來源：techcrunch

作者：Hassaan Ahmed

編譯：劉小芹  文強

【新智元導讀】什么是終極算法？算法已在多大程度上影響我們的生活？本文介紹了著名算法專家，機器學習領(lǐng)域的先驅(qū)人物 Pedro Domingos 的新書《終極算法》，詳解了機器學習的五大學派。文章總結(jié)道，每個學派都有自己的主算法，能幫助人們解決特定的問題。而如果整合所有這些算法的優(yōu)點，就有可能找到一種“終極算法”，該算法可以獲得過去、現(xiàn)在和未來的所有知識，這也必將創(chuàng)造新的人類文明。本書提出的問題令人深思。

機器學習并不新穎。我們從20世紀90年代就開始見證機器學習了。當時亞馬遜推出了一個新的“為你推薦”功能，為用戶顯示更加個性化的推薦結(jié)果。當我們在 Google 上搜索時，這些搜索結(jié)果的背后也有機器學習技術(shù)。Facebook 上的“朋友”推薦或建議頁面，以及任何電商網(wǎng)站上的產(chǎn)品推薦的背后都是機器學習在起作用。

換句話說，這些網(wǎng)站對我們的了解很多。我們在網(wǎng)站上的每次點擊或搜索都會被記錄下來，并為我們提供更多有關(guān)這些網(wǎng)站的信息。但這些網(wǎng)站都不是完全意義上的了解我們。Google 會知道我們正在搜索什么，亞馬遜會知道我們想買什么，蘋果知道我們喜歡聽什么音樂，F(xiàn)acebook 知道我們的社交行為偏好。但這些網(wǎng)站沒有一個知道我們在一天里所有的喜好和選擇。它們只能通過我們先前的點擊，而非通過了解我們整個人進行預(yù)測。

但是，假設(shè)有一個算法能同時知道我們在 Google 上搜索什么，我們在亞馬遜上購買什么，以及我們正在 Apple Music 上聽的音樂，或在 Netflix 上觀看的視頻。它也知道我們最近的狀態(tài)和我們在 Facebook 上的分享。

關(guān)于我們的事，這個算法知道得很多，并且對我們形成了一個更準確、更全面的了解。

這種強大的“終極算法”（master algorithm）是 Pedro Domingos 提出的假設(shè)的核心，他是《終極算法：機器學習和人工智能如何重塑世界》（The Master Algorithm：How the Quest for the Ultimate Learning Machine will Remake Our World）的作者。

機器學習有不同的學派，每個學派從不同的角度看問題。符號學派（symbolists）更多關(guān)注哲學，邏輯學和心理學，并將學習視為逆向演繹（inverse of deduction）。聯(lián)結(jié)學派（connectionists）專注物理學和神經(jīng)科學，并相信大腦的逆向工程。進化學派，正如其名稱所示，在遺傳學和進化生物學的基礎(chǔ)上得出結(jié)論。貝葉斯學派（Bayesians）注重統(tǒng)計學和概率推理。而類推學派（analogizers）更多是關(guān)注心理學和數(shù)學優(yōu)化來推斷相似性判斷。

聯(lián)結(jié)學派（The connectionists）

聯(lián)結(jié)學派的主要思想是通過神經(jīng)元之間的連接來推導知識。聯(lián)結(jié)學派聚焦于物理學和神經(jīng)科學，并相信大腦的逆向工程（reverse engineering）。他們相信用反向傳播算法或“向后傳播錯誤”的算法來訓練人工神經(jīng)網(wǎng)絡(luò)以獲取結(jié)果。

多倫多大學的 Geoff Hinton 是機器學習領(lǐng)域的頂尖研究者之一。Hinton 積極與谷歌合作，也是推動“深度學習”模式的人物。深度學習在許多不同領(lǐng)域徹底變革了 AI，如語音識別，圖像描述及生成有意義的句子。

幾乎所有大科技公司，包括 Facebook，微軟，谷歌等，都正在使用這種模式來改進它們的系統(tǒng)。Navdeep Jaitly 是谷歌大腦團隊的研究科學家，他在 Hinton 門下進行研究，使用深度學習模型超越了 Android 系統(tǒng)中已經(jīng)“精細調(diào)好”（fine-tuned）的語音識別算法。

Facebook AI Research（FAIR）的主管 Yann LeCun 是這個研究領(lǐng)域的另一位大牛。Yann 也是在 Hinton 門下讀博士學位，并致力于深度學習領(lǐng)域。

