机器学习是个什么鬼？机器人统治人类的时代快要来临了？

2016-10-11 本文已影响235人奈何蜀黍

机器人统治人类的时代快要来临了？

阿尔法狗（AlphaGo）打败世界顶级围棋选手李世石，人类对人工智能的恐慌又加深了不少，曾今甚嚣尘上的机器人统治人类论又一次卷土重来，那么问题来了：智能机器人的时代真的要来临了吗？

答案是：快了！

机械姬，一个拥有自我意识和智慧的机器人

这可不是危言耸听哦，大家都知道阿尔法狗赢了李世石，但是有多少人知道，阿尔法狗在打赢李世石的五个月前是什么水平吗？是二段，对，就是很初级的水平，但是从二段到九段（顶级水平），阿尔法狗只用了5个月，而对于人类来说，要花多少时间从二段到九段？也许绝大多数人终其一生都未必能从二段升到九段。

这才是人工智能最可怕的地方：快速学习和成长的能力。

或许机器人时代来临的时候，我们甚至连反应的时间都没有。

当然，就像Alphabet执行董事长艾瑞克-施密特在赛前新闻发布会所说的：“无论最终结果是什么，赢家都是人类。”

人类也应该学习如何适应和控制这个新的时代。

阿尔法狗用的是蒙地卡罗树状搜索与两个深度神经网络，深度神经网络就是一种典型的机器学习算法，所以我们今天来讲讲机器学习到底是个什么鬼。

什么是机器学习？

顾名思义，机器也要学习，阿尔法狗学习下围棋（打败了李世石），学习打星际（2016年3月27日，暴雪娱乐制作总监Tim Morten在WCS中国站决赛上表示，AlphaGo确认将挑战《星际争霸2》），学习诊断病症（谷歌Deep mind首席执行官(CEO)德米斯·哈萨比斯宣布“要将Alpha Go和医疗、机器人等进行结合”）。

那么机器到底是如何学习的呢？

我们先来看一个故事。

对《圣经》熟悉的朋友们肯定知道里面有一个关于大卫王打败歌利亚的故事。

歌利亚是传说中的著名巨人之一，是腓力士的将军，带着军队进攻以色列。歌利亚勇武过人，无人能掠其锋芒，连续四十天，每天两次向以色列人讨战，进行一对一的决斗，来决定战役的胜负，最后以色列军队无一人敢应战。

这个时候大卫站了出来，他拒绝了扫罗（以色列的王）提供的战衣，手中拿杖和投石袋，和从溪中挑选的五块光滑的石子；和歌利亚对阵，歌利亚头戴铜盔，身穿铠甲。大卫用投石袋将石子击中歌利亚的额，歌利亚就仆倒，面伏于地。大卫将歌利亚的刀从鞘中拔出来，用刀割了他的头，将他杀死。

那么问题来了：大卫打中歌利亚真的是上帝保佑吗？

相信大部分人都更愿意相信这是大卫长期训练带来的准确度。而如果需要机器人来完成这项工作，机器人会如何学习呢？其实也是类似的。

投石原理是这样的，但大卫肯定不知道

机器也不需要知道原理，但它同样可以跟人一样训练和学习

机器学习投石，只需要知道有哪些因素会影响到投石的准确率，以及这些相关因素的数据。只要数据量足够大，机器通过不断的训练学习，就可以预测出在什么样的情况下投出什么样的结果。

机器学习：就是利用利用输入和输出，找出相关性。

机器学习有两个阶段：训练阶段和预测阶段。

训练阶段：首先有训练数据，这些数据都有一些特征值（Feature），比如前面的石子质量、角速度、绳子长度、出射角等等。同时，数据还有label值，数据对应的标签。对应于前面的误差。

通过分析这些数据，找到里面隐藏着的规律。这个规律就是叫数据模型，也就是训练结果。

预测阶段：拿到数据模型之后，对新的数据进行匹配，进而预测新数据的结果（label）。

很多情况下，数据模型是最值钱的东西。就拿人脸识别来说。人脸识别技术用的是卷积神经网络。而卷积神经网络是公开的算法，只要不笨又肯花时间，肯定能学会。但是，没有海量的人脸图片去喂它，那个算法程序无法产生价值的数据模型。

