關(guān)于機(jī)器學(xué)習(xí)有這十大誤區(qū)，比如以為它不久后將變得超級(jí)智慧

機(jī)器學(xué)習(xí)過(guò)去往往發(fā)生在幕后：亞馬遜通過(guò)挖掘你的點(diǎn)擊和購(gòu)買(mǎi)記錄來(lái)給你推薦新物品；谷歌通過(guò)挖掘你的搜索來(lái)投放廣告；臉書(shū)通過(guò)挖掘你的社交網(wǎng)絡(luò)來(lái)選擇給你展示不同的新鮮事。

然而機(jī)器學(xué)習(xí)現(xiàn)在已然登上了頭版頭條，成為了被熱烈討論的話題！機(jī)器學(xué)習(xí)算法可以駕駛車(chē)輛，可以翻譯演講，贏得危險(xiǎn)邊緣游戲（哥倫比亞廣播公司益智問(wèn)答游戲節(jié)目）！

我們不由自主會(huì)問(wèn)：“他們到底能做什么不能做到什么？他們會(huì)是隱私、工作甚至是人類(lèi)消失的開(kāi)始呢？”大家對(duì)機(jī)器學(xué)習(xí)的關(guān)注固然很好，因?yàn)?a href='/map/jiqixuexi/' style='color:#000;font-size:inherit;'>機(jī)器學(xué)習(xí)將會(huì)是塑造未來(lái)的主要推動(dòng)力，但是這其中又有太多關(guān)于機(jī)器學(xué)習(xí)的錯(cuò)誤觀念，我接下去要做的第一步就是糾正這些錯(cuò)誤的觀念。讓我們快速瀏覽一下那些錯(cuò)誤觀念。

機(jī)器學(xué)習(xí)只是在總結(jié)數(shù)據(jù)

事實(shí)上，機(jī)器學(xué)習(xí)的主要目的是預(yù)測(cè)未知。知道你過(guò)去看了什么電影只是一種推測(cè)你之后想看什么電影的方式；你的信用記錄預(yù)示了你會(huì)否按時(shí)付賬單。而對(duì)于機(jī)器人科學(xué)家，學(xué)習(xí)算法提出假設(shè)，改進(jìn)假設(shè)，而只有假設(shè)提出的預(yù)測(cè)成真時(shí)才會(huì)相信這些假設(shè)。學(xué)習(xí)算法并不比科學(xué)家聰明，但卻有比科學(xué)家百萬(wàn)倍快速的計(jì)算能力。

學(xué)習(xí)算法只是發(fā)現(xiàn)了事件之間的關(guān)聯(lián)

這是你對(duì)媒體口中機(jī)器學(xué)習(xí)的第一印象。一個(gè)非常著名的例子就是，谷歌搜索中關(guān)于“流感”搜索的增加是流感流行的跡象。當(dāng)然這沒(méi)有錯(cuò)，但是大多學(xué)習(xí)算法可以發(fā)現(xiàn)更豐富的信息，例如如果痣有著奇怪的形狀和顏色，并且在逐漸變大，那么這可能會(huì)是皮膚癌。

機(jī)器學(xué)習(xí)只能發(fā)現(xiàn)相關(guān)性，而無(wú)法發(fā)現(xiàn)因果關(guān)系

實(shí)際上，最流行的機(jī)器學(xué)習(xí)算法之一就是由嘗試不同的行為之后觀察行為的結(jié)果（本質(zhì)上是發(fā)現(xiàn)因果關(guān)系）所組成的。比方說(shuō)，電商網(wǎng)站可以嘗試不同呈現(xiàn)商品的方式，然后選擇其中能帶來(lái)最高購(gòu)買(mǎi)量的方式。你可能不經(jīng)意間已經(jīng)參與了成千次這種實(shí)驗(yàn)。因果關(guān)系甚至可以在一些無(wú)法進(jìn)行實(shí)驗(yàn)只能通過(guò)計(jì)算機(jī)處理之前記錄的數(shù)據(jù)的情形下被發(fā)現(xiàn)。

機(jī)器學(xué)習(xí)無(wú)法預(yù)測(cè)未見(jiàn)過(guò)的事件，也稱作“黑天鵝”效應(yīng)

如果某些事之前從未發(fā)生過(guò)，那么預(yù)測(cè)它發(fā)生的概率必然為零，不然呢？相反，機(jī)器學(xué)習(xí)很擅長(zhǎng)高精度地預(yù)測(cè)稀有事件。如果A是B發(fā)生的原因，B又是C發(fā)生的原因，那么A可能導(dǎo)致C發(fā)生，即便我們從未見(jiàn)過(guò)其發(fā)生過(guò)。每一天，垃圾郵件過(guò)濾器可以標(biāo)記出剛剛捏造而成的垃圾郵件（之前未出現(xiàn)過(guò)）。像2008年發(fā)生的房地產(chǎn)危機(jī)實(shí)際上是被廣泛預(yù)測(cè)到了的，只不過(guò)不是那時(shí)大多數(shù)銀行所使用的是有缺陷的模型而已。

