机器学习：人工智能的未来

兰州大学信息科学与工程学院 郭 睿 宋忠江

人工智能是集控制论、信息论、计算机科学、神经生理学、语言教育学、哲学、心理学、医学、数理逻辑及模糊数学等多个学科领域互相渗透而成的交叉学科，其研究目标是使机器更加智能，更具有人脑智慧，从而具有识别事物、学习知识、解决实际问题的能力[1]。人工智能技术一般由认知、预测、决策和集成解决方案这四个部分组成，它的研究领域也在不断扩大，研究的分支包括专家系统、机器学习、进化计算、模糊逻辑、计算机视觉、自然语言处理等。

机器学习是人工智能研究的核心，也是使计算机具备人工智能的根本途径。在信息时代，信息咆哮现象尤为显著。网络中每天都会生成海量的数字化数据，如数字化的聊天记录、网页浏览记录等。针对这些海量数据，大数据处理方式必将成为研究的热门话题。在这种数据爆炸的环境下，如何对海量数据进行处理并依据严密的数学定理摄取其中有价值的信息显得尤为重要，机器学习在日后的学科研究中必将独有其重[2]。

1.机器学习的概念

机器学习是基于严格的数学理论经众多领域的学科交叉融合而成[2]，其本质是通过运用计算机强大的运算能力及数据处理能力，借由大批的数据进行训练，使计算机具备自发模仿人类学习行为，通过学习获取经验和知识，在不断地改进自身性能的同时实现人工智能的能力。针对某种情形或事物所采集的用于训练的数据样本集是对其直观上的描绘，其中包含着大量和该情形或事物相关的先验经验和知识[3]。

机器学习的发展经历了三个阶段——“只具有逻辑并不能使机器具有智能，具备智能的同时还必须兼具先验知识”的萌芽阶段、“机器自发学习的设想逐渐成型，从样本集中主动提取经验和知识成为可能”的发展阶段、“机器学习成为一个独立的学科分支并开始迅速成长”的机器学习算法呈现多元化的繁荣阶段[2]。如今，机器学习持续高温发展，并已衍生出了数据挖掘、生物信息学、深度学习、语音识别等许多分支，众多机器学习算法被广泛应用到信息处理特别是互联网时代所带来的海量数据的分析处理当中。

2.深度学习的出现

传统的机器学习算法在指纹识别、基于HoG特征的物体检测等范畴的运用基本达到了商业化的要求或特定场景的商业化水平，但每前进一步都异常艰难，直到深度学习算法的出现。

自2006年以来，机器学习领域中的“深度学习”课题开始受到学术界的普遍关注，到今天已经成为互联网大数据的人工智能的浪潮。深度学习的本质是通过构建具有海量的训练数据和许多隐层的机器学习模型，来学习更多有用的特征，从而最终提高分类或预测的准确性。因此，“深度模型”是手段，“特征学习”是目的。从对实际应用的贡献来看，深度学习在语音图像的智能识别和理解方面取得了惊人的进展，从而推动了人工智能和人机交互的大幅度前进，这可能是近这十年来机器学习领域最成功的研究方向[4]。

目前，业界有一种较为普遍的错误的认识，即“深度学习最终可能会淘汰掉其他所有的机器学习算法”。这种意识的出现主要是因为当前深度学习在计算机视觉和自然语言处理方面的应用远远超过其他传统的机器学习方法，并且媒体对深度学习进行了众多夸大的报道。深度学习并不意味着是机器学习的终点，其目前主要存在着以下三个问题：

