機(jī)器人可以學(xué)會(huì)什么本領(lǐng)

機(jī)器學(xué)習(xí)已是現(xiàn)在進(jìn)行式，當(dāng)其發(fā)展成人工智能 AI，終究會(huì)對(duì)我們?cè)斐捎绊懀珯C(jī)器到底能學(xué)會(huì)什么？

機(jī)器能學(xué)會(huì)什么？

機(jī)器人（Robot）行動(dòng)笨拙，除了制造業(yè)的專用機(jī)器手臂，機(jī)器人的動(dòng)作遠(yuǎn)不如人類靈敏，是因?yàn)?u>機(jī)械操演不夠靈活。但機(jī)器學(xué)習(xí)（Machine Learning， ML）則是另一個(gè)領(lǐng)域，是人工智能 AI 的核心技術(shù)，不需要機(jī)械的操演，但能學(xué)習(xí)人類相當(dāng)多的技術(shù)，甚至替代人類的工作。

一旦機(jī)器人的機(jī)械操演技術(shù)進(jìn)一步進(jìn)展，也就會(huì)學(xué)到一些人類日常生活的動(dòng)作，當(dāng)然這也要用機(jī)器學(xué)習(xí)產(chǎn)生的 AI 做為腦子。所以機(jī)器學(xué)習(xí) ML，恐怕不是一個(gè)機(jī)器人坐在書堆上，一本本的讀。

上個(gè)月《科學(xué)》（Science）雜志有一篇報(bào)導(dǎo)，探討機(jī)器學(xué)習(xí)的特性與功能，有些領(lǐng)域機(jī)器可以學(xué)的非常好，這領(lǐng)域的工作遲早會(huì)被機(jī)器替代，但有的領(lǐng)域機(jī)器卻學(xué)不了，在這些領(lǐng)域人類仍然主導(dǎo)。

目前的機(jī)器學(xué)習(xí)主要是用計(jì)算機(jī)仿真的神經(jīng)網(wǎng)絡(luò)，模仿我們思考的方式，然后用大量的數(shù)據(jù)（大數(shù)據(jù)）來訓(xùn)練，增進(jìn)智慧，訓(xùn)練結(jié)束之后，就成為一個(gè) AI 軟件。當(dāng)然這句話的解釋過于簡(jiǎn)單，實(shí)際上用計(jì)算機(jī)軟件模仿我們腦神經(jīng)的運(yùn)作，適用性仍有爭(zhēng)議，這只是目前的技術(shù)。

機(jī)器雖然不同于人類，但學(xué)習(xí)的情形有類似的地方，比如從病歷診斷哪一種疾病發(fā)生的機(jī)率，從貸款申請(qǐng)預(yù)測(cè)未來償還的機(jī)率，這些都是醫(yī)師與理財(cái)專家天天做的事，但機(jī)器可能比人做的更快更好，因?yàn)橐蚬P(guān)系、也就是輸入與輸出的連結(jié)，定義清楚，適合機(jī)器的學(xué)習(xí)運(yùn)算。

機(jī)器學(xué)習(xí)不單靠規(guī)則，還要靠經(jīng)驗(yàn)數(shù)據(jù)來訓(xùn)練，越多的資料、學(xué)習(xí)的越精準(zhǔn)，大數(shù)據(jù)的概念就用到這里。大數(shù)據(jù)可來自監(jiān)測(cè)網(wǎng)絡(luò)的交易與互動(dòng)，人工加注分類整理，或針對(duì)特定問題制作的仿真，但數(shù)據(jù)來自非結(jié)構(gòu)化的來源，像是網(wǎng)絡(luò)聊天，可能產(chǎn)生偏差，機(jī)器學(xué)習(xí)的結(jié)果也難免偏頗。另外，靠數(shù)據(jù)訓(xùn)練，并非適合所有的領(lǐng)域。

最有意思的是，只要有明確的目標(biāo)，甚至不必知道達(dá)到目標(biāo)的最好方法，只要運(yùn)用整理好的數(shù)據(jù)來訓(xùn)練，機(jī)器的學(xué)習(xí)效果就特別好。這種方式通常用在系統(tǒng)層面的宏觀領(lǐng)域，像是讓公司獲取最大的利潤(rùn)，讓市區(qū)的交通流暢無阻，而不是用在細(xì)微枝節(jié)上，因?yàn)橹?jié)的數(shù)據(jù)范圍太窄，難免有錯(cuò)。

另一個(gè)有意思的是，機(jī)器是不講理的，學(xué)習(xí)得到結(jié)果，卻說不出演繹的道理，醫(yī)師能從病歷耐心的解釋診斷的結(jié)果，但機(jī)器的解說顯然不如醫(yī)師。這正說明了計(jì)算機(jī)仿真與人的思維運(yùn)作不同，神經(jīng)網(wǎng)絡(luò)從輸入到輸出可能有很多層次，每一層次運(yùn)算出多項(xiàng)結(jié)果傳遞給下一層，這些中間結(jié)果并不做他用，所以我們看到最終結(jié)果，卻看不到中間過程。

機(jī)器學(xué)習(xí)的算術(shù)法，都是用統(tǒng)計(jì)與或然率求得答案，學(xué)的再好，一旦用到 AI 解決問題，都沒有100%的肯定答案，也就是仍然有出錯(cuò)的機(jī)會(huì)，如同最好的人類專家一樣，我們用 AI 解決問題，要把容忍出錯(cuò)放在心上。

綜合機(jī)器學(xué)習(xí)的特性，需要大量數(shù)據(jù)，定義嚴(yán)謹(jǐn)?shù)妮斎肱c輸出連結(jié)，使用統(tǒng)計(jì)與或然率，不能發(fā)展出單一的最佳答案，不能做清晰解釋。機(jī)器「受困」于計(jì)算機(jī)仿真的神經(jīng)網(wǎng)絡(luò)，缺乏人類的適應(yīng)性，不能突然改變。

所以底線是，許多工作難以自動(dòng)化，至少要比傳說的來得慢。但仍不能掉以輕心，機(jī)器學(xué)習(xí)發(fā)展成 AI，終究會(huì)對(duì)我們?cè)斐捎绊懀诓煌念I(lǐng)域，以不同的程度替代我們的工作。 值得注意的是，機(jī)器學(xué)習(xí)也不斷的在“學(xué)習(xí)”，學(xué)習(xí)能力一天天提升。