我們正處在人工智能革命的過程中，越來越多的人開始認識到人工智能的強大力量。在這篇訪談中，微軟劍橋研究院院長Christopher Bishop博士將為大家介紹現(xiàn)代觀念下的機器學(xué)習(xí)，并展望了未來幾年我們將如何教會機器學(xué)習(xí)，提高創(chuàng)造新技術(shù)的能力。

人工智能和機器學(xué)習(xí)的發(fā)展比人們想象的要慢得多也快得多。人們主觀地認為，這兩個領(lǐng)域在很長一段時間沒有進展，突然又在一夜之間取得突破。但實際上，人工智能和機器學(xué)習(xí)正經(jīng)歷著相對穩(wěn)定且積極的發(fā)展。

在某些領(lǐng)域特別是多層神經(jīng)網(wǎng)絡(luò)（即深度學(xué)習(xí)）領(lǐng)域，一些理論已經(jīng)存在了很長時間，而最新的研究進展提升了這些理論的準(zhǔn)確度和性能，在例如語音識別和圖像識別等方面彰顯出巨大的實用價值。機器學(xué)習(xí)有很大潛力，也得到了充分的重視——人們對機器學(xué)習(xí)的關(guān)注度和興奮度空前高漲，研究人員只能不斷推動技術(shù)的進步以滿足人們的期望。

現(xiàn)代觀念下的機器學(xué)習(xí)

機器學(xué)習(xí)研究領(lǐng)域有一個我很喜歡的理論，叫做“沒有免費的午餐定理”。它的大意是對于應(yīng)用機器學(xué)習(xí)方法去解決問題，在沒有實際背景條件下，不同算法之間并沒有優(yōu)劣之分，換句話說，并不存在一種能解決所有問題的機器學(xué)習(xí)通用算法。

或許確實存在某些算法，它們對于現(xiàn)實世界中可能遇到的各種類型的問題都能給出不錯的解決方案，例如，深層神經(jīng)網(wǎng)絡(luò)等技術(shù)就有可能很通用，但是“沒有免費午餐定理”也告訴我們不能僅從數(shù)據(jù)中學(xué)習(xí)，而要在特定背景下學(xué)習(xí)數(shù)據(jù)，這些模型或假設(shè)情境中的數(shù)據(jù)才是機器學(xué)習(xí)的關(guān)鍵。

假設(shè)取決于你正在解決的特定問題，這也就意味著我們不是要探尋能夠解決所有問題的唯一通用算法，而是要針對特定問題，找到最合適的技術(shù)。

對不確定性進行量化是機器學(xué)習(xí)的基礎(chǔ)，我把它稱為“現(xiàn)代觀念下的機器學(xué)習(xí)”。傳統(tǒng)上，我們認為機器學(xué)習(xí)模型是一種函數(shù)，將它與某些數(shù)據(jù)進行擬合從而進行預(yù)測，就像借助數(shù)據(jù)擬合曲線一樣。

在此過程中，你要不斷調(diào)整參數(shù)設(shè)置，使神經(jīng)網(wǎng)絡(luò)能在訓(xùn)練集上得到正確結(jié)果，并在測試集上也有同樣的效果。從更廣泛意義上理解，機器學(xué)習(xí)真正的過程就是機器對這個世界進行建模，這個模型對不確定性進行量化，不確定性的積分就是概率。

因此，機器是建立在概率的基礎(chǔ)之上的，它對世界的理解本身就包含著不確定性。但是，隨著它“看”到的數(shù)據(jù)越來越多，這種不確定性通常會降低，換句話說，機器從數(shù)據(jù)中學(xué)到了一些東西。

這一思想在“貝葉斯定理”這一優(yōu)雅的數(shù)學(xué)理論中得到了體現(xiàn)，因此，我認為貝葉斯定理，以及“通過概率量化不確定性”的思路，正是機器學(xué)習(xí)的基石。

