深度学习,神经网络,模仿游戏这些和教计算机“学习”有什么关系?
机器学习是计算机程序从经验中成长的过程。
这不是科幻小说中机器人不断前进,直到接管世界。
当我们谈论机器学习时,我们主要指的是极其聪明的算法。
1950年数学家艾伦·图灵认为问机器是否会思考是浪费时间。相反,他提出了一个游戏:玩家有两个书面对话,一个与另一个人,一个与机器。根据交流,人类必须决定哪个是哪个。
这种“模仿游戏”可以作为对人工智能的测试。但我们该如何编程让机器玩游戏呢?
图灵建议我们像教育孩子一样教育他们。我们可以指导他们遵循一系列规则,同时允许他们根据经验进行微调。
对于计算机来说,学习过程看起来有点不同。
首先,我们需要喂养它们大量的数据:从日常用品的图片到银行交易的细节。
然后我们必须告诉计算机如何处理所有这些信息。
程序员通过编写一系列分步指令或算法来做到这一点。这些算法帮助计算机识别大量数据中的模式。
基于他们发现的模式,计算机开发了一种系统如何工作的“模型”。
例如,一些程序员正在使用机器学习来开发医疗软件。首先,他们可能向程序输入数百个已经分类的核磁共振扫描图。然后,他们将让计算机建立一个模型,对以前未见过的核磁共振成像进行分类。通过这种方式,医疗软件可以发现病人扫描中的问题,或标记某些记录以供审查。
像这样的复杂模型通常需要许多隐藏的计算步骤。对于结构,程序员组织所有处理决策成层。这就是“深度学习”的由来。
这些层模拟了人类大脑的结构,神经元向其他神经元发出信号。这就是为什么我们也称它们为“神经网络”。
神经网络是我们每天使用的服务的基础,比如数字语音助手还有在线翻译工具。随着时间的推移,神经网络在倾听和回应我们提供给它们的信息的能力上有所提高,这使得这些服务越来越准确。
然而,机器学习并不仅仅是学术实验室里的东西。很多机器学习算法都是开源的,可以广泛使用。它们已经被用于大大小小的影响我们生活的许多事情上。
人们使用这些开源工具来做任何事情训练宠物来创造实验艺术来监测森林火灾.
他们还做了一些道德上有问题的事情,比如制作深度假视频——用深度学习操纵的视频。由于机器使用的数据算法是由易犯错误的人类编写的,因此它们可能包含偏见。算法可以把创造者的偏见带入模型,加剧种族主义和性别歧视等问题。
但这种技术是无法停止的。人们正在发现越来越多复杂的应用程序,其中一些将使我们习惯于自己做的事情自动化,比如使用神经网络帮助驱动无人驾驶汽车。考虑到任务的复杂性,其中一些应用程序将需要复杂的算法工具。
虽然这可能是未来的事情,但系统仍有很多学习要做。