第4章 為什么叫它智能

1956年，一群學(xué)者在新罕布什爾州達(dá)特茅斯學(xué)院會(huì)面，開辟了一條人工智能研究的路徑。他們想看看能不能為計(jì)算機(jī)編寫程序，使之參與認(rèn)知思維，做玩游戲、證明數(shù)學(xué)定理一類的事。他們還仔細(xì)思考了計(jì)算機(jī)能使用什么樣的語言和知識(shí)來描述事物。他們的努力包括給計(jì)算機(jī)不同選項(xiàng)，讓它們選出其中的最優(yōu)者。研究人員對(duì)人工智能的可能性持樂觀態(tài)度。他們向洛克菲勒基金會(huì)募資時(shí)這樣寫道：

我們將致力于探索，怎樣讓機(jī)器使用語言，組織抽象的表達(dá)和概念，解決如今只有人類才能解決的各種問題，并自我改進(jìn)。我們認(rèn)為，一群精心挑選出來的科學(xué)家于某個(gè)夏天聚在一起攜手合作，便可以在一個(gè)或多個(gè)上述問題上取得可觀進(jìn)展。

事實(shí)證明，這一議程與其說切實(shí)可行，不如說是對(duì)未來的展望。畢竟，20世紀(jì)50年代的計(jì)算機(jī)速度還不夠快，無法實(shí)現(xiàn)學(xué)者們的設(shè)想。

在最初的研究聲明發(fā)表之后，人工智能在翻譯方面表現(xiàn)出了初步進(jìn)展，但進(jìn)展速度很慢。適用于特定環(huán)境（例如，有人嘗試設(shè)計(jì)人造治療師）的人工智能成果無法推而廣之。20世紀(jì)80年代早期，工程師們希望通過精心編程設(shè)計(jì)的專家系統(tǒng)來復(fù)制醫(yī)學(xué)診斷等高技能，他們雖然取得了一些進(jìn)展，但此類系統(tǒng)的開發(fā)費(fèi)用極高，而且用起來十分煩瑣，無法應(yīng)對(duì)各種各樣的例外和可能，因此，人們便進(jìn)入了所謂的“人工智能寒冬”。

然而，冬天似乎已經(jīng)結(jié)束了。更多的數(shù)據(jù)、更好的模型和更強(qiáng)大的計(jì)算機(jī)促成了機(jī)器學(xué)習(xí)最近的發(fā)展，改善了預(yù)測(cè)。大數(shù)據(jù)收集和存儲(chǔ)的進(jìn)步為新的機(jī)器學(xué)習(xí)算法提供了素材。相較從前的統(tǒng)計(jì)學(xué)，新的機(jī)器學(xué)習(xí)借力于與之更適配的處理器，明顯變得更加靈活，能生成更好的預(yù)測(cè)——好到有人忍不住把計(jì)算機(jī)科學(xué)的這一分支稱作“人工智能”。

預(yù)測(cè)客戶流失

更好的數(shù)據(jù)、模型和計(jì)算機(jī)是預(yù)測(cè)取得進(jìn)步的核心。為了理解它們的價(jià)值，讓我們來思考一個(gè)古已有之的預(yù)測(cè)問題：預(yù)測(cè)營銷人員口里的“客戶流失”。對(duì)許多企業(yè)來說，獲取客戶是代價(jià)很高的一件事，故此，客戶流失帶來的損失很大。一旦獲得了客戶，企業(yè)就會(huì)通過減少流失率來充分利用獲取成本。在保險(xiǎn)、金融、電信等服務(wù)行業(yè)，控制客戶流失大概也是最重要的營銷活動(dòng)。減少客戶流失的第一步是識(shí)別有著流失風(fēng)險(xiǎn)的客戶。公司可以使用預(yù)測(cè)技術(shù)來做到這一點(diǎn)。

歷史上，預(yù)測(cè)客戶流失的核心方法是一種被稱為“回歸”的統(tǒng)計(jì)技術(shù)。有一些研究聚焦于改進(jìn)回歸技術(shù)。研究人員在學(xué)術(shù)期刊和實(shí)踐中提出并檢驗(yàn)了數(shù)百種不同的回歸方法。