其一，深度学习模型需要大批的训练数据才可以显示出神奇的效果，但在现实生活中经常会遇到小样本问题，此时深度学习方法无法入手，传统的机器学习方法却可以很好地解决；

其二，某些领域采用简单的传统的机器学习方法就可以很好地解决，不必一定使用复杂的深度学习方法；

其三，深度学习的思想来源于人脑的启发，但绝对不是人脑的模拟，因为人类的学习过程往往不需要大批的训练数据。

3.机器学习的发展现状

近年来，机器学习在很多需要“智能”的领域都取得了非常大的成功，如信贷决策、医学诊断、天气预报、城乡规划设计、智慧教育、太空探索等。例如，在智慧教育方面，机器学习通过对数据进行自动化分析来发现新知识，实现了在传统教育中人工难以完成的功能，其应用主要集中于学生建模、失学风险预警、学习行为预测、资源推荐和学习支持评测等方面[5]；在城乡规划设计方面，机器学习对于非结构性信息的提取和结构性预测模型的结合，可对社会经济、交通运输、土地资源利用、产业发展等多目标约束下的发展愿景进行更精细的模拟推演，并逐步实现从静态分裂的蓝图片段向动态连续的协同化数字平台成果的转变，进而将规划师从繁重的素材梳理、编排、抄写等高强度工作中解脱出来，更好地发挥人类独有的创意和思辨能力[6]。

同时，机器学习也渐渐参与到计算机的“底层”研究设计中，如编译器、处理器及软件工程等方面的设计开发工作都参照了机器学习理论，同时分布式系统、新的编程语言、面向机器学习的处理器芯片也已经逐步开始借鉴机器学习模型，从而对自身的逻辑设计模式进行不断学习和改进，众多互联网公司更是尽心竭力地兴建相关实验室和招揽人才以研究机器学习的理论并将其投入实际应用中[7]。

在机器学习模型方面，深度人工神经网络模型近年来取得了很大成功，关注度增长非常迅速，但历史发展中也同样曾存在过神经网络的冷热交替，因此从长远来看机器学习的发展道路应当是多种模型优势互补、强强联手、螺旋上升[7]。

4.机器学习的发展前景

机器学习的发展前景相当可观。人工智能技术受机器学习在众多领域突破性发展的影响，已在实际生活中得到普遍应用，并吸引了众多专家学者积极投入其中并开展研究，如近年来正在如火如荼开展的人工智能医疗影像研究，这都是机器学习促进人工智能技术推广应用的表现。

从当前的趋势来看，接下来机器学习的发展将主要集中在两个方面展开[2]：

其一是在神经生物学方面，从人类自身出发找出大脑本身的生物学习机制，进而继续加强对人脑学习动作的探索研究，最终实现对人脑自主学习体系的数字化呈现并应用于机器学习领域；

其二是在算法方面，一方面开展对现有算法的优化和全新算法的开发，与此同时加强各类机器学习算法的联系统一，避免使用单一算法导致限制系统性能情况的出现；另一方面建立切实可行的算法应用系统，特别是结合当下互联网时代的背景，对多种学习算法的一体化和集成化进行进一步探索，使众多的机器算法走出“象牙塔”。这两个方面的进步都将推动人工智能技术的升级，使其能够脱离庞大数据库和程序算法的限制。

虽然机器学习对未来社会的发展至关重要，但并不是没有自己的挑战。一方面，机器学习算法的开发和部署在很大程度上都依赖于大量的计算和存储资源来执行其任务，这种依赖关系使得它们在执行时受限于大数据和云服务。因此，在执行边缘计算机集成解决方案时它们更具挑战性。另一方面，机器学习在某些方面具有不透明性。随着算法复杂化程度的提高，人类越来越难以解释它们是如何做出决定的。在做出一些关键性决定时，它们的透明性是非常重要的。此外还存在一些偏见问题，机器学习往往会吸收它们在接受训练时数据中包含的一些倾向与习惯，在某些情况下，它们的极深的嵌入度使得人类往往难以察觉和消除。

5.结论和展望

机器学习在推动人工智能技术革命进步的过程中提供了强大助力，必将在未来的信息化社会取得更为瞩目的成就。对此，我认为有以下趋势：

机器智能终将无法全面超越人类智能。随着机器学习领域的不断进步，计算机借由其自身强大的数据运算和存储能力，对于完成学习人类历史发展过程中所积累的完整知识的能力将会愈加强大，借助完整的知识库进行精细预测复杂事务和准确判断的能力将会全面超越人类。由此可推断，将来不仅仅是简单琐碎的手工、体力劳动将会被机器完全取代，那些需要评估、判断并预测复杂事务的工作如财务投资和企业管理等也很有可能被机器智能所取代。但同时，与机器相比，人类的最大优势在于逻辑推理能力和想象创造力。尽管机器智能在未来很可能在某些方面完全超越人类智能，但目前现有的机器学习模型却不能模仿人类的想象创造力，科学研究和发明创造仍将是人类的最大优势，社会对每个人的知识积累和发明创造的要求将会随之越来越高。所以，就目前而言，机器智能全面超越人类智能的预测将不会成为现实[3]。