这就是机器学习的原理，跟人的学习是类似的。

大数据、人工智能和机器学习的关系

大数据是基础

这个图很直观的表达了大数据、人工智能、机器学习以及深度学习的关系。

大数据是基础，没有海量数据，一切都是浮云。机器学习是人工智能里的一个子集，而深度学习是人工智能里的一个子集。

机器如何了解人类的心意？两个经典的推荐算法

我们平常去亚马逊、天猫、淘宝、京东购物，经常会被系统推荐其他的商品。而且如果细心一点的话，可以发现跟几年前的推荐商品相比，现在的推荐明显更加合乎我们的心意。

那么机器是如何了解我们的心意的呢？

基于用户相似度的协同过滤推荐算法

有了用户1、用户2和用户3的数据，我们应该向用户3推荐什么商品？

如大家所见，用户1买了商品1、2、3，用户2买了商品4，用户3选了商品2和3，那么我们该给用户3推荐什么商品？

显而易见对不对，当然的推荐商品1啦，为什么呢？因为很明显用户1跟用户3的相似度更高呀。基于用户相似度的协同过滤推荐算法的原理就是，根据当前用户的数据（基础属性、访问行为、点击行为等）判断出与当前用户相似度最高的用户，看看这个最相似的人买了什么商品，然后推荐相应的商品。

基于商品相似度的推荐算法

商品的相似度如何评价？看用户对商品的评分

横轴是用户A对商品的评分。竖轴是用户B对商品的评分。可以看到，用户A对商品3，5点评价高，对1，2，4点评价低；用户B对商品3，5的评价低，对1，2，4的评价高。

我们可以理解，3，5更接近A的品味。1，2，4更接近B的口味。或者说，3和5比较接近，或者说3和5比较相似。从图上看，越相似的商品，直线距离也越近。所以，可以用距离来表示相似性。

这就好办了，我们可以很容易的算出任意两个商品的相似度。当一个用户买了某个商品是，就给她推荐最相似的另一批商品。

这就是基于商品相似度的推荐算法。

有的人可能会问，你这个图2个用户就占了两个坐标轴，那要是3个用户是什么情况？100个用户呢？1000、1000、1000000000呢？

3个用户的话，自然是三维空间咯

如果是三个用户的话，每一个商品都有一个3维的坐标，它的三个坐标值分别对应三个用户的评分。跟前面一样，商品的相似度是两个商品在立体空间的直线距离。三维中任意两点的直线距离也是很容易算出来的。

那如果是100个人、1000个人、10000个人评价呢？那就是100维、1000维、10000维的空间。我们已经想象那样的事什么样子了，但是那些高纬度空间中两点距离的算法跟二维、三维类似，也很容易算出来。

这样，不管有多少用户评价，我们都能计算出商品的相似度，进而给用户推荐。评价数越多，越好。

PS：所以购物之后好好好好评价（真实评价）说不定会有意外的惊喜哦~

智能机器人时代来临之前，我们可以做什么？

对于我们大部分普通人来说，我们不需要知道太多关于人工智能实现技术方面的知识，但我们至少要知道人工智能的发展给我们这个社会带来了什么。

而对于创业者来说，人工智能相关的思想和原理其实也同样重要。

人工智能对我们的影响远不止智能推荐系统。

谷歌的智能无人驾驶汽车已经跑了一年多了，随着不断收集数据不断的完善，相信不久的将来我们出门打的就不是人工驾驶的汽车，而是智能无人驾驶汽车了。那么司机这个职业的需求是不是会大量的衰减呢？而相应的，无人驾驶汽车程序的开发者的职位需求会不会上升？

语音识别在语言学习领域早已应用了好几年；

而Siri据说也将要加入表情识别功能；

对于很多做运营、营销、市场、广告相关的人来说，DSP广告相信大家都已经耳熟能详了。

命运的车轮滚滚向前，谁也阻挡不了。

离机器人成为真正意义上的“人”，还有很长的距离