机器学习,说的是人工智能领域的学习。“机器学习”这个词,是与“人工智能”大约同时期提出的。机器学习的“机器”,含有与“人类的学习”相对的“机器的学习”的意思。也就是说,程序员学会程序以上的事情是机器学习的标准之一。
机器学习还含有“不单单是程序化的东西”这样的意思,意即机器本身在学习。这里所说的机器,是指以当时的大型计算机为发端的自动机器。
机器学习,与其说是获得新想法和新知识,倒不如说是以这样的形式进行学习:调整已经形成的思考,在从一开始就确定的知识架构下积累知识。适配和积累是机器最擅长的地方。然而,人类有从混乱的状况中产生新思考的能力,但是人工智能现在还没有办法做到。想法的产生,是人类特有的创造性。
机器学习分为有监督学习(supervised leaning)和无监督学习( unsupervised learning)。两者明确区分的理由是:有监督学习提供“指令数据”,使人工智能在一个方向上学习;无监督学习没有那样的数据,只能依靠人工智能通过自己的活动收集来的数据进行自主学习。两者有很大的区别。
有监督学习,比如说对某次输入应该采取的行动作为指令数据。举个具体例子。在虚拟空间内,制作一个狗的艾真体(agent),对狗发出“举手”“坐”“跑”的命令。通过麦克风用声音来发布命令的时候,虚拟的狗最初不知道该采取什么样的行动,就会任意做动作。但是当它做对的时候鼓励它,做错的时候训斥它,经过这样的训练,它就会记住命令的声音和对应的行动。
无监督学习的例子,比如2016年击败专业棋手的AlphaGo。AlphaGo的学习有两个阶段:学习人类过去的棋谱的阶段和学完之后通过与自己对战进行学习的阶段。前者是通过棋谱的有监督学习,后者是根据自我对战的无监督学习。
一般来说,有监督学习需要大量的数据,无监督学习需要良好的学习环境。比如,在现实世界中,让人工智能无监督学习纸飞机的设计是可行的,因为实际上纸飞机有飞行的环境。但是假如在游戏中设计同样的纸飞机,由于游戏环境无法模拟空气流动等因素,不可能学习实际的飞行。无监督学习的必要前提是:要有具整合性的环境。
无监督学习的重要性
AI的模型分为,需要例题和标准解答的组合(这个称为指令信号)的模型和不需要这组合的模型。使用指令信号学习的称为有监督学习,不使用的称为无监督学习。
有监督学习存在这样的问题。比如,想象一下将人 工智能送往火星等未知的世界。这个时候,无法预测那个世界会发生什么现象。因此没有办法设想应对现象的正确答案,也就是说没有办法生成指令信号。而且,如果人类提出标准解答的话,人工智能就会遭遇瓶颈——无法比这个人更聪明。
因此,无需指令(标准解答)的无监督学习,正备受重视。
本文内容转载自《给孩子的人工智能图解》一书,如存在版权问题请及时联系我们,我们坚持保护原创者的知识版权。