你有越多的數(shù)據(jù)，你越可能得到錯(cuò)誤的模式

試想，國(guó)家安全局查看了越多的電話記錄，越可能把一個(gè)無(wú)辜的人標(biāo)記為恐怖分子，因?yàn)樗耐ㄔ捰涗浾闷ヅ淞丝植婪肿訖z測(cè)的機(jī)制。對(duì)同一個(gè)體挖掘越多的屬性是會(huì)增加誤判的可能性，然而機(jī)器學(xué)習(xí)專家們是很善于把這種可能性降到最低的。另一方面，挖掘不同個(gè)體的同種屬性可以降低誤判風(fēng)險(xiǎn)，因?yàn)閺闹袑W(xué)習(xí)的規(guī)則有更多的依據(jù)。而且有些學(xué)習(xí)算法可以在不同個(gè)體之間找到某些模式，從而使檢測(cè)機(jī)制更加穩(wěn)定。也許某人拍攝紐約市政府的視頻并不可疑，同時(shí)另外一個(gè)大量購(gòu)買(mǎi)硝酸銨的人也不可疑；然而如果這兩個(gè)人之間有電話聯(lián)系，也許FBI就應(yīng)該調(diào)查一下以保證他們之間不是在密謀爆炸襲擊了。

機(jī)器學(xué)習(xí)無(wú)視現(xiàn)存的知識(shí)

許多被機(jī)器學(xué)習(xí)滲透的領(lǐng)域里的專家質(zhì)疑像機(jī)器學(xué)習(xí)這樣不需掌握任何領(lǐng)域知識(shí)的方法。真正的知識(shí)是一個(gè)長(zhǎng)期推理與實(shí)驗(yàn)的過(guò)程中累積下的，你無(wú)法靠在一個(gè)數(shù)據(jù)庫(kù)里跑一個(gè)原型算法而學(xué)到。但不是所有的學(xué)習(xí)算法都不使用領(lǐng)域知識(shí)；其中一些就會(huì)用數(shù)據(jù)去精煉已有的繁雜知識(shí)，使其變得十分精巧，進(jìn)而呈現(xiàn)為計(jì)算機(jī)所能理解的形式。

計(jì)算機(jī)習(xí)得的模型人類(lèi)無(wú)法理解

這自然會(huì)是一個(gè)引起人們關(guān)心的原因。如果一個(gè)學(xué)習(xí)算法是黑箱模型，那么我們?cè)趺茨芟嘈潘o出的推薦呢？某些模型卻是非常難理解，比如給機(jī)器學(xué)習(xí)帶來(lái)最大成功的深度神經(jīng)網(wǎng)絡(luò)（從youtube的視頻里識(shí)別貓咪）。但其他大多模型都完全可以被理解，比如我們之前提到的診斷皮膚癌用到的方法。

以上所有的誤解都是負(fù)向的，它們認(rèn)為機(jī)器學(xué)習(xí)的能力比實(shí)際上更有限。以下的則是過(guò)于正向的錯(cuò)誤觀念：

越簡(jiǎn)單的模型越準(zhǔn)確

這個(gè)觀念有時(shí)來(lái)自“奧卡姆剃刀”，但只說(shuō)了我們應(yīng)該傾向于更簡(jiǎn)單的模型卻沒(méi)有給出原因。簡(jiǎn)單模型更可取是因?yàn)樗麄兏子诮忉尯屯评怼５怯袝r(shí)與數(shù)據(jù)相容的簡(jiǎn)單假設(shè)比復(fù)雜模型更不準(zhǔn)確。一些強(qiáng)有力的學(xué)習(xí)算法輸出模型看起來(lái)毫無(wú)理由的復(fù)雜，甚至還會(huì)繼續(xù)給復(fù)雜模型添加組件即便他們已經(jīng)完美擬合了數(shù)據(jù)，但這也是它們比簡(jiǎn)單模型更準(zhǔn)確的原因。

機(jī)器學(xué)習(xí)發(fā)現(xiàn)的模式可以直接被采納

如果一個(gè)學(xué)習(xí)算法輸出了一條診斷皮膚癌的規(guī)則，并且極其準(zhǔn)確（任何符合這個(gè)條件的痣都是皮膚癌），這也不意味著你應(yīng)該相信它。對(duì)于數(shù)據(jù)微小的改動(dòng)都會(huì)導(dǎo)致算法輸出同等精確卻非常不同的規(guī)則。只有那些對(duì)于數(shù)據(jù)中隨機(jī)擾動(dòng)穩(wěn)定的規(guī)則可以被相信，而不僅僅是作為預(yù)測(cè)的方式。

機(jī)器學(xué)習(xí)不久后會(huì)變成超級(jí)智慧

從每天人工智能發(fā)展的新聞來(lái)看，非常容易有一種感覺(jué)，計(jì)算機(jī)已經(jīng)接近于像我們一樣可以看，說(shuō)話，推理；不久后就會(huì)把我們拋棄在塵土里了。我們?cè)谌斯ぶ悄艿牡谝粋€(gè)五十年走了條長(zhǎng)路，機(jī)器學(xué)習(xí)是其近來(lái)成功的主要原因，然而我們還有很長(zhǎng)的路要走。計(jì)算機(jī)可以非常好的完成特定的任務(wù)，卻依然沒(méi)有通用智能，也還沒(méi)有人知道怎么去教它們。

好了，到這你已經(jīng)知道機(jī)器學(xué)習(xí)有時(shí)比我們想象的更強(qiáng)力，有時(shí)卻不那么好。如何使我們更好運(yùn)用機(jī)器學(xué)習(xí)也取決于我們！我們要對(duì)它們有更準(zhǔn)確的理解！