代偉大的流行語之一。鄧白氏諮詢公司（Dun & Bradstreet）的首席數據科學家以簡潔的商業術語和實例詮釋了AI。

　　

　　文 | Michael Krigsman；編譯 BaymaxZ

　　

　　l

　　Michael Krigsman

　　Michael Krigsman是cxotalk.com的創始人。他是國際公認的行業分析師、戰略顧問、企業律師以及行業評論員。在這次對話中，他採訪了鄧白氏諮詢公司（Dun & Bradstreet）的首席數據科學家Anthony Scriffignano。以下為對話實錄。

　　Michael Krigsman：人工智慧、機器學習、認知計算、深度學習和其相關術語，在很多媒體上，成為了已經可以互換指代AI的術語。雖然我們很難相信，但是人們對AI的營銷炒作水平甚至超過了其數字化轉型。

　　

　　Anthony Scriffignano

　　為了防止人們對人工智慧進行炒作，或者總是談一些與真實AI不著邊際的話，我邀請了鄧白氏諮詢公司的首席數據科學家，用最簡明的商業術語解釋人工智慧的意義。這是一個很複雜的任務，所以我找到了Anthony Scriffignano。因為我知道，他是全世界最睿智、最成功的數據科學家之一。他是一個優秀的溝通詮釋者，這使他成為解釋AI的理想候選人。

　　問：什麼是人工智慧？

　　答：對於每一個行業，如果沒有什麼更好的選擇，那麼人們可以使用它創造的有歧義的術語，可以被認為幾乎在任何情況下使用。這當然只是其中之一。所以，這可能代表你明白了這個事情其中一部分，但是當你試圖「定義」它時，學者肯定不會同意這種不確切的定義。

　　但是，當我們碰到「人工智慧」這個詞時，我們會碰到一系列技術。所以，你會聽到「AI」，你會聽到「機器學習」，你會聽到「深度學習」（有時也叫「深信念」），也還會聽到「神經形態計算」或「神經網路」、「自然語言處理」、「推理演演算法」、「推薦引擎」。所有這些詞都屬於人工智慧這一大類。

　　還有一些時候，我們會聽到「自主系統」這個詞，其實也就是機器人。Siri可能就是一個最明顯的例子（或任何其他相關的機器人），所有這些助理都在試圖模仿人類的行為。當你在一個網站上，它說，「點擊這裡與雪莉談話！」或「點擊這裡與Doug交談！」，你不是和某個人說話，實際上，你是在和機器人說話。這樣的例子還有很多。

　　一般而言，這只是大略地談談。然後，如果你是一名計算機科學家，你會說這些是系統過程，旨在做任何一件事情。其中之一是模仿人類行為，或者模仿人類思維過程，還有一種是「智能行為」，或者「理性行為」，這是一個巨大的辯論主題。另一種是「道德行為」，這是一個更大的辯論主題。這些還只是這些系統和過程所屬的類別中的一部分。

　　當然，我們有辦法對實際演演算法進行分類，比如說確定性方法、非確定性方法、有基於規則的方法等。

　　問：機器學習、AI和認知計算等術語如何相互關聯？

　　答：他們並不是同義詞。其實，認知計算與機器學習非常不同，我會稱它們都是一種AI的類型。那麼，我們來試著描述這三個術語。我會說人工智慧包括所有我剛才描述的東西。它是一系列旨在模仿行為，模仿思維，智能行為，理性行為，同情行為的事物的集合。這些是我們稱之為人工智慧集合的系統和過程。

　　認知計算主要是IBM術語。這是一種顯著的方法來管理大量的信息，以便攝入到所謂的認知堆棧，然後便能夠在所有攝取的材料之間創建連接，使得用戶可以發現特定問題，或者可以探索未被預期的特定問題。

　　機器學習幾乎是相反的過程。首先，你要確定一個目標函數，你會在數據中嘗試並定義非常具體的信息。而且，機器學習會查看大量不同的數據，並嘗試創建接近目標函數——基本上就是不斷嘗試找到你告訴它需要尋找的東西。通常，你可以通過訓練系統，觀察它的行為，或者轉動旋鈕和按鈕來進行無監督學習、監督學習。這與認知計算非常不同。