回歸是做什么的？它根據(jù)過去發(fā)生事件的平均值來尋找一種預(yù)測(cè)。舉例來說，如果你手里只有上周每天的天氣情況，但要判斷明天會(huì)不會(huì)下雨，那么，你最好有一個(gè)平均值。如果過去七天里有兩天下了雨，你興許會(huì)猜測(cè)，明天下雨的概率大約是2/7或者29%。過去，我們對(duì)預(yù)測(cè)的大部分知識(shí)都來自構(gòu)建的模型，這些模型可納入關(guān)于環(huán)境的更多數(shù)據(jù)，更好地算出平均值。

我們的做法是使用所謂的“條件均值”。比如，如果你住在加利福尼亞州北部，你大概已經(jīng)知道，下不下雨取決于季節(jié)：夏天的可能性低，冬天的可能性高。如果你觀察到此地冬天里任何一天降雨的概率是25%，夏天是5%，那么，你不會(huì)以為明天下雨的概率是兩者的平均值，即15%。為什么呢？因?yàn)槟阒烂魈鞂儆诙具€是夏季，故此，你會(huì)根據(jù)條件來做出評(píng)估。

根據(jù)季節(jié)調(diào)整預(yù)測(cè)只是我們根據(jù)條件對(duì)平均值進(jìn)行調(diào)整的方法之一（不過，這是最受零售業(yè)歡迎的一種方法）。我們可以根據(jù)當(dāng)天的時(shí)間、污染情況、云量、海洋溫度或任何其他可用信息來計(jì)算平均值。

我們甚至有可能要同時(shí)根據(jù)多個(gè)條件進(jìn)行調(diào)整：如果今天下了雨，今天屬于冬季，西邊200英里外在下雨，南邊100英里外是晴天，地面很濕，北冰洋氣溫很低，風(fēng)正從西南方吹過來，風(fēng)速是每小時(shí)15英里——那么，明天會(huì)下雨嗎？這樣的運(yùn)算很快就會(huì)變得難以處理。光是計(jì)算這七類信息的平均值，就會(huì)帶來128種不同的組合。添加更多類型的信息，組合數(shù)量也會(huì)隨之呈指數(shù)倍增加。

在機(jī)器學(xué)習(xí)之前，多元回歸提供了一種處理多種條件的有效方法，而且無須計(jì)算數(shù)十、數(shù)百或數(shù)千種不同條件下的平均值?；貧w將運(yùn)用數(shù)據(jù)，并嘗試找到那個(gè)將預(yù)測(cè)失誤最小化、“擬合優(yōu)度”最大化的結(jié)果。

謝天謝地，這個(gè)術(shù)語在數(shù)學(xué)上比在詞句上表達(dá)得更精確?；貧w將預(yù)測(cè)的平均失誤控制到了最低限度，對(duì)待大失誤比對(duì)待小失誤更加嚴(yán)厲。這是一種強(qiáng)大的方法，尤其是當(dāng)數(shù)據(jù)集相對(duì)較小，同時(shí)它能很好地感知什么因素對(duì)數(shù)據(jù)有用的時(shí)候。例如，有線電視訂閱用戶的流失有可能取決于人們看電視的頻率；如果他們不再看電視了，他們很可能就會(huì)停止訂閱有線電視服務(wù)。

除此之外，回歸模型渴望產(chǎn)生無偏差的結(jié)果，所以，要是預(yù)測(cè)得足夠多，這些預(yù)測(cè)就平均概率而言是完全正確的。雖然我們喜歡無偏差的預(yù)測(cè)多過有偏差的預(yù)測(cè)（比如系統(tǒng)性地高估或低估一個(gè)值），但無偏差的預(yù)測(cè)也并非完美。我們可以用一個(gè)古老的統(tǒng)計(jì)學(xué)笑話來說明這一點(diǎn)：

一位物理學(xué)家、一位工程師和一位統(tǒng)計(jì)學(xué)家外出狩獵。他們走進(jìn)森林，發(fā)現(xiàn)空地上有一頭鹿。

物理學(xué)家計(jì)算了目標(biāo)的距離、子彈的速度和落點(diǎn)，調(diào)整，開火——結(jié)果，他朝左打偏了5英尺，錯(cuò)過了目標(biāo)。