数据飞轮、算法经济以及云端人工智能将得到重大发展。当更多的数据日渐产生，提取、存储和计算数据的成本也随之下降后，机器学习将开始向云端迁移，其中的机器智能基石将在云端实现，由此产生了算法经济。在云上，可扩展网络服务是随时可用的应用程序接口。相关科学家不再需要编写自定义的代码或管理基础设施，系统将会自动实现这些功能并实时产生新的所需模型，并以最快速度提供更准确的结果。但同时，机器学习也将从云端走向各类本地智能终端、传感器等设备，云端和本地的机器学习将有机结合。正在涌现的机器智能平台可以采用以模型作为服务的方式，托管已得到预训练的机器学习模型，从而使企业能够更容易地进行机器学习，大规模利用算法智能，从而快速地将应用从原型转化为产品[8][10]。

机器智能和进化论将联系发展。在机器学习日渐过渡迈向自主无监督学习，并且在将来形成自主智能时，机器智能自身也将适应达尔文的进化论而具有进化能力，顺应适应环境、适者生存的自然规律。将来许多人类行为会被机器日渐取代，人类也许会由于机器智能带来的互补和竞争而呈现人口减少的趋势[9]。

伦理、“智控”问题逐渐凸显。当机器学习还是以监督为主时，机器智能比较容易“受控”。但当机器智能全面迈向无监督学习时，人类将很难继续控制机器只会自发学习对人类友好有利的知识，这样很有可能会使机器学习出对人类而言有害的知识。虽然机器智能在很多方面能够帮助人类，但与此同时机器智能与人类智能的结合也可能会产生负面的影响，甚至引发社会伦理问题[9]。

推理、学习和联想是如今的人工智能技术中最主要的三大功能[10]，推理和联想的功能都需要通过学习功能的完善来提高。机器学习是人工智能领域发展的基础，只有不断完善机器学习的研究，才能使人工智能领域尤其是人机系统发挥巨大的力量。因此，把握机器学习的发展趋势并进行相应的深入探究，对自主学习过程进行具体归纳分析，并将各类机器学习算法的内在数学原理提高到灵活应用的高度，通过训练数据样本集使未来的计算机具备持续自主学习的能力并能自发提升水平，将对人工智能的推动发展产生强大的助力，实现人工智能在更广阔领域的实际应用，从而为未来社会经济的发展提供持续动力。

[1]曹雪.机器学习——人工智能革命的助推剂[J].电子技术与软件工程,2017,(13)：255.

[2]余殷博.基于人工智能下的机器学习历史及展望[J].电子技术与软件工程,2017,(04)：129.

[3]龚怡宏.人工智能是否终将超越人类智能——基于机器学习与人脑认知基本原理的探讨[J].人民论坛·学术前沿,2016,(07)：12-21.

[4]余凯,贾磊,陈雨强,徐伟.深度学习的昨天、今天和明天[J].计算机研究与发展,2013,50(09)：1799-1804.

[5]余明华,冯翔,祝智庭.人工智能视域下机器学习的教育应用与创新探索[J].远程教育杂志,2017,35(03)：11-21.

[6]黄鼎曦.基于机器学习的人工智能辅助规划前景展望[J].城市发展研究,2017,24(05)：50-55.

[7]祝叶华.人工智能革命“助燃剂”：机器学习[J].科技导报,2016,34(07)：64-66.

[8]朱焕.2016机器学习三大趋势：算法经济将引导人工智能走向何方?[A].科学与现代化,2017(1)(总第070期)2017：8.

[9]黄广斌.智能革命：人工智能、机器学习、生物学习和智能材料的合力[J].软件和集成电路,2017,(04)：18-24.

[10]姜雅慧.人工智能中的机器学习研究[J].计算机光盘软件与应用,2013,16(21)：237-239.