【硬塞書摘】:《大演算》- 機器學習,即將改變世界

《大演算》這本書試圖用最精簡的架構,白話的語言去解釋什麼是機器學習(Machine Learning),以及這個領域演變的脈絡,試圖進一步提出一個新的概念:「大演算」- 機器學習的大統一理論,能夠讓電腦進入奇點(Singularity)並對各種任務進行超乎想像的運算,徹底的改造人類的生活。
評論
評論

 

硬塞書摘 002.001

《大演算》這本書已經成為網路科技產業在今年夏天最被關注的一本書,主要的原因有二,一個是微軟的創辦人比爾.蓋茲在六月份 推薦了這本書 做為了解人工智慧必讀的兩本書之一,而另一個原因則是人工智慧在這一年來有大幅躍進的發展,所有科技大廠都在關注這個領域。

這本書的原文書名為《The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World》,試圖用最精簡的架構,白話的語言去解釋什麼是機器學習(Machine Learning),以及這個領域演變的脈絡,最後在分析所有學派的優缺點後,試圖進一步提出一個新的概念:「大演算」- 機器學習的大統一理論,能夠讓電腦進入奇點(Singularity)並對各種任務進行超乎想像的運算,徹底的改造人類的生活。

作者佩德羅.多明戈斯(Pedro Domingos)為電腦工程博士,現任華盛頓大學電腦工程系教授,該系是全美前 10 大電腦工程名校。他最有名的功績是破解了一個在機器學習領域中長久以來的瓶頸,成功把機器學習、哲學與人工智慧結合起來。

image001

這本書對大多數的人有什麼意義呢?

大多數人對於人工智慧、機器學習、演算法,又或者大數據這些名詞也許多半有所耳聞,但恐怕也很難真的說出這些東西是在做什麼?跟自己又有什麼關係?有些人對於人工智慧的想像一直就停留在「全民公敵」中機器人進化,反過來要取代人類的情境。

事實上,機器學習早已深入我們的生活,不管是上博客來買書、上網使用 Google 搜尋,或者是信箱收到的廣告郵件,甚至是晚上回家觀賞 Netflix 推薦的電影,這一切的背後其實都有機器學習的影子。但就像很多人所擔心的一樣,這個強大的技術也可以拿來為惡,機器學習可以為人類帶來更美好的生活,反過來也可能被壞人拿來竊取你的隱私,造成總總惡果。

「不了解機器學習的人,下場就是被機器人(程式碼)統治。」

這句政治學的名言現在可能可以被改成這樣。雖然我們不必取得機器學習的博士學位,但我們的確必須了解機器學習背後的「概念模型」。這本書的作者就在幫助我們做到這件事,「概念模型」其實就是若要有效的運用一項技術,我們所需要具備的基本知識。

當我們真正開始瞭解機器學習後,我們才能夠進一步利用它來為我們創造價值,甚至匯集我們每個人不同領域的知識,創造出更好的機器學習演算法,為各個領域的演進貢獻一己之力。

首先我們必須搞清楚的是,這些機器學習複雜詞彙間的關係。機器學習是人工智慧(Artificial Intelligence,簡稱 AI)這個領域中的一個分支,也可以說是所有分支中最重要的一環。透過機器學習,才有可能讓人工智慧跟上人類的腳步,而機器學習的主體,又被稱為「學習器」(Learners)的學習演算法,跟一般的演算法有什麼不同呢?

最大的差別在於機器學習演算法能夠自己找出執行方法,並從大數據中進行推論,來改善自己的運作邏輯,只要擁有越多的數據,學習器就能在分析後得出更好且更精準的結果,這也是「大數據」被稱為是現代的黃金的原因。擁有大數據,再搭配上一個好的演算法,就能做到許多超越一般人想像的事。

Pedro Domingos 提出的「大演算」又是什麼呢?

「透過單一、通用的機器學習演算法,可以從數據資料中推論出過去、現在和未來的所有知識。」

上述就是作者 Pedro Domingos 提出的「大演算」的核心假設。雖然機器學習的演算法已經大幅超越過去的演算法,某種程度上算是擁有了生命,也發展出了成熟的派別,但它們畢竟無法一體適用於所有的情況。

「大演算」則不同,它可以說是演算法中的「統一理論」,能夠徹底打破一道千古謎題:「你如何知道你不知道的事?」,並讓人類科學的發展進入奇點。大演算的程式碼也不冗長,甚至可以非常精簡,就像是人類的一雙手,可以選擇要根據不同的情況去使用各種工具,而不用在一開始就什麼都抓在手上。

要往「大演算」邁進,我們不必從頭開始,機器學習發展的的路上,已有無數的人為我們鋪好了基石,我們要做的就是先去瞭解它們,並且運用它們來更上層樓。

機器學習演算法至今已發展出了五大學派: 符號理論學派(Symbolists)類神經網路學派(Connectionists)演化論學派(Evolutionaries)貝氏定理學派(Bayesians)類比推理學派(Analogizers)

簡單的說,這五大學派分別都發展出了自己獨特且極具實用價值的機器學習演算法,符號理論學派(Symbolists)利用了我們最擅長的歸納法,將現象回推到本質上共通的原則,而類神經網路學派(Connectionists)則是從人腦中神經網絡運作的模式找到靈感,演化論學派(Evolutionaries)從大自然中物種演化的方式發現一套精巧的規則,而貝氏定理學派(Bayesians)則著重在各種事件發生的機率和人們主觀的前驗假設下,將其複製到演算法的邏輯上,類比推理學派(Analogizers)用最簡單的方式,透過大量的交叉比對來找出近似的結果,另闢出了一條新路。

很多人可能都很好奇,在未來「大演算」能做到什麼呢?