作為蒙特利爾學習算法研究所的負責人，Yoshua Bengio 是另一個值得注意的名字，是聯(lián)結(jié)學派方法的領(lǐng)軍人物。Bengio 致力于組織不同的 AI 相關(guān)活動和會議，包括學習研討會。Bengio 和他的學生 Ian Goodfellow（現(xiàn)在是 OpenAI 的研究員）以及 Aaron Courville 一起合著了著名的深度學習教材 Deep Learning。

機器學習領(lǐng)域的許多研究者，特別是聯(lián)結(jié)學派者，認為深度學習模型是 AI 的所有問題的答案，并認為它是一個主算法。

符號學派（The symbolists）

符號學派的方法基于對問題的“高階”（high-level）解釋。符號主義者更側(cè)重哲學，邏輯學和心理學，并把學習視為逆向演繹（inverse of deduction）。John Haugeland 在他的著作 Artificial Intelligence: The Very Idea 中稱之為“Good Old-Fashioned Artificial Intelligence” (GOFAI)。符號學派解決問題的方法是使用預(yù)先存在的知識來填補空白。大多數(shù)專家系統(tǒng)使用符號學派的方法，以 If-Then 的方式解決問題。

卡內(nèi)基梅隆大學的 Tom Mitchell 是符號學派的領(lǐng)軍人物之一。Udacity 聯(lián)合創(chuàng)始人，斯坦福大學教授，前谷歌副總裁 Sebastian Thrun，以及艾倫人工智能研究所 CEO Oren Etzioni 都是 Tom Mitchell 的學生。

倫敦帝國理工學院教授，Inductive Acquisition of Expert Knowledge 的作者 Stephen Muggleton，以及 RuleRequest 的創(chuàng)始人 Ross Quinlan 均是推崇符號學派機器學習方法的著名研究者。

進化學派（The evolutionaries）

第三個學派，是進化學派，他們在遺傳學和進化生物學的基礎(chǔ)上得出結(jié)論。2015年去世的 John Holland 曾在密歇根大學任教，他在將達爾文的進化理論引入計算機科學方面發(fā)揮了非常重要的作用。Holland 是遺傳算法（genetics algorithms）的先驅(qū)，他提出的“遺傳算法的基本定理”被認為是這個領(lǐng)域的基礎(chǔ)。

機器人學，3D打印和生物信息學領(lǐng)域的許多工作是哥倫比亞大學創(chuàng)意力學實驗室主任 Hod Lipson 等進化論者進行的。John Koza 是前斯坦福大學教授，Scientific Games 公司的創(chuàng)始人，也是遺傳算法的另一名先驅(qū)人物。另外，Serafim 實驗室的創(chuàng)始人，斯坦福大學計算機科學教授 Serafim Batzoglou 也是計算機基因組領(lǐng)域的著名研究者。

貝葉斯學派（The Bayesian school of thought）

如果你使用電子郵件超過10年，應(yīng)該能感覺到垃圾郵件過濾系統(tǒng)的改進。這是機器學習中的貝葉斯學派的功勞。貝葉斯學派專注于研究概率推理和用貝葉斯定理解決問題。貝葉斯學派從一個信念開始，他們稱之為“先驗”（prior）。然后，他們收集一些數(shù)據(jù)，并基于該數(shù)據(jù)更新先驗；得到的結(jié)果他們稱之為“后驗”（posterior）。然后，他們用更多的數(shù)據(jù)來處理后驗，并使之變成先驗。這個過程不斷循環(huán)往復(fù)，知道得到最終的答案。大多數(shù)垃圾郵件過濾系統(tǒng)是在這種基礎(chǔ)上起作用。

加州大學洛杉磯分校計算機科學系的 Judea Pearl 是貝葉斯方法的著名研究者之一。微軟 Genomics Group 的負責人 David Heckerman 也是著名的貝葉斯方法研究者，他幫助微軟在 Outlook 和 Hotmail 郵件系統(tǒng)中開發(fā)了不同的數(shù)據(jù)挖掘工具和垃圾郵件過濾工具。

加州大學伯克利分校的 Michael Jordan 也是這一領(lǐng)域的主要研究者。

類推學派（The analogizers）

機器學習的第五個分支學派是類推學派（Analogizers），他們更多地關(guān)注心理學和數(shù)學最優(yōu)化，通過外推來進行相似性判斷。類推學派遵循“最近鄰”原理進行研究。各種電子商務(wù)網(wǎng)站上的產(chǎn)品推薦（例如亞馬遜或 Netflix的電影評級）是類推方法最常見的示例。

