當前位置：首頁 > 軟件開發 > 人工智能 > 正文

從人工智能到統計機器學習

ink>作者：Carl　來源：LiveSpace 　 2007-09-09

今天一天收獲頗豐，我在微軟亞洲研究院訪問時的老板，機器學習領域的大牛，李航研究員來工大講學了，錯過了上次與其直接交流的機會（上次他來時，我恰好去韓國開會），這次可堅決不能放過。于是，一大早我就去了教室，結果還記錯了時間，早到了半小時，呵呵

不過我認為絕對不虛此行，大牛就是大牛，談古論今，旁征博引，整個上午的講座充滿了趣味性，將人工智能進行了系統的回顧和展望，并focus到統計機器學習，這個目前人工智能領域最熱門的話題上來。

他首先根據自己的經驗，給AI一個工程化的定義，就是機器能夠類似于人的能力和行動，在給定輸入的條件下，輸出一個結果。最典型的例子就是Turing Test。因此說AI更偏向于工程，而非科學（數學化的自然）。

另外，他提到的Karl Popper"s的Refutability（反證不可能）哲學思想很有意思，大概意思是說，如果一個命題沒法證反，比如社會學，歷史學等，就沒有研究的意義了。此人在西方很出名，但是由于他批判馬克思主義反證不可能，所以被共產黨封殺也很正常了，呵呵

三種AI實現的方法：
1）Cognitive Science，通過自省的方法實現AI，這個基本上很難，因為人畢竟很渺小，大多數的東西，只知其然，不知其所以然，也就是說必要條件可知，但是充分條件很難知道了。

2）Physical Science，通過研究人腦的物理現象，如腦電流等實現AI，這就更困難了，就像我們如果想要弄清楚CPU的工作機理，只通過測量CPU的電流，電壓等參數一樣，基本不可實現。

3）Simulation方法，以目前人們的認識來看，就剩下這樣一種相對可能的方法了，說其相對可能，是因為和上面兩種方法比較起來，這種方法更容易實現，效果也更好。但是模擬的方法很難抓住本質，因為多數事物都是橫看成嶺側成峰，只從一個片面的角度對其模擬，往往是一葉障目，不見泰山。

為什么說AI比較難呢？
1）Concept Hierachy很難獲得和定義。Wittgenstein"s "game"例子，也就是對于各種“game”，很難找到共性。

2）Inference過程難。人往往能夠進行快速，模糊的推理，而機器沒有這個能力。

3）智能也會受到Language的影響。Dani人對顏色的認識就三種，他們的智力和其他種族的會有差異。

4）人類Generalization的能力很強，可以舉一反三。

5）人類Discovery的能力很強。Hanson"s "Pattern of Discovery"，講述了人類進行科學發現的時候，往往是心中有一種模式了，然后才來證明。聯想的自己的研究經歷，確實也是這樣。比如做實驗，往往是證明自己方法的有效性，而不會去證明其無效。

說道AI的趨勢，大概有以下幾個（面向應用）：
1）統計機器學習；
2）Data driven；
3）Task-oriented；
4）High Performance Computers

后半部分講的是統計機器學習，由于以前聽過，這里就不詳述，簡單說說其中的一些閃光點吧：

統計機器學習的三要素：
1）模型(Model)：假設(Hypothesis)
2）策略(Strategy)：損失函數優化(Optimization of Loss function)
3）算法(Algorithm)：尋找最優模型(Finding optimal model)