這種“基于模型的機器學(xué)習(xí)”借鑒先驗知識、領(lǐng)域知識的想法，是機器學(xué)習(xí)領(lǐng)域非常重要的問題。不要把它看作一種特定技術(shù)，而要將其視為一種觀點，一種理解機器學(xué)習(xí)的方法。

不妨想象一下，你是機器學(xué)習(xí)領(lǐng)域的一名新手。你發(fā)現(xiàn)這個領(lǐng)域已經(jīng)發(fā)表過成千上萬篇論文，包含成百上千種名稱各異的算法，你仿佛在大海上漂流卻沒帶指南針。

你需要閱讀所有這些文件，并且全部理解它們嗎？如果想解決實際問題卻不太熟悉其中所需的全部技術(shù)該怎么辦？你可以采用這種“基于模型”的思想：思考你的機器學(xué)習(xí)解決方案中的假設(shè)并用明晰的語句寫下來，然后將這些假設(shè)轉(zhuǎn)化為模型。

但這個模型只是你的假設(shè)的數(shù)學(xué)表達，接下來將模型與數(shù)據(jù)相結(jié)合，運行這個模型，機器就會自動學(xué)習(xí)。如果你做出了很好的假設(shè)，機器就能夠非常有效地從數(shù)據(jù)中學(xué)習(xí)，從數(shù)據(jù)中提取到更多信息。

但同時，如果你做出一個錯誤的假設(shè)，那么機器不僅會做出錯誤的預(yù)測，而且可能非常堅持這些錯誤預(yù)測，因此要十分小心。

微軟劍橋研究院院長Christopher Bishop

人工智能革命

我們正處于許多人所說的“人工智能革命”過程中，人們對此感到興奮并開始炒作這個概念。

而對我來說，人工智能是一個宏偉的愿望，是一個產(chǎn)生并不斷改進媲美人類智慧的超長期目標(biāo)，我們還有很長的路要走。那么人們對人工智能的看法是不是不合時宜的或高興得太早？炒作出來的泡沫是否遲早會破滅？我的回答是否定的。

近些年確實發(fā)生了一些深刻的轉(zhuǎn)型事件，不過它不是與人工智能有關(guān)，而與我們創(chuàng)造新技術(shù)的方法革命有關(guān)。類比硬件的發(fā)展：人們需要硬件和軟件來構(gòu)建新技術(shù)，在硬件方面，例如作為硬件的計算機，多年來變得更快、更好也更便宜，然而，這種進步并不是線性的。

在“光刻”技術(shù)發(fā)明以前，計算機一直處于平穩(wěn)發(fā)展的狀態(tài)，光刻技術(shù)讓我們得以“印刷”晶體管，我們不再需要制造單個組件然后組裝，而是將整個電路一次性地“印刷”在硅片上。

這項發(fā)明的影響是深刻的，因為它讓硬件發(fā)展速度躍升到指數(shù)級，這就是著名的“摩爾定律”。這之后才有以下事情的發(fā)生：微軟公司的創(chuàng)立，把超級計算機裝進口袋等等。

因此，在所謂的人工智能革命（實質(zhì)是機器學(xué)習(xí)革命）中，軟件的發(fā)展歷程也會出現(xiàn)一個類似的“奇點時刻”。

我們不妨回顧一下軟件的起源。世界上第一位軟件開發(fā)者Ada Lovelace在為巴貝奇（Babbage）分析機寫軟件時必須準(zhǔn)確指出每一個步驟。

時至今日，軟件開發(fā)者的工作方式也沒什么兩樣，他們?nèi)皂毟嬖V機器如何解決問題，只是工作效率更高，但制約其發(fā)展的瓶頸就在于人類智慧的缺失。

然而，如果借助機器學(xué)習(xí)，我們將獲得一種完全不同的軟件編寫方式：我們不再需要通過對機器編程來解決問題，而是讓它們能夠?qū)W習(xí)，然后用數(shù)據(jù)對它進行訓(xùn)練。