工程師一臉沮喪。“你忘記算上風(fēng)了。我來試試?！彼蛄颂蚴种?，判斷了風(fēng)速和方向，一把奪過步槍并開了火——結(jié)果，他朝右打偏了5英尺，再次錯(cuò)過了目標(biāo)。

突然，一槍未開的統(tǒng)計(jì)學(xué)家歡呼道：“噢耶！我們打中了！”

準(zhǔn)確無比的平均值可能在實(shí)際中每次都出錯(cuò)?；貧w有可能一直導(dǎo)致要么左偏幾英尺，要么右偏幾英尺。它意味著，就算取平均值后得出了正解，實(shí)際也可能一次都沒打中。

與回歸不同，機(jī)器學(xué)習(xí)的預(yù)測(cè)可能平均起來是錯(cuò)誤的，但當(dāng)預(yù)測(cè)失誤的時(shí)候，它并不會(huì)失誤太多。按統(tǒng)計(jì)學(xué)家的說法，允許偏差，以求減少方差。

機(jī)器學(xué)習(xí)和回歸分析之間一個(gè)重要的區(qū)別是新技術(shù)的開發(fā)方式。發(fā)明一種新的機(jī)器學(xué)習(xí)方法時(shí)還需證明它在實(shí)踐中能運(yùn)作得更好。相反，發(fā)明一種新的回歸方法，首先要證明它在理論上是有效的。強(qiáng)調(diào)實(shí)踐效果，給了機(jī)器學(xué)習(xí)創(chuàng)新者更多的實(shí)驗(yàn)空間，哪怕他們的方法生成的估計(jì)結(jié)果平均來看不正確或存在偏差。在這種自由實(shí)驗(yàn)的推動(dòng)下，機(jī)器學(xué)習(xí)借助過去十年的豐富數(shù)據(jù)和高速計(jì)算機(jī)實(shí)現(xiàn)了快速的進(jìn)步。

從20世紀(jì)90年代末期到21世紀(jì)初期，那些利用機(jī)器學(xué)習(xí)預(yù)測(cè)顧客流失的實(shí)驗(yàn)僅取得了有限的成功。雖然機(jī)器學(xué)習(xí)的方法有了穩(wěn)定的進(jìn)步，但回歸的方法依然表現(xiàn)得更好。數(shù)據(jù)仍然不夠豐富，計(jì)算機(jī)的速度也不夠快，無法使其利用機(jī)器學(xué)習(xí)可以做到的事情。

例如，2004年，杜克大學(xué)的天睿中心（Teradata Center）舉辦了預(yù)測(cè)客戶流失的數(shù)據(jù)科學(xué)比賽。當(dāng)時(shí)，這樣的比賽很不尋常。任何人都可以提交作品，一旦獲獎(jiǎng)，即可獲得現(xiàn)金獎(jiǎng)勵(lì)。獲獎(jiǎng)作品使用的是回歸模型。一些機(jī)器學(xué)習(xí)的方法表現(xiàn)很好，但日后推動(dòng)人工智能革命的神經(jīng)網(wǎng)絡(luò)方法卻表現(xiàn)不佳。到2016年，一切都改變了。使用機(jī)器學(xué)習(xí)和（神經(jīng)網(wǎng)絡(luò)）深度學(xué)習(xí)來預(yù)測(cè)流失的模型整體比其他所有方法表現(xiàn)得都好。

是什么發(fā)生了改變呢？首先，數(shù)據(jù)和計(jì)算機(jī)終于足夠好，讓機(jī)器學(xué)習(xí)占了上風(fēng)。20世紀(jì)90年代，建立足夠大的數(shù)據(jù)庫很難。比方說，一套經(jīng)典的流失預(yù)測(cè)研究只使用了650個(gè)客戶的數(shù)據(jù)，不到30個(gè)變量。

