維克托·邁爾-舍恩伯格：讓機器加強學習 做人類的好幫手

　　國際知名大數據專家、牛津大學教授 維克托·邁爾-舍恩伯格

　　天津北方網訊：人工智能和人的智慧這是一個大的討論，但是很奇怪的是這把人工智能和機器對立了起來，我覺得這好像是一場戰鬥，一邊會贏一邊會輸。“超級智慧”這個詞好，讓人不是覺得機器贏了人或者是人贏了機器，而是説人和機器可以一起來工作，兩者可以達成一種前所未有的相互理解和對於世界的認識。當然了，這最關鍵的是學習的能力。

　　很長時間以來我們都覺得，我們可以教機器認識世界的一切，告訴它們這個世界的規則是什麼。我們剛開始做人工智能的時候失敗了，我們沒有能夠了解人類存在的根本事實，關於學習的事實，因為人是通過數據來學習的。

　　我給大家講一個關於機器翻譯的故事。在50年代的時候，美國拿到了蘇聯的很多文件，但不知道這些文件講了什麼，因為他們沒有足夠的人工譯員來翻譯，他們就去找計算機學家，問他們能不能把這些文件從俄語翻譯成英文，然後這些計算機專家很自信，他們覺得有能力，給三個月的時間吧。十年過去了，花了十億美元，失敗了。因為結果發現學習和翻譯其實是很難做的，這些計算機專家承諾要做的是，他們想給這個計算機教一些非常複雜的語言的規則，抽象的規則，結果發現失敗了，做不到。而現在，我們知道谷歌軟體可以做很多翻譯，很多其他的公司也有類似的系統，關鍵的是什麼呢？就是讓機器通過數據來學習。機器通過數據來學習，就可以是一個助手幫助你做決策。

　　如果我們把數據和演算法比較起來，到底哪一個是更重要的呢？數據！通過數據推動了演算法，所以數據才是關鍵。我給大家舉一個例子，2015年，最好的無人駕駛車實現了400公里的距離，與此同時，谷歌的無人駕駛車卻實現了2000多公里的距離，這要比汽車生産商的紀錄大五倍。為什麼計算機公司比汽車製造公司做無人駕駛做得好呢？因為他們用的就是數據。怎麼樣才能優化數據呢？

　　我們再看一看特斯拉公司，特斯拉所關注的是他們的數據平臺，每個特斯拉汽車都有搖桿技術，如果你們駕駛一個特斯拉公司的車的話，它們會邊行駛邊收集數據，它們還會把這些數據傳到總部，因為特斯拉有一個機器學習演算法這樣的系統，它可以使自己的汽車變得更好。早上的時候，如果你開車，然後到了晚上，經過一天的時間，可能這個汽車軟體已經更新了。所以説正是因為這種軟體更新，使得這個汽車駕駛得越來越好。所以説，我們已經不用去考慮簡單的網絡技術問題，應該考慮的反饋技術，我們用這種反饋的數據加強機器的學習能力，這個反饋的數據和數據的學習能力是非常重要的。

　　我們要做的就是積累夠多的數據，並且讓機器學習這些數據來幫助我們。現在我們都認為醫院越大越好，因為它可以接診更多的病人。但是如果是這樣的話，仍然是一個將蘋果和橘子相比的思維。未來其實不是將我們和別人進行對比，而是將我們身體各種階段的不同狀況進行對比。所以，醫院的規模已經不是非常重要了，對數據來説也是如此，我們關注的仍然是反饋。所以我們現在關注的是更為精確的服務，我們讓人們能夠隨時更近距離地獲取醫療服務，當然在其他的市場也有很大的應用。市場其實跟資本沒有太大的關係，因為早在資本出現之前，市場就出現了，因為市場其實就是人們共同合作、協作的一個場所，市場其實是人們日常生活交流的一個最重要的場所，因為它將人們會聚起來，而且讓他們協同合作。在市場當我們交易的時候，並不知道我們購買到的商品是不是最好的，是否反映了我們的偏好，所以機器學習也可以幫助我們，而且能給我們很大的幫助，我們可以預先地知道網上或者網下的市場，讓我們的機器先去學習，這使得我們的日常購買可以變得更加的有效，而且可以實現人機交互，使其更加有效。

　　最後一個案例就是教育，我們已經聽到了關於教育的重要性和我們進行教育改革的重要性。當然我這裡想談的不是説要教給人們不同的技能，而是要告訴人們，我們該如何進行教學。對某些孩子來説，可能某種計算方法更好，對另一群孩子來説，我們可能適用其他的數據計算方法。所以我們要讓機器去學習，這樣我們就可以更好地提供教育服務。

　　當人們談到人工智能的時候，往往感到擔憂，因為他們覺得失去了掌控力。當然，他們的擔心可能也是有理由的，但是我想説，超級智慧並不是人類的威脅，而是一個機遇。當然，我們首先得設計好，但是不管怎麼樣它是一個好機會，而且是一種特別的機會，因為通過這個機會，我們就可以去選擇，它給了我們選擇的自由，即我們自己願意做什麼樣的決定，什麼樣的決定讓機器來幫我們做。所以自由的選擇真的是給我們帶來了巨大的力量，也正是機器學習的時代和超級智慧時代的特徵。

　　我認為未來真的是有關人的，為了讓這個人的未來真正地實現，我們需要得到盡可能多的幫助。