浅谈从统计学习到因果推断的人工智能-北冥星眸.PDFVIP

浅谈从统计学习到因果推断的人工智能 CEO 案语 “企业之大者，立身、立言、立业，进可创造更好的世界，退可独善其身。北冥 乃类人人工智能之先驱，承老一辈人工智能科学家之梦想，兢兢业业，克服千难万险， 征途两年有 3 月。如今鱼龙混杂之格局已然形成，鸡肋之作充斥市场，混淆视听；资 本浮躁，急功急利，需知创世之技术，无时日难以成其形。如此浊浊之局面，北冥独 清；虽清高自傲，以人工智能正统自居，亦无愧矣。 作为正统，北冥当履行正统之责，传播真理。自当成为人群之眼，正众人之视听； 分享成果，指明类人人工智能之正道。路漫漫其修远，北冥虽还未能拿出正统之作， 却愿和大家共同探索挖掘造物主最伟大的宝藏，分享“北冥之声”。 ——北冥星眸 CEO 钱小一 文章的主要内容 ：简单的讨论主流统计学习方法与人工智能本身的关系，引出关于因 果推断等话题 。本文限于篇幅及学识，不会展开系统的人工智能本质讨论，但会挑出 零散的、关键的观点来分享。本文由于重点不在讨论统计学习方法且已有大量优质资 料可以参考，故简单带过相关内容，重点将放在讨论一些更有趣、产业界讨论不多的 内容。鉴于学识有限，如有疏漏，欢迎指正。 一、从统计学习方法扯回到人工智能的历史目标 目前人工智能领域的相关工作中最受人关注的无疑是取得了辉煌成绩的统计学 习方法，无论是 90 年代大热的机器学习方法（以支持向量机等浅层网络模型为代表 ） 还是现在最火热的深度神经网络。统计学习方法的实质都是从大量的训练数据 中得到 一个模型（分类器），这个模型转换结构化的数据输入到目标输出，实现了对输入矢 量进行分类的目标。这里可以举很多酷炫的应用例子，其中一些被当前的很多人视为 人工智能： 图像识别中卷积神经网络的卷积输入到给定的各个分类结果层； AlphaGo 利用价值网络苹果棋盘位置和策略网络选择下棋步法； 由输入整篇邮件内容到进行判断的的垃圾邮件分类器 …… 简单来说，统计学习方法的作用可以抽象为：对任意任务，可以找到输入矢量 X 和一个目标矢量 Y 之间存在一个映射关系 （某种真理）；机器学习的目标就是通过训 练样本 {X,Y}的集合，通过算法计算出 ，使 和 的差距尽可能小。在这种思路下，如 果有良好的训练数据，我们通常能得到与真实情况非常接近的结果。 目前主流的相关工作围绕着这么几个方面进行：1.更优秀的训练算法，提高性能， 即找 的办法；2.提出新的神经网络架构（或其他统计模型）在某一特定领域得到更智 能的效果，设计一种新的映射 ；3.围绕模型的可解释性进行讨论，为什么设计 ；4.提 出更好的无监督学习（也是训练分类器）办法，不规定 的情况下怎么处理，如强化学 习、生成对抗式网络等等。 我想目前很多人和我一样，作为新手，接触人工智能从了解机器学习和深度学习 开始，很多人也会和我一样产生一个困惑：机器学习的相关技术是否能带领人类走向 真正的人工智能？这种智能似乎离曾经科幻电影中的终结者和矩阵相去甚远，以及其 是否能产生情感等问题。 讨论这一个问题，有一个先决的问题，就是我们如何定义人工智能。通常人工智 能被定义为具有智能行为的机器，而拥有不弱于人类智能水平的机器智能称为强人工 智能。而人工智能的衡量标准似乎从来没有过统一，因为人类的智能也很难定义。人 类一般认为在某种脑力活动方面有优势为聪明，但通常没有在所有方面都聪明的人存 在。举个例子：一个人很会下围棋，但他不会做生意，那么这个人是聪明还是傻。更 进一步的思考，还有一个现在我们现在产业界不那么常常提及的东西，在这里重提一 下：一个智能体（agent)的行为分成思考（think)和行动 (act) ，则会有两种智能趋向 －－类人 (humanly)和理性 (rationally)。 类人 (humanly 理性 (rationally) 思考（think) 像人一样思考 理性思考