机器学习的优势与局限之我见

现在人工智能主要依赖于机器学习，特别是监督学习，比如分类、回归。机器学习可以基于数据，帮助智能系统做出各种各样的判断，可能对应于感知的处理，也可能对应于认知的处理，比如识别一张照片里面是不是有人脸，或者判断在下围棋时该走哪一步。近年深度学习有了突飞猛进的发展，成为机器学习中最强大的一个分支。机器学习本身并不具备推理能力，机器学习与推理的结合，会使系统的智能水平提升到更高的高度，是未来人工智能技术发展的大方向。

机器学习既有优势，也有局限。机器学习的优势是，数据驱动，在特定场景下做出的判断，可以逼近甚至超过人类。这点在汽车自动驾驶，在计算机围棋系统AlphaGo中已经得到充分体现。Alphago系统有两个模型被循环使用，在不同的棋局中帮助系统做出判断。这样一个简单的架构就能完成非常智能的工作。

机器学习也有若干局限。第一个局限是严重依赖于数据，如果训练数据的质量不够好，就可能导致系统学到不全面或不正确的模型。极端情况如果完全没有数据，那么机器学习也面临“巧妇难为无米之炊”的困境。比如人脸检测，如果给出的训练数据不充分，系统就很难检测出在各种情况下照片中的人脸，人在墙后露出半张脸或者把脸捂上的时候，系统就无法检测。如果想让系统能够覆盖这些情况，就要给系统提供充分的训练数据。数据驱动是机器学习的重要特点，换句话说也是它的局限。机器学习的第二个局限是依赖于学习模型的类型。构建机器学习系统时，需要事先决定模型的类型，或者说定义模型的可能集合，比如做分类时，需要决定要学习的模型是线性模型还是非线性模型。如果问题是非线性问题，而选择的是线性模型，那么分类的效果就不会好。模型类型的选择左右了机器学习系统的性能。深度学习的本质是复杂模型的学习，近年深度学习的突破主要源于大数据的普及以及计算机能力的提升，这些使得复杂神经网络学习成为可能。

不能执行不特定多种任务，这是机器学习的第三个局限。可以把智能系统做一简单分类，首先看环境是否动态变化，如果环境不是动态变化的，这样的智能系统可能就是工业机器人。如果环境动态变化，其次看智能系统是否需要执行不特定多种任务，也就是说要做的事情是否已经事先定义好，只能执行特定多种任务就是汽车自动驾驶的情况，比如“直行、刹车、换道”。如果任务是不特定多种，那么基于机器学习的智能系统就难于应对。假想有一个建筑机器人，这个机器人可以搬砖、摆砖，但是它可能不会清理倒掉的砖墙。如果没有设计让机器人完成的任务，机器人就不会像人一样自主地去做。构建一个能够像建筑工人一样去工作的机器人，还是极其困难的。智能系统和任何一个工程系统一样，都只能在设计范围内工作。