印第安納大學的 Douglas Hofstadter（侯世達）是認知科學中最有名的科學家。同一領(lǐng)域的另一位知名科學家是 Vladimir Vapnik，他也是“支持向量機”的共同發(fā)明者和 Vapnik-Chervonenkis 理論的主要開發(fā)者。Facebook 最近聘請 Vapnik 與其他幾位知名研究人員一起加入 Facebook AI 實驗室。此外，理光創(chuàng)新（Ricoh Innovations）創(chuàng)始人 Peter Hart 也是遵循類推方法的著名學者，Hart 與人合著了《模式分類》一書。

所有上述學派解決不同的問題，提出了不同的解決方案。而真正的挑戰(zhàn)是設(shè)計一個算法，解決這些方法嘗試要解決的所有不同的問題——單一的一個“終極算法”。

我們?nèi)匀惶幵跈C器學習和 AI 的早期，還有很多事情要做。我們不知道什么時候，哪里會出現(xiàn)問題，而這將會減緩整個發(fā)展進程，帶來下一個“AI冬天”。又或者，將來會出現(xiàn)一個新的突破，徹底改變目前的情況。

機器學習的進步更像是一場演化。正如微生物的發(fā)展速度遠比人類更快，機器學習的發(fā)展也比人類快，但會到達一個階段，在這個階段上這些學習算法會變得太過復(fù)雜而不能快速演化。

也存在其他的危機。一個“理想的”終極算法將了解有關(guān)我們的一切。雖然機器學習需要人類的輸入作為啟動，但它最終會達到一個點，它會超越人類。那么接下來會發(fā)生什么呢？只要它們的目標和我們的目標稍有分歧，可能就足以消滅人類。

這只是一種情況。假設(shè)我們成功建立了一個能夠控制這些超級智能的機制，就類似于螞蟻創(chuàng)造了一個能夠控制我們?nèi)祟惖臋C制。但是，國家，人們和團體之間存在的利益沖突，可能會引發(fā)類似“天網(wǎng)”（終結(jié)者）的戰(zhàn)爭。

有許多初創(chuàng)公司專注于機器學習及其為生活中的不同問題帶來的解決方案；而且，更重要的是，有大型科技公司支持他們。例如，谷歌收購的 DeepMind 專注于醫(yī)療保健，利用機器學習研究癌癥的治療；Facebook 的 Chan Zuckerberg Initiative 宣布計劃在未來十年投資30億美元，以幫助治療、預(yù)防和管控疾病。

另外，世界上最大的一些科技公司，包括亞馬遜，F(xiàn)acebook，谷歌，微軟等形成了聯(lián)盟“Partnership on AI”，以共享他們的大型數(shù)據(jù)庫進行研究，推廣好的實踐。

AI 是否將技術(shù)的發(fā)展引向了一條危險的路徑？我們將要成為機器的奴隸，又或 AI 是將人類引向終極的進步的入口？

任何希望了解 AI 和機器學習的人士都應(yīng)該閱讀一下 Pedro Domingos 的《終極算法》一書。最后，讓我們借用此書序言里的一句話作為本文的結(jié)語：圍繞大數(shù)據(jù)以及機器學習的討論充滿爭議，如果你對此感到好奇，且懷疑有比論文上看到的更為深層次的東西，那么這本書就是你進行革命的指南。   

原文地址：https:///2017/01/30/is-a-master-algorithm-the-solution-to-our-machine-learning-problems/

【尋找AI獨角獸】新智元聯(lián)手10大資本

啟動2017創(chuàng)業(yè)大賽

AI 創(chuàng)業(yè)大賽由新智元與10 家主流 AI 創(chuàng)投機構(gòu)：藍馳創(chuàng)投、紅杉資本中國基金、高瓴智成人工智能基金、藍湖資本、藍象資本、IDG資本、高榕資本、中信建投證券、明勢資本、松禾遠望基金攜手發(fā)起，由新智元主辦，北京市中關(guān)村科技園區(qū)管理委員會、中關(guān)村科技園區(qū)海淀園管理委員會支持，是一場聚合了 AI 技術(shù)領(lǐng)袖和投資領(lǐng)袖的盛會。新智元向滿懷雄心的未來AI獨角獸提供強大的創(chuàng)投資源對接機會，頂級風投 TS 等你來拿。

http://form./gthejw