Google 最美女工程师眼中的机器学习

关于 Machine learning 机器学习，各位老司机应该不陌生。在众多关于机器学习概念的解释中，Google 首席决策情报工程师 Cassie Kozyrkov 称其为「事物贴标机」，真是一个有趣的理解。

机器学习本质上是一个事物贴标机

除了是 Google 的首席决策情报工程师，美腻的 Cassie Kozyrkov 小姐姐也是一名统计学家和神经科学家。

她对机器学习的认知跟一般主流观点不同，她认为机器学习可能并没有专家口中所说的那么神奇，也不是吸引 300 亿美元风投资金流向 AI 领域的主要原因，更没有 Hacker News 或知乎上说的那么深奥。

在小姐姐 Cassie Kozyrkov 看来，以上都是对机器学习的书面解释，在实际应用场景中，机器学习本质上就是一个「事物贴标机」。通过记录下你的描述，并为其打上对应的标签，来指引计算机的下一步动作。

相比科幻，机器学习更注重实用性

机器学习是 AI 的一个子集，也是实现 AI 的关键技术之一，目前市面上大部分 AI 产品基本上都依赖于机器学习，以至于很多人会把这两个概念等同看待。

关于 AI 科幻想象也不自觉的转移到机器学习身上。比如《钢铁侠》里钢铁侠的AI 助理 Jarvis，总能瞬间定位某个冷僻国家不知名街道上的罪犯。而实际上，机器学习很难实现科幻片里面的场景，就连当前的 AI 也不能实现。

目前来看，不论是 AI，还是机器学习，它们被广泛使用的地方就是提高计算机工作效率，扩大应用场景。它们能用来处理庞大的数据工程，解决一些程序性工作，跟科幻片比起来，更加注重实用性。

举个栗子

下面是一张猫的图片，人脑通过各种感官和经验可以很容易识别出来，但这对一台计算机而言却要经历大量的「心理活动」。

给定计算机一项任务：将照片分类（或称为标记）为 cat/not-cat？机器学习系统和传统编程方式将给你两种不同的操作体验。

在传统的编程方法中，人类程序员会认真思考像素和标签，与他人沟通、激发灵感、最后手动制作模型。

模型是指一组指令，计算机必须执行这些指令才能将像素数据转换为标签，供计算机识别。这些指令只是计算机用来将输入转换为输出的一些代码，可以由程序员手工编写，也可以通过算法从数据中得到。

再举个复杂一些的栗子

如何用代码来形容这张图中所包含的每一个像素块呢？

这对人脑而言难度很大，人脑可以识别出这张照片，却很难将照片中的像素块代码化。因此，人脑对计算机下达识别该照片的指令，不仅工作量大，而且非常复杂，也不具备实用性。

所以，传统编程法很难在图像识别领域应用。

但机器学习可以很好的解决这个问题，它是一种完全不同的编程范式，它可以通过类似于归类的手法来进行编程，不需要明确的指令。官方解释为：在数据中找到固定模式，并将其转化为指令。

还是以上图为例，机器学习会综合所有相关数据，总结出一堆「not cat」的例子，以及一堆「cat」的例子，然后再根据相关特征重新归类，直到确定「cat/not cat」。

机器学习可以将很多不可言喻的东西，用计算机语言表达出来。这就意味着我们不用给出具体指令，计算机就能得到我们想要的结果。

这也是 AI 和机器学习被创造出来的主要目的，在不需要指令的情况下解释人类意图。

这样的转变让计算机变得越来越智能，可以解决很多只有人脑才能解决的问题，这是人类技术一次质的飞跃，也是计算机科学叩响新大门的标志。