到2004年，計(jì)算機(jī)的處理和存儲(chǔ)都有了進(jìn)步。在杜克競(jìng)賽中，用來訓(xùn)練的數(shù)據(jù)集包含了數(shù)萬客戶的數(shù)百個(gè)變量的信息。有了這么多的變量和客戶，機(jī)器學(xué)習(xí)方法逐漸能跟回歸一較高下了。

如今，研究人員根據(jù)數(shù)千個(gè)變量和數(shù)百萬客戶展開流失預(yù)測(cè)。計(jì)算能力的提高意味著可以處理大量的數(shù)據(jù)，除了數(shù)字，還包括文本和圖像。例如，在移動(dòng)電話流失模型中，研究人員除了使用標(biāo)準(zhǔn)變量（如賬單額度大小和支付準(zhǔn)時(shí)性）之外，還調(diào)用了通話記錄數(shù)據(jù)（以小時(shí)為單位）。

利用可用數(shù)據(jù)，機(jī)器學(xué)習(xí)方法也變得更好了。在杜克大學(xué)的比賽中，成功的關(guān)鍵因素是，如何從數(shù)百個(gè)可用變量中進(jìn)行選擇，以及選擇使用哪一種統(tǒng)計(jì)模型。當(dāng)時(shí)最好的方法，不管是機(jī)器學(xué)習(xí)還是經(jīng)典的回歸，都通過結(jié)合直覺與統(tǒng)計(jì)檢定來選擇變量和模型?，F(xiàn)在，機(jī)器學(xué)習(xí)方法（尤其是深度學(xué)習(xí)方法）允許模型具備靈活性，這意味著變量彼此之間可以按照意想不到的方式相結(jié)合。在開始計(jì)費(fèi)的月初就積累了大量通話時(shí)間、高額電話賬單的人比到月末才累積大量通話時(shí)間的人流失的可能性更低。此外，周末異地通話、付費(fèi)時(shí)間遲，還愛發(fā)大量短信的人尤其容易流失。這樣的結(jié)合難以預(yù)料，但對(duì)預(yù)測(cè)有極大的幫助。由于難以預(yù)料，建模人員在使用標(biāo)準(zhǔn)的回歸模型進(jìn)行預(yù)測(cè)時(shí)無法將這些結(jié)合后的信息包含在內(nèi)。機(jī)器學(xué)習(xí)把哪一些結(jié)合與交匯事關(guān)重要的選擇權(quán)交給了機(jī)器，而不是程序員。

機(jī)器學(xué)習(xí)（具體而言也是深度學(xué)習(xí)）方法的改進(jìn)，意味著可以有效地將可用數(shù)據(jù)轉(zhuǎn)化為對(duì)客戶流失的準(zhǔn)確預(yù)測(cè)?，F(xiàn)在，機(jī)器學(xué)習(xí)方法明顯優(yōu)于回歸和其他各種技術(shù)。

超越客戶流失

除了客戶流失領(lǐng)域，機(jī)器學(xué)習(xí)還改善了大量其他環(huán)境下（從金融市場(chǎng)到天氣）的預(yù)測(cè)。

2008年的金融危機(jī)是回歸式預(yù)測(cè)方法的驚人失敗。對(duì)擔(dān)保債務(wù)憑證（collateralized debt obligation，簡稱CDO）違約率的預(yù)測(cè)部分地推動(dòng)了金融危機(jī)。2007年，標(biāo)準(zhǔn)普爾評(píng)級(jí)機(jī)構(gòu)預(yù)測(cè)，AAA級(jí)CDO五年內(nèi)無法履約的概率不到1/800。五年后，1/4以上的CDO未能履約。哪怕有著豐富的歷史違約數(shù)據(jù)，最初的預(yù)測(cè)仍然錯(cuò)得離譜。

失敗的原因不是數(shù)據(jù)不足，而是分析師怎樣使用這些數(shù)據(jù)來生成預(yù)測(cè)。評(píng)級(jí)機(jī)構(gòu)的預(yù)測(cè)是基于多個(gè)回歸模型，這些模型假定不同市場(chǎng)的房價(jià)相互之間無關(guān)聯(lián)。事實(shí)證明，這樣的假設(shè)是錯(cuò)的，不僅2007年是這樣，從前也一樣。一旦將多個(gè)住房市場(chǎng)同時(shí)遭到?jīng)_擊的可能性包含進(jìn)去，你在CDO上虧損的可能性也會(huì)一路升高——哪怕你的房產(chǎn)分布在美國多個(gè)城市。