目前，制約其進步的因素是數(shù)據(jù)，這也是機器學(xué)習(xí)的動力。我們編寫機器學(xué)習(xí)算法讓計算機可以從經(jīng)驗中學(xué)習(xí)，現(xiàn)在，我們用數(shù)據(jù)對機器進行訓(xùn)練。如今世界上數(shù)據(jù)量的增長速度已經(jīng)達到了指數(shù)級別，事實上，它每隔幾年就會翻一番。

隨著對城市的監(jiān)測，隨著物聯(lián)網(wǎng)的普及，隨著我們對自身了解的深入，隨著我們收集到越來越多的數(shù)據(jù)，這個趨勢還將持續(xù)很長一段時間，而這一切都將成為機器學(xué)習(xí)革命的動力源泉。這也就是為什么我會認為有關(guān)人工智能的炒作并非不正確，只是為時過早。

真正令人興奮的是，未來幾年我們創(chuàng)造新技術(shù)的能力將呈指數(shù)級增長，這種能力并非是通過對機器進行編程，而是通過讓機器學(xué)會學(xué)習(xí)。

機器學(xué)習(xí)帶來的挑戰(zhàn)

如今，我們坐擁前所未有的計算能力、龐大的數(shù)據(jù)集和復(fù)雜的算法。計算機科學(xué)的研究人員開始意識到，有些問題并非僅僅依靠計算機科學(xué)家就能解決的，而這只是過去30年來這一領(lǐng)域的眾多變革之一。

在我從事機器學(xué)習(xí)研究的最初25年間，我們的目標(biāo)是降低錯誤率，提升算法性能。

如今，錯誤率已被降低，高精度算法正在解決現(xiàn)實世界中存在的問題，并擁有越來越多的應(yīng)用前景，但是與此同時，我們也不得不考慮將這些算法付諸現(xiàn)實之后所催生的新問題。

首先，產(chǎn)品的終端用戶獲得某種體驗，卻不想直接與算法打交道，這就需要能夠營造某種用戶體驗的用戶界面，因此，聘請能夠設(shè)計用戶體驗的設(shè)計師就顯得很重要。

同時，還需要社會科學(xué)家，理解人們是如何使用技術(shù)的。我們還需要考慮針對AI的惡意攻擊，以及如何防御這些攻擊。我們需要考慮如何利用普通終端用戶可以理解的語言對問題加以解釋。

以及如何讓來自不同領(lǐng)域的人們共同工作——他們通常來自迥異的文化、熟悉不同的語言并使用各自的術(shù)語，但是如果真的想解決問題，他們必須和衷共濟。

很多人都在談?wù)撽P(guān)于偏見、公平性和透明度等話題，但我認為我們無需擔(dān)心。關(guān)注這些問題固然非常重要，但好在人們一直在探討這些問題，許多非常聰明的研究人員也正努力破解這個問題。

對此我并不是很擔(dān)心，這并非因為這些問題不棘手或者不重要，但是至少我們已經(jīng)認識到了它們的存在，正在探討和研究它們，并且已經(jīng)取得了進展。

如果說有什么關(guān)于機器學(xué)習(xí)和人工智能的問題讓我夜不能寐，那就是技術(shù)探索和發(fā)展過程中遇到的障礙——也許是關(guān)于偏見，隱私，或者安全。

有一些事情會讓我們對機器學(xué)習(xí)技術(shù)冷眼相向，甚至不惜放棄技術(shù)可能帶來的機會——就醫(yī)療保健領(lǐng)域，在未來幾十年乃至幾個世紀(jì)里，人工智能將能夠切實改善人們的生活，拯救無數(shù)生命。

所以，在我們小心地討論技術(shù)所帶來的各種挑戰(zhàn)和風(fēng)險時，也不能忽視其中蘊含的巨大潛在利益，這樣才能在二者之間找到平衡。