讓機器自己學習
就像每個人在獲得技能之前都必須經過學習和訓練壹樣，機器只有通過學習才能變得智能。機器學習起源於人工智能的壹個分支。在這壹領域，計算機科學試圖創造類似人類的計算機智能。
真正的機器學習與我們所認為的傳統編程有著本質的不同。說到計算機程序(或程序中使用的算法)，我們通常會認為工程師給計算機下達了壹系列指令，告訴它們如何處理壹系列輸入，然後產生相應的輸出。瀏覽器將跟蹤訪問過的網頁，然後以某種可預測的方式響應用戶的輸入。但這些都是人類事先編碼好的，並不是機器主動學習的結果。
機器學習意味著機器自己編程。這些機器經過訓練後可以像人類壹樣被編程。2015年，谷歌發布了壹款名為“深夢”的圖片識別應用軟件，不僅可以識別圖像，還可以利用圖像創造壹些意想不到的奇幻場景。比如妳呈現壹張風景圖，軟件會分析妳的圖片，輸出壹張電腦眼中的風景圖。
這是怎麽做到的？Google Deep Dream的工作原理是通過模擬人類的神經網絡，建立計算機自己的神經網絡系統，通過神經元獲取物體的信息進行分析。計算機的神經網絡系統包含數千個相互作用的神經元，以實現精確的數學運算。
當然，為了讓機器識別物體的信息，研究人員在過去四年中壹直在用大量的圖片訓練計算機神經網絡，例如，向Deep Dream軟件展示許多圖片，並告訴每張圖片中的主題是什麽。壹旦深夢從幾百個角度看了幾百個狗頭壹千遍，就能學會自己輸出圖像。
在實驗中，“深夢”產生了混有鳥類、眼睛和狗頭輪廓的模糊圖像。雖然他們不是那麽栩栩如生，但他們也透露了計算機圖像處理的創造力。它已經學會在沒有人類監督和指導的情況下識別小貓和小狗的面孔。
神經網絡的機器結構模仿了人腦，也充分發揮了計算機的超強記憶功能，在生活中的應用更加廣泛。谷歌的搜索引擎、亞馬遜的推薦目錄、臉書的好友動態和垃圾郵件過濾，以及軍事、金融、科研、比人類駕駛更可靠的自動駕駛，都是神經網絡運算的具體應用。
如今，機器學習已經成功應用於更多領域，從檢測信用卡交易欺詐的數據挖掘程序，到獲取用戶閱讀興趣的信息過濾系統，再到可以在高速公路上自動駕駛的汽車。可以說，我們的智能生活就是機器學習的結果。
研究機器人學習算法
機器學習可以追溯到20世紀40年代二戰結束前後。由於戰爭期間交戰各方科學精英的苦心經營，計算機理論在那個時期得到了突飛猛進的發展。當時控制論研究者設想了壹個神經元計算機模型，可以粗略模擬生物神經元，可以用簡潔明了的數學形式表達。
然而，面對壹個不確定的、多樣的世界，要應付事先公式化的數學形式，簡直是難上加難。換句話說，人工編程的世界離真實的人類世界太遠了，真實的世界不會那麽有秩序有紀律。
比如計算機提前用數學表達了壹匹馬有四條腿，但這會造成兩個問題。首先，計算機如何學會理解這個事實？其次，對於那些在事故中失去壹條腿的馬應該怎麽處理？這些看似愚蠢的問題，是人工編程的最大障礙。這也是為什麽搜索引擎不能回答問題，只能搜索關鍵詞的原因。
但如果機器學習創造了壹個自我編程的系統，它可以對自己的錯誤做出反應，並不斷更新自己的內部狀態。人工編程的漏洞需要在發布前檢測出來，而機器學習的算法可以在過程中不斷修正錯誤，比人工智能更加靈活和智能。
但是機器如何學習呢？這就涉及到算法了。可以說，算法是構建互聯網的核心。現在很多網絡搜索和交流方式都是基於設定的數學公式，比如谷歌搜索引擎，蘋果語音系統，臉書。在信息時代，我們的生活實際上是由壹些數學公式來指導的。在醫學上，已經有計算糖尿病和瘧疾的公式。今天我們也是請公式學習機檢查胸部x光時的x光量。
連接學習、符號演繹、貝葉斯學習和類比學習是當代四種計算機學習範式。其中，連接學習是模仿人腦神經系統，建立計算機人工神經網絡；符號演繹是把壹個問題或知識表達成壹個邏輯網絡，通過符號演繹來學習。貝葉斯學習理論是通過概率規則實現學習和推理過程；類比學習是通過比較相似的事物來學習。這四種學習範式還是太復雜了。因此，華盛頓大學教授佩德羅·多明戈斯(Pedro Domingos)提供了壹個更大膽的假設，即未來可以將現有的算法公式統壹成壹個通用算法。
通用算法下的世界
多明戈斯構想了這樣壹種通用算法，它可以將物理學和生物學中已經發現的理論統壹到標準模型或中心法則中，同時可以從數據中發現所有的知識，所有人類現有的知識和所有未來的知識。比如萬能算法可以從第谷獲得？在布拉的空間觀測中，介紹了牛頓定律，即使它沒有相關的基礎知識。
大腦皮層可能是這種通用算法的典型例子。壹些神經科學家認為，在所有領域中，大腦皮層只使用同壹個公式就可以不斷調整皮層下各級大腦和脊髓的功能，從而不斷學會根據環境進行調整，聽到、看到或理解周圍世界的意義。
在信息時代，通用算法也會起到類似大腦皮層的作用。它可以在數據雲的基礎上學習和使用信息，改變目前計算機僵化被動的執行模式，主動完善功能，提高輸出，將給人類信息生活帶來革命性的變化。
比如互聯網信息量巨大，輸入幾個關鍵詞就能得到幾百萬個網頁，往往讓人無從選擇。但是有了通用算法，計算機就會變成壹部百科全書。隨便問幾個問題就能很快給出準確的答案。
同時，今天的推薦系統也將進行全面更新。現在，大家都會遇到很多推薦信息。基於每個人留下的碎片化數據，百萬推薦系統每天都會為妳推薦不同的東西:暴風影音會在妳開始看他們的電影時為妳推薦電影；亞馬遜根據妳買了什麽，沒買什麽，為妳推薦書籍；新浪會在妳註冊的時候推薦上百個興趣小組。但大多數人可能更需要的是壹個更智能的系統，它可以根據妳在網上生成的所有數據和信息，提供更有針對性的推薦服務。比如它可以在妳人生的每個階段推薦相應的東西，不僅是書和電影，還有房子和工作。為了達到這樣的效果，妳首先需要日常生活中的數據，但另壹方面，妳也需要通用的算法，因為面對大量的數據，沒有公式是無法處理的。
如果能成功找到通用算法，人工智能將真正實現。但是，對於這種未來的智能圖景，難免讓人擔憂。比如機器學習可以處理大部分工作，世界上會有大量的失業人口。他們將如何生存？會不會成為社會不穩定的源頭？如果人工智能被別有用心的政客利用，世界會太平嗎？
通用算法的倡導者佩德羅·多明戈斯(Pedro Domingos)並不擔心這些問題，而是非常樂觀。他認為計算機不會有生物進化的能力，也不會自己發明東西，所以不會對人類構成威脅。相反，枯燥的工作將由機器人承擔，人類將做更有趣的工作。地球的環境會越來越好，人類會更長壽，更幸福，更有創造力。同時，人不會出現在戰場上，機器人會親自出馬，這將避免人類因戰爭致殘。
(本文來自文章編號1，2016，大科技新論*百科)