從個人的角度而言,你的電腦可能會成為這個世界上最瞭解你的人,它不但知道你需要的,甚至能夠找出你心中想要但還沒說的渴望,電腦中的機器學習演算法能夠創造出你的半位數(Digital Half)模型,成為你的第二分身,它會是一位永遠跟你站在同一陣線上的貼身秘書,能夠在不打擾你的狀況下跟全世界的外部演算法進行交涉,最後得出一個最適合你的結果,不管是你的信用貸款額度、早上開車的路線、晚餐的選擇,甚至是你的下一份工作。

我們都能夠教育自己的半位數模型,並且有意識的保護自己的資料,但這些都必須建立在我們對機器學習擁有足夠的瞭解上,否則機器學習演算法也有可能造成傷害、侵蝕我們的隱私,奪取我們的選擇,甚至取代大部分原有的工作職缺。這就是為什麼我們必須打開這個黑盒子,瞭解並且掌控它。

就像是每個時代都有最適合的工具,我們不必跟馬兒跑得一樣快,但我們的確需要學會駕馭機器學習這批「馬」來讓它為我們工作。我們必須開始學習跟我們創造出來的工具一起向前邁進,在可預見的未來跟「它」共同進化,創造出前所未見的一切,人類向來如此。

購書連結: 博客來讀冊生活

註:本文部分內容出自三采文化《大演算:機器學習的終極演算法將如何改變我們的未來,創造新紀元的文明?》,INSIDE 獲授權引用。

對於符號理論學派來說,所有的智慧可以被簡化成操縱符號,就像數學家求解方程式的過程,是透過用其他表達式來替換表達式的方法。符號理論學派明白,你不能從頭學起,你需要一些初步的知識,與數據資料相配合。符號理論學派們已經找到了如何將先前存在的知識納入學習,以及如何快速地將不同的知識進行結合,以解決新的問題。他們的主要演算法是逆向的演繹法(Inverse Deduction),透過這種演算法可以找出哪些知識是欠缺的,以便能做出邏輯的演繹推論,然後使其盡可能地被通則應用。 對於類神經網路學派來說,學習就是人類大腦所做的事情,所以我們需要做的,就是對大腦進行反向工程。大腦的學習是透過調整神經元之間的連結強度,而關鍵的問題是找出哪些神經元的連接,必須對哪些錯誤負責,並依此對應地改變它們。類神經網路學派的主要演算法是倒傳遞理論演算法(Back propagation),它會比較系統的輸出與期望的輸出,然後依次改變一層又一層的神經元連結,以便使得輸出結果可以更接近於它應該呈現的。  演化論學派則認為,所有學習之母就是物競天擇。如果物競天擇可以造就我們,那麼它就可以造就任何事情,而我們所需要做的,就是在電腦上模擬它。演化論學派所解決的關鍵性問題就是學習的結構,不只是調整參數而已,就像倒傳遞理論演算法所做的,可以創建一種能夠讓這些調整進行微調的大腦。演化論學派的主要演算法是一種遺傳程式規劃(genetic programming),就像大自然會交配與演化生物一樣;同樣地,遺傳程式規劃也會以相同的方式,繁衍與演化電腦程式系統。  貝氏定理學派最關注的課題就是不確定性。這門學派主張所有學到的知識都是不確定的,而且學習本身就是一種不確定的推理形式。那麼這個問題就變成如何處理雜訊、不完整,以及相互矛盾的資訊,而不會造成分崩離析。解決的辦法就是機率推理,而主要的演算法是貝氏定理與其衍生物。貝氏定理告訴我們如何把新證據轉化為信念,而機率推理演算法則盡可能有效地做到這一點。  對於類比推理學派而言,學習的關鍵是認識各種情況之間的相似之處,從而推斷其他情境的相似地方。如果兩位患者都有相似的症狀,也許他們患有相同的疾病,問題的關鍵是要判斷兩件事情之間是如何相似。類比推理學派的主要演算法就是支持向量機(Support Vector Machine,簡稱 SVM),它可以找出哪些經驗是需要記住的,以及如何結合這些經驗,做出新的預測。

精選熱門好工作

遊戲美術 Game Artist

Orangenose Studio 易銘有限公司
臺北市.台灣

獎勵 NT$15,000

資深商品開發人員(Sr. Product Development)_台北、上海

科毅研究開發股份有限公司
新北市.台灣

獎勵 NT$15,000

Engineering Manager

ShopBack 回饋網股份有限公司
臺北市.台灣

獎勵 NT$15,000

評論