分析師們根據(jù)自己認(rèn)為重要的假設(shè)（以及它們?yōu)槭裁粗匾﹣順?gòu)建回歸模型——這些看法對(duì)機(jī)器學(xué)習(xí)來說都沒有存在的必要。機(jī)器學(xué)習(xí)模型尤其擅長確定哪些可能的變量效果最好，識(shí)別出哪些（出人意料的）事情重要，哪些事情不重要。如今，分析師的直覺和假設(shè)沒那么重要了。通過這種方式，機(jī)器學(xué)習(xí)可以根據(jù)無法預(yù)知的相關(guān)要素進(jìn)行預(yù)測(cè)，包括拉斯維加斯、菲尼克斯和邁阿密的房價(jià)可能會(huì)同時(shí)出現(xiàn)漲落。

如果僅僅是預(yù)測(cè)，為什么叫它“智能”

機(jī)器學(xué)習(xí)的最新進(jìn)展讓我們利用統(tǒng)計(jì)學(xué)進(jìn)行預(yù)測(cè)的方式發(fā)生了徹底的轉(zhuǎn)變。把人工智能和機(jī)器學(xué)習(xí)的最新發(fā)展視為“傳統(tǒng)統(tǒng)計(jì)學(xué)的加強(qiáng)版”是很誘人的想法。如果最終的目標(biāo)是生成預(yù)測(cè)以填補(bǔ)缺失的信息，它們從某種意義上說的確如此。除此之外，機(jī)器學(xué)習(xí)的過程還涉及尋找一種最小化失誤的解決方案。

那么，是什么令機(jī)器學(xué)習(xí)成為一種配得上“人工智能”這一標(biāo)簽的變革型計(jì)算技術(shù)呢？在某些情況下，預(yù)測(cè)的效果好到我們可以直接運(yùn)用它，而不需要應(yīng)用基于規(guī)則的邏輯。

有效的預(yù)測(cè)改變了計(jì)算機(jī)編程的方式。傳統(tǒng)的統(tǒng)計(jì)方法和“如果-那么”語句的算法都無法很好地在復(fù)雜環(huán)境下運(yùn)行。想識(shí)別一組照片中的一只貓？貓有各種各樣的顏色和紋理。它們可能是站著、坐著、躺著、跳躍，或看起來一臉不悅。它們可能在室內(nèi)，也可能在室外。情況很快變得復(fù)雜起來，無法限定條件。因此，哪怕僅僅想達(dá)到看得過去的識(shí)別效果，也需要大量謹(jǐn)慎的考量。這還僅僅是識(shí)別一只貓，如果我們想要用一種方法來描述照片中的所有物體呢？我們需要為每一物體單獨(dú)加以限定。

支撐近年來進(jìn)步的技術(shù)基石叫作“深度學(xué)習(xí)”，它依靠一種“反向傳播”的方法。它采用與大腦極為類似的方式，通過例子來學(xué)習(xí)（而能否用人工神經(jīng)元模擬真實(shí)神經(jīng)元不過是這項(xiàng)有用技術(shù)的有趣旁枝），避免了各種限定條件帶來的麻煩。如果你想讓孩子知道哪個(gè)單詞對(duì)應(yīng)著“貓”，那么，每當(dāng)你看見一只貓，你就說出這個(gè)單詞。機(jī)器學(xué)習(xí)基本上也一樣。你給它饋進(jìn)大量帶有“貓”標(biāo)簽的貓照片，以及大量沒有貓也不帶“貓”標(biāo)簽的照片，機(jī)器就會(huì)學(xué)習(xí)怎樣識(shí)別與“貓”這一標(biāo)簽相關(guān)的像素圖案。

