1.3 人工智能與機(jī)器學(xué)習(xí)的關(guān)系

計(jì)算機(jī)要像人類一樣完成更多智能的工作，需要掌握關(guān)于這個(gè)世界海量的知識(shí)。比如，要實(shí)現(xiàn)汽車自動(dòng)駕駛，計(jì)算機(jī)至少需要能夠判斷哪里是路，哪里是障礙物，這個(gè)對(duì)人非常直觀的東西，對(duì)計(jì)算機(jī)卻是相當(dāng)困難的。路有水泥的、瀝青的，也有石子的甚至土路。這些不同材質(zhì)鋪成的路在計(jì)算機(jī)看來(lái)差距非常大。如何讓計(jì)算機(jī)掌握這些人類看起來(lái)非常直觀的常識(shí)，對(duì)于人工智能的發(fā)展是一個(gè)巨大的挑戰(zhàn)。很多早期的人工智能系統(tǒng)只能成功應(yīng)用于相對(duì)特定的環(huán)境（specific domain），在這些特定環(huán)境下，計(jì)算機(jī)需要了解的知識(shí)很容易被嚴(yán)格并且完整地定義。例如，IBM研發(fā)的計(jì)算機(jī)“深藍(lán)”（Deep Blue）在1997年打敗了國(guó)際象棋冠軍卡斯帕羅夫。設(shè)計(jì)出下象棋軟件是人工智能史上的重大成就，但其主要挑戰(zhàn)不在于讓計(jì)算機(jī)掌握國(guó)際象棋中的規(guī)則。國(guó)際象棋是一個(gè)特定的環(huán)境，在這個(gè)環(huán)境中，計(jì)算機(jī)只需要了解每一個(gè)棋子規(guī)定的行動(dòng)范圍和行動(dòng)方法即可。雖然計(jì)算機(jī)早在1997年就可以擊敗國(guó)際象棋的世界冠軍，但是直到20年后的今天，讓計(jì)算機(jī)實(shí)現(xiàn)大部分成年人都可以完成的汽車駕駛卻仍然依舊十分困難。

如何讓計(jì)算機(jī)可以跟人類一樣從歷史的經(jīng)驗(yàn)中獲取新的知識(shí)呢？這就是機(jī)器學(xué)習(xí)需要解決的問(wèn)題。卡內(nèi)基梅隆大學(xué)的Tom Mitchell教授在1997年出版的書(shū)籍《機(jī)器學(xué)習(xí)》（Machine Learning）中對(duì)機(jī)器學(xué)習(xí)進(jìn)行了非常專業(yè)的定義：“如果一個(gè)程序可以在任務(wù)T上，隨著經(jīng)驗(yàn)E的增加，效果P也可以隨之增加，則稱這個(gè)程序可以從經(jīng)驗(yàn)中學(xué)習(xí)”。學(xué)習(xí)是人類智能的重要特征，是獲得知識(shí)的基本手段，而機(jī)器學(xué)習(xí)也是使計(jì)算機(jī)具有智能的根本途徑，如香克（Shank）所說(shuō)：“一臺(tái)計(jì)算機(jī)若不會(huì)學(xué)習(xí)，就不能稱為具有智能的。”除此之外，機(jī)器學(xué)習(xí)還有助于發(fā)現(xiàn)人類學(xué)習(xí)的機(jī)理和揭示人腦的奧秘。

機(jī)器學(xué)習(xí)大致可以分為以下步驟：數(shù)據(jù)采集、特征提取、特征組合評(píng)價(jià)、現(xiàn)狀態(tài)與特征組合匹配。每一步驟都在整個(gè)學(xué)習(xí)過(guò)程充當(dāng)重要的角色，對(duì)于機(jī)器學(xué)習(xí)來(lái)說(shuō)，數(shù)據(jù)采集要達(dá)到一定的量，數(shù)據(jù)量太小會(huì)失去研究的意義，通常機(jī)器學(xué)習(xí)的數(shù)據(jù)采集需要交代數(shù)據(jù)的來(lái)源以及采集方式，不同的數(shù)據(jù)采集的困難程度不同。

特征選取與特征提取的關(guān)鍵區(qū)別在于：特征選取是從原特征集中選取一個(gè)子特征集，而特征提取則是在原特征集的基礎(chǔ)上重新構(gòu)造出一些（一個(gè)或多個(gè)）全新的特征。特征提取是決定整個(gè)機(jī)器學(xué)習(xí)的關(guān)鍵一步，一般來(lái)說(shuō)數(shù)據(jù)都會(huì)經(jīng)過(guò)一定的處理再進(jìn)行機(jī)器學(xué)習(xí)，原始數(shù)據(jù)的計(jì)算量過(guò)于龐大，因此必須經(jīng)過(guò)特征提取，特征提取的結(jié)果從根本上決定著機(jī)器學(xué)習(xí)的結(jié)果。不同學(xué)者對(duì)于特征設(shè)計(jì)有著不同的定義，但是好的特征變量都需要考慮到以下特性：第一，要盡可能地相對(duì)獨(dú)立，以免影響到后面的計(jì)算量；第二，整個(gè)特征集合要盡可能形成一個(gè)完備的描述空間，即一個(gè)盡可能完備的描述空間下的特征，其能通過(guò)機(jī)器學(xué)習(xí)所提取信息的效率才能最大化；第三，在進(jìn)行特征設(shè)計(jì)時(shí)要考慮到執(zhí)行效率。

特征組合評(píng)價(jià)、現(xiàn)狀態(tài)與特征組合匹配屬于機(jī)器學(xué)習(xí)的核心部分，如果不能在特征上處理好計(jì)算量的問(wèn)題，就需要設(shè)計(jì)更好的算法加快收斂速度。

總地來(lái)說(shuō)，人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是非常相關(guān)的幾個(gè)領(lǐng)域。圖1-5總結(jié)了它們之間的關(guān)系。人工智能是一類非常廣泛的問(wèn)題，機(jī)器學(xué)習(xí)是解決這類問(wèn)題的一個(gè)重要手段。

圖1-5 人工智能與機(jī)器學(xué)習(xí)的關(guān)系