《AI极简经济学》9-这期没有语音

大家好，欢迎来到快乐读书9527的微信公众号，我们今天继续解读《AI极简经济学》第十七章 你的学习策略 让机器准确进行预测，就要有大量有效数据来训练机器，如果没有这些有用的数据，那就要对机器进行强化学习。所谓强化学习也就是大量重复地做一件事，通过反馈数据进行学习。DeepMind公司的人工智能就是通过这种方法学习一款电子游戏，因为机器能够玩得更快，次数更多，后来能够超过最好的人类玩家。

人类的学习也是这样，在2009年发生的一件事，后来被拍成了电影《萨利机长》，就是全美航空1549号航班撞上了一群黑雁，导致发动机停止转动，记账切斯利·萨伦伯格神奇地将飞机迫降在哈得孙河上，使155名乘客得以活命。根据记录，萨利机长累计飞行了19663小时，驾驶空客A320的时长是4735小时，正是凭借着42年来的飞行经验，才能在短时间内做出正确的行动。

蒂姆·库克

机器学习到什么程度可以真正地被投放使用，这没有一个明确的标准，只能是一种权衡。比如谷歌的邮箱，人工智能会阅读邮件，并根据内容给出三种快捷回复，虽然这种预测成功率只有30%，但客户依然能够容忍，因为节省的时间足以覆盖自己无谓的回复、错误的理解等等不确定性。但是对于自动驾驶，人们的容忍度就会很低，因为这关乎到生命的安全。用自动驾驶来说，特斯拉在新型车都会放入自动驾驶功能，通过这一功能，特斯拉可以收集到各种行驶数据，可以优化自己的人工智能，但是因为自动驾驶功能往往不能超过一名熟练的汽车驾驶员，所以为了安全，人们又不会经常使用，人们如果不适用自动驾驶，特斯拉就无法收集到有用的数据。这时就有了一个很棘手的权衡，因为有更多的数据机器能够更快地学习，如果机器能够被频繁使用，它就会收集到更多的数据。但是越早将产品投放到使用中，机器学习就会更快，但是也有着危害品牌的风险；越晚把产品投放到使用中，机器学习的速度就会减慢，但是公司能有更多的时间优化产品、保护品牌。

现在有一种方法可以简化这种权衡，就是模拟环境。好比人类驾驶员都会在模拟器上训练数百个小时，才能摸到真正的飞机。谷歌的阿尔法狗也是让他和另外一个自己对弈，来提升围棋水平。

通过这样的训练，不需要实地就可以达到提高，在自动驾驶上来说就是减少了用户体验的风险。

另一种权衡就是公司应该多快将人工智能学习的预测应用于实践。如果立即使用就可应对当前的情况，但是质量就无法保证。还是说特斯拉的自动驾驶，由机器采集到的数据不会在车上的机器上进行学习，而是上传到特斯拉的云端，由特斯拉总部的机器进行学习，从而改进不足，之后一段时间通过版本更新来优化自动驾驶，这对于用户而言就是跳跃式的。如果车内机器可以进行学习，那么就能更快地适应当时的情况。

《萨利机长》

苹果公司CEO蒂姆库克向用户发出承诺，不会窃取用户的隐私。但是从人工智能发展的角度看，如果公司云端不能搜集到用户数据就不能很好地优化自己的人工智能，并且没有哪个公司敢于放弃人工智能。所以，对于类似苹果这些保护用户隐私的公司，可能就会采用在用户端设备上进行人工智能机器学习，这也就意味着你在iPhone完成的人脸识别，并不会体现在iPad和iMac又或者是你新换的新款iPhone上，那么这个智能的作用也将大打折扣。这就带来了隐私换取预测准确性的权衡。

当机器实现高度自动化，从而解放出人类看起来是美好的，但是这也是有不利的一面。2009年法国航空公司447号航班在飞行途中坠落，起因是恶劣的天气引发的危机，加上驾驶员经验不足，没能正确处理这一危机最终导致坠机。飞机的自动化将飞机驾驶员放置到驾驶环节之外，从而导致飞行员没有足够的应对危机的经验。但是，在其它一些领域自动化又会提高效率，比如网站客服界面会有频繁出现的问题解答，这就节省了客服人员大量时间，更好地用来帮助有更大困难的用户解决问题。如果要解决这一困境，就要将人加入到驾驶环节中，但是有了人类的参与，机器能够学习的数据就更少了，甚至一些重要或危险的应对方法机器根本无法学到。所以，人与机器的体验取舍又成了机器学习的一个权衡。