5. 人工智能就是会学习的计算机程序

作者 | Harper

审核 | gongyouliu

编辑 | auroral-L

我们前面已经从三个角度来看待人工智能了，这次我们再换一个思路。先下定义！人工智能就是会学习的计算机程序。这一定义几乎将人工智能与机器学习等同了起来。但这的确是最近这拨人工智能热潮里，人工智能在许多人眼中的真实模样。谁让深度学习一枝独秀，几乎垄断了人工智能领域里所有流行的技术方向呢?

20世纪80年代到90年代，人们还在专家系统和统计模型之间摇摆不定的时候，机器学习仍然固守着自己在数据挖掘领域的阵地远远观望。从2000年到2010年，短短十几年过去，机器学习开始逐渐爆发出惊人的威力，并最早在计算机视觉领域实现了惊人的突破。

2010年至今，使用深度学习模型的图像算法在ImageNet竞赛中显著降低了对象识别、定位的错误率。2015年，ImageNet竞赛中领先的算法已经达到了比人眼更高的识别准确率。就在同一年，语音识别依靠深度学习获得了大约49%的性能提升2。机器翻译、机器写作等领域也在同一时期逐渐被深度学习渗透，并由此获得了大幅改进。

“无学习，不AI"，这几乎成了人工智能研究在今天的核心指导思想。许多研究者更愿意将自己称为机器学习专家，而非泛泛的人工智能专家。谷歌的AlphaGo因为学习了大量专业棋手棋谱，然后又从自我对弈中持续学习和提高，因此才有了战胜人类世界冠军的本钱。微软的小冰因为学习了大量互联网上的流行语料，才能用既时尚，又活泼的聊天方式与用户交流。媒体上，被宣传为人工智能的典型应用大多都拥有深度学习的技术基础，是计算机从大量数据资料中通过自我学习掌握经验模型的结果。

这一定义似乎也符合人类认知的特点：没有哪个人是不需要学习，从小就懂得所有事情的。人的智慧离不开长大成人过程里的不间断学习。因此，今天最典型的人工智能系统通过学习大量数据训练经验模型的方法，其实可以被看成是模拟了人类学习和成长的全过程。

如果说人工智能未来可以突破到强人工智能甚至超人工智能的层次，那从逻辑上说，在所有人工智能技术中，机器学习最有可能扮演核心推动者的角色。

当然，机器目前的主流学习方方法和人类的学习还存在很大的差别。举个最简单的例子:目前的计算机视觉系统在看过数百万张或更多自行车的照片之后，很容易辨别别出什么是自行车，什么不是自行车，这种需要大量训练照片的学习方式看上去还比较笨拙。

反观人类，给一个三四岁的小孩子看一辆自行车之后，再见到哪怕是外观完全不同的自行车，小孩子也十有八九能做出看得出来那是一辆自行车，也就是说，人类的学习过程在不有要大规模的训练数据。这一差别给人类带来的优势是全方位的。最近，尽管研究者提出了迁移学习等新的解决方案，但从总体上说，计算机的学习水平还远远达不到人类的境界。

如果人工智能是一种会学习的机器，那未来需要着重提高的，就是让机器在学习时的抽象或归纳能力向人类看齐。

其实针对人工智能，不同的定义将人们导向不同的研究或认知方向，不同的理解分别适用于不同的人群和语境，如果非要调和所有看上去合理的定义，我们得到的也就是一个全面但过于笼统，模糊的概念。

大家也可以参考维基百科的人工智能词条，词条的大致意思就是，人工智能就是根据环境的感知，做出合理的行动，并获得最大收益的计算机程序。基本上这个定义将前面几个实用主义的定义都涵盖了进去，同时，不再强调人工智能对人类思维的模仿。

所以到目前为止我们一共列举了有五种常见的人工智能的定义，大家可以参考这五种定义，做出自己的思考，希望这一些列文章能够带给大家思路和启发。

本文的视频版本可以直接点击下面视频观看，欢迎关注数据与智能视频号获取更多精彩视频。