[机器学习]浅谈人工智能笔记

浅谈人工智能&＃xff1a;现状、任务、构架与统一 | 正本清源

1.人工智能学科&＃xff0c;归纳为六个&＃xff0c;当成战国七雄&＃xff0c;把其中2雄合并成&＃xff08;5&＃xff09;&＃xff1a;

 &＃xff08;1&＃xff09;计算机视觉&＃xff08;暂且把模式识别&＃xff0c;图像处理等问题归入其中&＃xff09;、

 &＃xff08;2&＃xff09;自然语言理解与交流&＃xff08;暂且把语音识别、合成归入其中&＃xff0c;包括对话&＃xff09;、

 &＃xff08;3&＃xff09;认知与推理&＃xff08;包含各种物理和社会常识&＃xff09;、

 &＃xff08;4&＃xff09;机器人学&＃xff08;机械、控制、设计、运动规划、任务规划等&＃xff09;、

 &＃xff08;5&＃xff09;博弈与伦理&＃xff08;多代理人agents的交互、对抗与合作&＃xff0c;机器人与社会融合等议题&＃xff09;。 --最小

 &＃xff08;6&＃xff09;机器学习&＃xff08;各种统计的建模、分析工具和计算的方法&＃xff09;

&＃xff08;我&＃xff1a;研究生入学复试时&＃xff0c;还问老师们人工智能、机器学习、数据挖掘有什么区别&＃xff09;

2.人工智能的概念

人工智能的研究&＃xff0c;简单来说&＃xff0c;就是要通过智能的机器&＃xff0c;延伸和增强&＃xff08;augment&＃xff09;人类在改造自然、治理社会的各项任务中的能力和效率&＃xff0c;最终实现一个人与机器和谐共生共存的社会。这里说的智能机器&＃xff0c;可以是一个虚拟的或者物理的机器人。

3.鹦鹉还是乌鸦

乌鸦给我们的启示&＃xff0c;至少有三点&＃xff1a;

其一、它是一个完全自主的智能。感知、认知、推理、学习、和执行&＃xff0c; 它都有。 

其二、你说它有大数据学习吗&＃xff1f;这个乌鸦有几百万人工标注好的训练数据给它学习吗&＃xff1f;没有 

其三、乌鸦头有多大&＃xff1f;不到人脑的1%大小。 功耗极低。

我们要寻找“乌鸦”模式的智能&＃xff0c;而不要“鹦鹉”模式的智能。

4.学习的过程 
一、 外来的数据。

外部世界通过各种感知信号&＃xff0c;传递到人脑&＃xff0c;塑造我们的模型。数据来源于观察&＃xff08;observation&＃xff09;和实践&＃xff08;experimentation&＃xff09;。观察的数据一般用于学习各种统计模型&＃xff0c;这种模型就是某种时间和空间的联合分布&＃xff0c;也就是统计的关联与相关性。实践的数据用于学习各种因果模型&＃xff0c;将行为与结果联系在一起。因果与统计相关是不同的概念。  
二、内在的任务。

这就是由内在的价值函数驱动的行为、以期达到某种目的。我们的价值函数是在生物进化过程中形成的。因为任务的不同&＃xff0c;我们往往对环境中有些变量非常敏感&＃xff0c;而对其它一些变量不关心。由此&＃xff0c;形成不同的模型。
 机器人的脑、人脑都可以看成一个模型。任何一个模型由数据与任务来共同塑造。

同样是在概率统计的框架下&＃xff0c;当前的很多深度学习方法&＃xff0c;属于一个被我称作“大数据、小任务范式&＃xff08;big data for small task&＃xff09;”。

提倡的一个相反的思路&＃xff1a;人工智能的发展&＃xff0c;需要进入一个“小数据、大任务范式&＃xff08;small data for big tasks&＃xff09;”&＃xff0c;要用大量任务、而不是大量数据来塑造智能系统和模型。我认为一个更合适的说法是“任务塑造了智能”。

5.机器学习

前面谈的五个领域&＃xff0c;属于各个层面上的“问题领域”&＃xff0c;叫Domains。我们努力把这些问题放在一个框架中来思考&＃xff0c;寻求一个统一的表达与算法。而最后要介绍的机器学习&＃xff0c;是研究解决“方法领域”&＃xff08;Methods&＃xff09;&＃xff0c;研究如何去拟合、获取上面的那些知识。

当前大家做的机器学习&＃xff0c;其实是一个很狭义的定义&＃xff0c;不代表整个的学习过程。

例如&＃xff1a;定义一个损失函数loss function->你选择一个模型->你拿到大量数据并训练模型。这个过程没有因果&＃xff0c;没有机器人行动&＃xff0c;是纯粹的、被动的统计学习。

其实真正的学习是一个交互的过程。 

这个学习过程是建立在认知构架之上的&＃xff0c;我把这种广义的学习称作通讯学习Communicative Learning。

这个通讯学习的构架里面&＃xff0c;就包含了大量的学习模式&＃xff0c;包括以下七种学习模式&＃xff08;每种学习模式其实对应与图中的某个或者几个箭头&＃xff09;&＃xff0c;这里面还有很多模式可以开发出来。

&＃xff08;1&＃xff09;被动统计学习passive statistical learning&＃xff1a;上面刚刚谈到的、当前最流行的学习模式&＃xff0c;用大数据拟合模型。

&＃xff08;2&＃xff09;主动学习active learning&＃xff1a;学生可以问老师主动要数据&＃xff0c;这个在机器学习里面也流行过。

&＃xff08;3&＃xff09;算法教学algorithmic teaching&＃xff1a;老师主动跟踪学生的进展和能力&＃xff0c;然后&＃xff0c;设计例子来帮你学。这是成本比较高的、理想的优秀教师的教学方式。

 (4) 演示学习learning from demonstration&＃xff1a;这是机器人学科里面常用的&＃xff0c;就是手把手叫机器人做动作。一个变种是模仿学习immitation learning。

&＃xff08;5&＃xff09;感知因果学习perceptual causality&＃xff1a;这是我发明的一种&＃xff0c;就是通过观察别人行为的因果&＃xff0c;而不需要去做实验验证&＃xff0c;学习出来的因果模型&＃xff0c;这在人类认知中十分普遍。

&＃xff08;6&＃xff09;因果学习causal learning&＃xff1a;通过动手实验&＃xff0c; 控制其它变量&＃xff0c; 而得到更可靠的因果模型&＃xff0c; 科学实验往往属于这一类。

&＃xff08;7&＃xff09;增强学习reinforcement learning&＃xff1a;就是去学习决策函数与价值函数的一种方法。