如果你有一系列貓和狗的照片，貓和四足物體之間的關(guān)聯(lián)會(huì)強(qiáng)化，但與狗的關(guān)聯(lián)也會(huì)強(qiáng)化。無須詳細(xì)說明，只要你饋進(jìn)數(shù)百萬張有著不同圖案和標(biāo)簽的照片（包括畫面里沒有狗的照片），機(jī)器都會(huì)發(fā)展出諸多聯(lián)想，并學(xué)會(huì)區(qū)分貓和狗。

許多問題已經(jīng)從算法問題（“貓有什么特點(diǎn)？”）轉(zhuǎn)變成了預(yù)測(cè)問題（“這一缺失了標(biāo)簽的圖像是否跟我從前見過的貓有著相同特點(diǎn)？”）。機(jī)器學(xué)習(xí)使用概率模型來解決問題。

那么，為什么很多技術(shù)人員將機(jī)器學(xué)習(xí)稱為“人工智能”呢？因?yàn)闄C(jī)器學(xué)習(xí)的輸出（即預(yù)測(cè)）是智能的一個(gè)關(guān)鍵組成部分，預(yù)測(cè)的準(zhǔn)確性會(huì)隨著學(xué)習(xí)而改進(jìn)，而較高的準(zhǔn)確性能讓機(jī)器執(zhí)行現(xiàn)今與人類智能相關(guān)的任務(wù)（如物體識(shí)別）。

杰夫·霍金斯（Jeff Hawkins）在《人工智能的未來》（On Intelligence）一書中率先提出預(yù)測(cè)是人類智慧的基礎(chǔ)。這一理論的實(shí)質(zhì)是，作為創(chuàng)造力和生產(chǎn)力增長的核心，人類的智慧是靠大腦使用記憶進(jìn)行預(yù)測(cè)來實(shí)現(xiàn)的：“我們?cè)诟鱾€(gè)感官之間，進(jìn)行連續(xù)的低級(jí)別預(yù)測(cè)，但這還不是全部。我想提出的是一個(gè)更有力的命題，預(yù)測(cè)不僅僅是大腦在做的某一件事情，它是大腦皮層的主要功能，也是智能的基礎(chǔ)。皮層是預(yù)測(cè)的器官。”

霍金斯認(rèn)為，我們的大腦不斷地預(yù)測(cè)我們即將體驗(yàn)到的事情——我們會(huì)看到什么，感受到什么，聽到什么。隨著我們的成長和成熟，大腦的預(yù)測(cè)越來越準(zhǔn)確，預(yù)測(cè)往往會(huì)變成真的。然而，要是預(yù)測(cè)未能準(zhǔn)確地昭示未來，我們會(huì)注意到異常，并將這一信息反饋到大腦，讓大腦更新算法，進(jìn)行學(xué)習(xí)，對(duì)模型做更進(jìn)一步的優(yōu)化。

霍金斯的研究存在爭議。他的觀點(diǎn)在心理學(xué)界引發(fā)了爭論，他強(qiáng)調(diào)皮層是預(yù)測(cè)機(jī)器的模型，許多計(jì)算機(jī)科學(xué)家對(duì)此斷然否定。最嚴(yán)格意義上的“人工智能通過圖靈測(cè)試”的概念（一臺(tái)機(jī)器能騙過人，讓人相信機(jī)器其實(shí)是人類）仍然離現(xiàn)實(shí)很遠(yuǎn)。目前的人工智能算法還不能進(jìn)行推理，人們也很難理解人工智能預(yù)測(cè)的來源。

無論他的基礎(chǔ)模型是否合適，霍金斯將預(yù)測(cè)視為智能的基礎(chǔ)，這對(duì)理解人工智能近年來的變化帶來的沖擊很有用處。這里，我們強(qiáng)調(diào)的是預(yù)測(cè)技術(shù)的巨大進(jìn)步帶來的結(jié)果。1956年，達(dá)特茅斯會(huì)議上學(xué)者們提出的許多愿望如今馬上就要實(shí)現(xiàn)了。通過各種方式，預(yù)測(cè)機(jī)器能夠“使用語言，組織抽象的表達(dá)和概念，解決如今（1955年）只有人類才能解決的各種問題，并自我改進(jìn)”了。

