机器学习就是AI么？

最近AI的复苏(revival)和流行同时带来的消极面是 - 很多的供应商，企业专业服务和个人纷纷标榜其技术，产品，服务或项目是人工智能的技术，产品，服务或项目。

另一方面关于人工智能，业界也缺少一个广泛接受的清晰的描述，关于什么是人工智能和什么不是人工智能。其原因在于，缺乏关于人工智能的广为接受的标准定义(standard definition)。

也许最好的方式是让我们回到人工智能的起点，当初我们期望人工智能可以做到什么，而不是先如何定义什么是人工智能。始于1950年的人工智能，其目标是创立一个智能化的系统，可以模拟人类的感知能力(to minic human cognitive abilities）。即具备感知和理解(perceive and understand)周边环境，从训练和自身经验中学习(learn from training and its own expereince)，基于思维过程和推理做出决策(make decisions based on reasoning and thought processes)，并且在模糊和不精确的情况下做出本能的反应。（develope intuition in situations that are vague and imprecise）

从描述的角度，我们很容易将通用人工智能AGI（Artificial General Intelligence）归类为人工智能。毕竟通用人工智能系统努力让机器拥有象人一样的感知能力（cognitive capabilities of humans)。

另一方面(On the flip side)，简单的自动化系统也不能称其为人工智能。仅仅需要一定的时间通过一定的数据集进行训练，计算机就可以理解和分辨出，比如猫的不同照片的差异之处，以及与其他动物的不同之处，但这并不意味着计算系统理解所看之物，从自身经验中学习，并基于理解决策。

同样的，尽管语音助理可以处理诸如“一吨胡萝卜和一吨豌豆哪个更重一些”的类似略复杂问题，但语音助理仍不可能理解你要真正谈论的是什么意思。我们可以称之为智能系统么？

MIT教授 Luis Perez-Breva辩论说，尽管这些不同的复杂系统，通过训练和大数据学习，毫无疑问是具备机器学习能力，但仍不能说其具备了人工智能能力(AI capabilities)。事实上目前市场上很多标榜是人工智能的，其实根本就与人工智能没有瓜葛，仅仅是不同版本的机器学习 -- 通过不同的机器学习方法训练后可完成特定的任务，其中深度学习又是当今最为流行的。

事实上，你仅需提供足够多的数据，即可通过神奇的数学算法，统计学和神经网络，赋予不同的连接以不同的权重，经过一段时间后你的电脑就可以具备图像识别能力。

但是你所做的，是按照人类对图像的理解创立一个大的数据集(data set)，然后就可以通过数学匹配(mathematically match)来判定。

那么机器学习与人工智能的关系到底如何呢？

但是如果我们深入的对各方论据进行思考，也很难片面的说如果ML任务越是狭窄，那么其离AI就越遥远。那么机器学习在人工智能到底扮演什么角色呢？ 或者我们可以说一个应用了机器学习的特定项目是一个人工智能应用么？在2007年工业界基本上同意以下对于人工智能的定义 -- Successfully understanding human speech, competing at the highest level in strategic game system, autonomous cars, intelligent routing in content delivery network and military simulations.

人工智能与自动化系统之间的所谓界限事实上相当的复杂(tricky)。如果你有机会解构一套人工智能系统，即使是最终所谓的AGI，你能看到的也可能无非是 - 比特，字节，神经网络，决策树，很多的数据与数学算法(bits and bytes, neural networks, decision-trees, big data, mathematical allgorithms)。同理，如果你有机会解构(decompose)人脑，你看到的无非是一堆神经元和各种生化连接(electrochemical pathways)。那么人类是智能的么？甚至细菌是智能的么？活体生物的智能边界在哪里？

也许我们并不需要对智能的精准定义，人工智能也许就是一种对于一套系统具备每种特定行为方式的特征的一种观察(an observation of the characteristics of a system that exhibit certian behaviors)。

从这个角度看(In this light)，其行为也许是对周边环境的感知和理解，也可能是通过经验学习并决策。那么机器学习显然是人工智能得以存在的重要组成部分(definitely forms a part of AI)。

过去60年以来，有各种各样的方式尝试让系统去学习和理解周围并从经验中学习，包括决Decision Tree, Association Ruls, Artificial Neural Network(深度学习），Inductive Logic（归纳逻辑）, Support Vecor Machines, Clustering, Similarity和包括Nearest-neighbor, Bayesian Network（贝叶斯网络）, Reinforcement Learning（强化学习）, Genetic algorism的 Metric Learning，以及包括其他相关的演进的计算方法，比如Rules-based machine learning, Learning Classifier Systems, Sparse Dictionary等等。

对于外行(layperson)，我们需要强调的是AI不等同于ML，同样ML也不等同于AI。ML可以支撑AI目标的达成，而其中深度学习是机器学习的一种方式。或者换一种方式讲，机器学习是必要的(necessary)，但并不足够达成AI的目标，同样深度学习是机器学习的一种方式，但并不能达成机器学习的所有需求。

AI的哪一部分不是机器学习呢？

了解成年人是如何获得智慧是非常有趣的。比如在有些情况下，通过环境去学习，通过与他人交谈去学习，另一种情况下，通过向具备专业技能的专业人士学习抽象的领域，如数学和物理，同时你也可以通过反复的练习来获取技能，如音乐或体育运动。从人工智能的角度，这只是不同的学习的方式，即不同的机器学习策略(diffeent machine learning strategy)。

有监管（supervised）下的学习如何做事情，没有监管下的通过观察世界和周边去学习。强化学习是从试验和错误中学习(reinforcement learning by trial and error)。

有些人说机器学习是模式识别(pattern recognition)的一种方式，通过理解特定的模式在自然，实验或感知中的发生。如果从这个角度的话，可以清楚地看出学习需要和行动相匹配(paired with an action part)。决策和推理(Decision and reasoning)并不是对于固定模式的固定反馈。如果是这样的话，我们需要做的就是通过机器学习做的比上次做的更好一些而已。所以，机器人总是会对相同的输入，做出相同的反应。

但是人类却完全不同，我们会试验不同的输出，我们会采用不同的方案。在压力下，我们会做出不同的反应。我们会设定优先级(we prioritize)。我们会超前思考，我们会想象各种可能性。我们玩政治游戏，很多时候言不由衷。更重要的是，我们有情绪，我们有自我意识（self-consciousness)。所有这些是我们远远超出了简单的感知和反应。这些是人工智能技术的前沿。

到这里我们阐述了人工智能和机器学习的相互关系。在认知的两端，一种认为只有AGI才是人工智能，另一种则相反认为任何机器学习的应用就是人工智能。也许真实的人工智能处于两者之间。

一些机器学习其实更像是不能够对变化做出反应，不能持续进化的自动化和程序化应用，其他一些可以适应变化，随着时间形成经验，持续改进方式并达成目标的机器学习可能更接近人工智能。

产业界正在持续的迭代机器学习技术，并解决先前所出现的复杂和困难问题。随着机器学习的不断成熟，有些当然与人工智能毫无关系，而另一些却可以持续推动着向人工智能的发展。

我们终会看到技术持续的进化并最终达成人工智能的目标。