這是一個系列文章，從各個角度來評估一個問題：「我的業務要不要用 AI ？能不能用 AI？」
本期評估角度——學習
系列文章列表：
「持續學習」是人工智慧的靈魂
前兩篇已經解釋了，基於規則的能力邊界很小，很多實際問題無法通過規則的方法來解決。人工智慧可以擴大計算機的能力邊界。
除了擴大能力邊界外，人工智慧還有一個非常重要的特性——持續學習，不斷提升能力上限。
大家都知道 AlphaGo 在圍棋上戰勝了世界上最厲害的圍棋高手，但是大家可能不知道的是：
AlphaGo Zero （AlphaGo的升級版），從空白開始自學圍棋，3天就戰勝了 AlphaGo，戰績是100 : 0。
也就是說：機器通過 7×24 的持續和快速的學習，只需要3天時間就能超越人類十幾年的積累。
AlphaGo 的例子有些極端，很多場景下機器的學習速度不會那麼的快，我想表達的重點是：
過去，計算機的能力上限就是人類賦予的，需要人類告訴計算機怎麼做才行。
現在，人工智慧可以自學成才，不受人類認知邊界的束縛。
未來，人們擔心機器會全面超越人類，甚至對人類產生威脅。
事實上，人工智慧在圖像識別、人臉識別、語音識別等很多領域已經超越
對於人工智慧能力有多大的問題，人類已經給人工智慧分好了級別：
- 目前大家看到的都是「弱人工智慧」；
- 當 AI 像人類一樣，能做很多事情時，就達到了「強人工智慧」；
- 當 AI 在各方面的能力已經遠遠超過人類時，就實現了「超人工智慧」
擴展閱讀：《3分鐘理解人工智慧的3個級別？（弱人工智慧-強人工智慧-超人工智慧）》
所以：讓機器持續的學習，是人工智慧的靈魂。想要利用人工智慧技術來解決實際問題，你必須考慮2個問題：
- 我需要解決的問題是動態變化的嗎？需要持續學習的能力嗎？
- 我能否讓人工智慧實現持續學習（下面要講的內容）？
如何讓機器持續的學習？
想要讓機器實現持續學習的能力，需要具備2個條件：
- 是否可以獲得反饋數據？
- 數據是否可以形成閉環？
是否可以獲得反饋數據？
想想我們小時候是怎麼學習識字的，一開始出錯概率很高，每次出錯的時候父母和老師都會告訴我們哪裡錯了，應該是什麼。就是在這種「行動 – 反饋 – 修正 – 再行動」的循環中實現了有效的學習。
跟人類識字的學習過程類似，機器也需要「有效的反饋」來實現持續的學習，如果沒有反饋數據，那麼有問題的地方會一直存在問題，永遠無法進步。
所以，有效的反饋數據是學習的重要環節，解決了「學習」問題。
數據是否可以形成閉環？
當我們可以獲得反饋數據的時候，機器就可以實現學習了，下一步就是解決「持續」的問題。
還是舉識字的例子。假如有2個小朋友同時開始學識字。
- 小朋友A有一個老師可以隨時輔導，糾正錯誤
- 小朋友B每個星期只有1天可以接受老師的輔導
毫無疑問，一定是小朋友A學的更快，更好。
機器也是如此，讓數據形成閉環，就是希望能夠獲得「實時」的反饋數據，跟小朋友A一樣獲得貼身輔導。
所謂的數據閉環就是將上面的「行動 – 反饋 – 修正 – 再行動」循環自動的在機器上運轉，完全不需要人參與。
在實際應用中有一個很典型的例子就是電商平台里的推薦系統。你剛看完一雙籃球鞋，瞬間就會給你推薦一大堆籃球鞋。
所以，數據形成閉環，可以讓機器實現了持續學習，解決的是「持續」問題。
案例分析
Google 相冊里的人臉識別是怎麼收集反饋數據和形成數據閉環的？
現在很多相冊 App 都有人臉識別的功能，能自動幫你將照片按照不同的人來做分類。但是實際使用中一定會遇到很多判斷錯誤的情況。
如果不收集反饋數據，讓數據形成閉環，錯誤會一直持續下去！
第一步：主動詢問用戶
有些照片清晰度不高，或者某些人髮型變化很大，或者某些人卸了妝…
有很多原因導致機器拿不準自己的判斷，這個不怪機器，很多女性化了妝自己的親人都認不出來。
這個時候，Google相冊會主動詢問用戶，2個頭像是否是同一個人，如下圖：
第二步：能力升級
假如我選擇了「同一人」，當機器收集了用戶的反饋後，第一件事情就是將他們的照片合併到一起。
還有一件更重要的事情，機器學會了一些東西：
- 機器知道了化妝：原來這個人化妝後是這樣的。
- 機器知道了長胖：原來長胖後變成這樣了。
- 機器知道了變老：人老了會原來會有這些變化。
人工智慧告訴我們，蜘蛛俠變老是這樣的：
總結
人工智慧之所以被大家寄予厚望，有一個很重要的原因就是：
AI 可以通過持續不斷的學習，突破人類的能力上限。甚至有人預估機器會在所有方面都超越人類。
為了讓機器實現持續不斷的學習，我們需要實現2個條件：
- 不斷的獲得反饋數據，讓機器知道自己哪裡好，哪裡不好
- 將反饋數據加入閉環，機器能否持久的學習，提升能力
在評估「要不要用」和「能不能用」人工智慧時，需要考慮很多問題。這個系列還會持續更新，感興趣的朋友可以加我微信。
微信號：pkqiang49
Comments