我們并不想貿(mào)然揣測(cè)這一進(jìn)步是否預(yù)示著通用人工智能、“奇點(diǎn)”或天網(wǎng)的降臨。不過，如你所見，即便只是聚焦于預(yù)測(cè)，未來幾年仍能出現(xiàn)了不起的變化。一如計(jì)算機(jī)促成的廉價(jià)運(yùn)算有力地帶來了商業(yè)和個(gè)人生活的巨大變化，廉價(jià)預(yù)測(cè)也將帶來同樣深遠(yuǎn)的轉(zhuǎn)變。

總而言之，不管它是不是智能，計(jì)算機(jī)從確定性編程到概率性編程的進(jìn)步都是一項(xiàng)重要的階梯函數(shù)式的轉(zhuǎn)變（盡管它跟社會(huì)科學(xué)和物理科學(xué)取得的進(jìn)步是一致的）。哲學(xué)家伊恩·哈金（Ian Hacking）在《馴服偶然》（The Taming of Chance）一書中說，19世紀(jì)之前，概率屬于賭徒的行當(dāng)。但到了19世紀(jì)，政府人口普查數(shù)據(jù)的興起將新興的概率數(shù)學(xué)應(yīng)用到了社會(huì)科學(xué)。20世紀(jì)，我們對(duì)物理世界的理解出現(xiàn)了根本性的重組，從牛頓式世界觀的確定性轉(zhuǎn)向量子力學(xué)的不確定性。也許，21世紀(jì)計(jì)算機(jī)科學(xué)最重要的進(jìn)步與社會(huì)科學(xué)和物理科學(xué)過去的進(jìn)步是互相呼應(yīng)的，即人們意識(shí)到，以數(shù)據(jù)為基礎(chǔ)、從概率意義上建立起結(jié)構(gòu)的算法效果最好。

本章要點(diǎn)Prediction Machines

※機(jī)器學(xué)習(xí)這一科學(xué)跟統(tǒng)計(jì)學(xué)的目標(biāo)不同。統(tǒng)計(jì)學(xué)強(qiáng)調(diào)的是平均值的正確性，機(jī)器學(xué)習(xí)卻對(duì)此并無要求，相反，它的目標(biāo)是操作的有效性。預(yù)測(cè)可能會(huì)出現(xiàn)偏差，但只要夠好就行（在運(yùn)算力強(qiáng)大的計(jì)算機(jī)中可以實(shí)現(xiàn)）。這使得科學(xué)家們可以利用過去十年的豐富數(shù)據(jù)和高速計(jì)算機(jī)自由地進(jìn)行嘗試，以快速推動(dòng)改進(jìn)。

※傳統(tǒng)的統(tǒng)計(jì)方法需要闡述假設(shè)，或至少闡述人對(duì)模型規(guī)范的直覺。機(jī)器學(xué)習(xí)不僅不需要事先指定進(jìn)入模型的內(nèi)容，還能夠適應(yīng)更加復(fù)雜、有著更多互動(dòng)變量的模型。

※機(jī)器學(xué)習(xí)的最新進(jìn)步通常被稱為人工智能的進(jìn)步，因?yàn)椋海?）以這一技術(shù)為基礎(chǔ)的系統(tǒng)會(huì)隨著時(shí)間的推移不斷學(xué)習(xí)和改進(jìn)；（2）這些系統(tǒng)在某些條件下可產(chǎn)生比其他方法產(chǎn)生的更準(zhǔn)確的預(yù)測(cè)，一些專家認(rèn)為預(yù)測(cè)是智能的核心；（3）這些系統(tǒng)提高了預(yù)測(cè)的準(zhǔn)確性后，它們便能夠執(zhí)行從前被認(rèn)為專屬于人類智能領(lǐng)域的任務(wù)，如翻譯和導(dǎo)航。對(duì)預(yù)測(cè)和智能之間的聯(lián)系，我們?nèi)匀怀植豢芍膽B(tài)度。預(yù)測(cè)的進(jìn)步是否代表了智能的進(jìn)步，我們對(duì)這一問題并無特定立場(chǎng)，我們的結(jié)論也不依賴于這樣的立場(chǎng)。我們關(guān)注的是預(yù)測(cè)成本下降（而非智能成本下降）帶來的結(jié)果。