　　問：「訓練模型」是什麼意思？

　　答：其實，模型是一種查看過去的一組數據或一組已經收集的數據並以數學方式描述它的方法。我們有基於回歸的技術，其中我們持續改進該模型，直到它達到某個確定的表現。反過來看，它預測了我們打算預測的結果。然後，假設我們可以從框架外推演到未來，這是一個很大的假設，我們可以使用該模型來嘗試預測數學上發生的事情。

　　現在，最明顯的例子是選舉，不是嗎？所以我們可以預測輪詢數據，我們可以預測月亮的相位，甚至是鞋子的尺碼。無論我們決定看什麼，我們都會說：「這是會發生的。」當然，有些事情可能是模型沒有預測到。

　　那麼，現在我們討論AI。它只是一些系統的工作方式，而不是全部，他們說：「給我展示那些看起來像你在尋找的信息，然後我會去找看起來像它的很多其他的東西。然後開始訓練我，給我一個網頁，並告訴我在那個網頁上你覺得有趣的事情，我會發現一大堆其他看起來很像的網頁。然後給我你認為是一種危險的一組信號，然後當我看到這些信號時，我會告訴你，發生了危險的事情。」這就是我們所說的「訓練」的過程。

　　問：為什麼訓練模型很複雜？

　　答：當然很複雜。試想，我有一大堆人要給他們看圖片，而條件是他們必須有同樣類似的激勵和指導。當然，我做不到的。這些人或多或少地，要不就是完全隨機分散，要不就是都試圖做同樣的事情。你向他們展示山的圖片，混合了駱駝的照片，以及可能幾乎是山的東西的照片，如冰激凌錐體；你讓他們告訴你哪些是山。其實，機器也是如此。這被稱為啟髮式方法。

　　當我們觀察人類時，我們通過觀察他們的行為來模仿，然後做他們做的相同的事情。這是一種學習方式。而啟髮式建模是機器學習工作的方式之一，但不是唯一的方式。

　　有很多簡單的方法技巧，人臉識別就是一個很好的例子。當你看著人們的臉時，我們可能都知道，有一些技巧，用於在臉上的某些點建模，比如眼睛的角落。在某些地方，你在這些特定的地方之間建立角度，然後那些角度通常不會改變太多。之後你看到他們的眼睛睜大，或是張大嘴，瘋狂表情的人的照片。那些人試圖通過扭曲他們的臉混淆這些演演算法。這就是為什麼你不應該在你的護照照片中微笑。但是，機器學習已經比原來好得多。我們有類似於特徵臉方法（Eigenface）這樣的演演算法，以及其他用於對面部的旋轉和失真進行建模的技術，從而確定它是相同的東西。

　　所以隨著時間的推移，這些會變得越來越好。有時，當人們試圖混淆訓練時，我們也從這種行為中學習。所以，這一切都是為了變得更好。最終，如果你願意，他們會越來越接近目標，只找到山，而且它永遠不會錯過一座山，也不會被冰淇淋錐混淆。

　　問：與傳統的編程有什麼不同？

　　答：這樣做的原始方式是通過遊戲化技術或只是圖像標記來做。他們要麼有人玩遊戲，要麼有人會說：「這是一座山」、「這不是一座山」，「這是富士山」，「這是乞力馬扎羅山」。 所以，當他們得到了一堆的詞語后，然後用一群人以文字來描述圖片，比如亞馬遜的Mechanical Turk人工智慧網站就是如此。

　　使用這些技術，他們只是基本上管理了一堆詞語，他們會說：「好吧，『山』這個詞經常與其圖像的使用之間有很高的相關性。因此，當人們要查詢一個山，給他們這張圖片，當他們尋找富士山，給他們這張圖片，而不是另外一張圖片。」這是人類大腦使用單詞時的伎倆。當然，這不是人工智慧目前工作的唯一方式，還有很多更複雜的方法。

　　機器人圈