第17章 气力初涨，精气显现（2/2）

人工智能的时代来了，我相信它会带给人类更多的是惊喜，而不是惊吓。人工智能本身并不可怕，理性地对待人工智能的发展，不要让人工智能成为恶人的武器才是真正应该考虑的（有感于《速8》中僵尸车席卷美国大街小巷的画面），我想埃隆·马斯克要表达的也

人工智能是否有可能提升人类能力”，

在人工智能发展到一定阶段过后，确实可以反过来帮助人类提升技能。

人工智能说具体的话是指机器学习。机器学习的一个核心是supervisedlearning(监督学习），就是每个训练样本都有人给出来的标签，然后机器算法进行训练分类器。如标定这张图是猫，这张图是狗，然后机器学习算法就可以训练猫狗分类器了，给张新的图片，这个训练好的分类器就可以判断是猫还是狗。但是对没有标定的类别，比如说狼，就没法识别了。

假设有个完美的机器学习分类器（深度学习网络已经接近完美），那么是不是在测试集上的准确度应该是100%呢？其实不然，训练好的算法的准确度还跟数据的标定准确度有关系。大类别大样本集合的情况下，人标定数据的准确度并不是100%。比如说计算机视觉里常用的iv_2015/papers/he_delving_deep_into_iccv_2015_paper.pdf），最近的卷积神经网络已经达到2.5%的错误率。这里之前我cvpr‘17组织的sceneunderstandingworkshop(sunw)收录了一篇还蛮有意思的分析imagenet之中failurecase的论文(sunw.csail.mit.edu/abstract/what_is_wrong.pdf)。另外，“超过人类分类准确度“其实是公众号搞大新闻的buzzword，本身其实很难量度，就不展开说了。

所以监督学习的upperbound其实是人标定数据的准确度，而且受事先定义好的可以识别的类别限制。

最近机器学习里面大放异彩的一类学习方式是reinforcementlearning（增强学习）。增强学习算法训练模型的监督信号只是完成任务的award，本身并没有给定怎么样的策略可以成功获得award。这就给予了算法通过不停试错，在计算资源和计算时间允许的条件下，在广阔搜索空间里找到完成任务的优秀策略的可能性。最终寻找到的这个优秀的策略可能比人完成任务的策略更优！这也是alphago通过增强学习提升棋力战胜人类选手的核心之一。如果人类选手能反过来学习这个机器学习算法通过千万次试错寻找到的优秀策略，当然能反过来提升自己的棋力。在alphago战胜人类李世石和柯洁之后，很多棋手都表示从对局之中受到了很大启发，对围棋有了新的感悟。只是目前神经网络算法并不能很好的解释自己做出决策的原因，让人难以理解为什么算法做出了某些神来之笔的策略。关于人工智能算法的可解释性方面的研究目前还比较少，这也是我自己的研究方向之一。

人工智能打破了人类思维和认知的定式，师夷长技以制夷。

(本章完)