今天的機器學習是以統計學為基礎的，那么人工智能=統計學嗎？

1955年，約翰?麥卡錫創造了" 人工智能 "一詞，用以描述能夠自動編程的計算機技術。我們的科學家們為實現這一目標，探索了兩種方式：符號AI——教導計算機進行抽象推理；以及目前占據主導地位，依賴于統計學的機器學習。尤其是2016年神經網絡技術成熟后，機器學習幾乎成為了AI的代名詞。再加上物聯網帶來的巨大應用場景，使“了解AI”成為了信息科技新階段，從業者必備的技能。然而，如果不了解機器學習的工作原理，就不可能弄清AI的真正含義。

★機器學習如何運作？★

美國布魯金斯學會的研究員克里斯?梅塞洛認為，機器學習的核心見解是：智能分析取決于概率而非精準邏輯。當我們看一個人的照片時，我們的大腦會下意識地估計之前見過這個人的可能性；當我們開車去商店時，我們估計哪條路線有可能最快到達那里；當我們下棋時，我們估計哪一步最有可能致勝。認識某人，計劃旅行，策劃策略——每項任務都表現出智慧。但是，這主要依賴于我們抽象推理或宏觀思考的能力，而不是準確評估的能力。

早在20世紀50年代，麥卡錫和他的同事就意識到了這一點。他們認為：計算機應該非常擅長計算概率。因此，當Facebook在海量照片中識別出你的臉，或者Amazon Echo瞬間就get到你的問題時，他們依賴的是六十多年前的洞察力。

★今天的神經網絡有點復雜，但核心理念不變★

2016年后的機器學習，核心算法稱為深度神經網絡。雖然今天的神經網絡有點復雜，但主要思想是相同的：基于類腦的神經元耦合方式，只要有足夠豐富的訓練集，就可以建立能夠學習各種任務的模型。

比如構建一個人臉檢測算法模型。一個基本的深度神經網絡都有幾層成千上萬的神經元。在第一層中，每個神經元可能學會尋找一個基本形狀，如曲線或線。在第二層中，神經元都會看第一層，并了解它檢測到的線條和曲線是否構成更高級的形狀，如角落或圓形。在第三層中，神經元會尋找更高級的圖案，如白色圓圈內的黑色圓圈，如人的眼珠。在最后一層，每個神經元都會學會尋找更高級的形狀，例如兩只眼睛和一只鼻子。基于最后一層中神經元的描述，包含面部所有特征的算法模型便會形成。

深度學習的神奇之處在于完全通過自我學習建立這套算法模型。工程師們唯一要做的就是給算法提供一堆圖像并指定一些關鍵參數，比如要使用多少層以及每層應該有多少個神經元，其余的工作均有算法完成。

深度學習的優點在于它的靈活性。雖然還有其他突出的機器學習算法，比如梯度增強機器，但是在應用層面都不如深度學習效率高。只要有足夠的數據，深度神經網絡就能夠最好地估計出事物的可能性。

然而，與更普遍的機器學習一樣，深度神經網絡并非沒有局限性。深度神經網絡構建算法模型，完全依賴于相關應用的訓練集。如果沒有相應訓練數據，或者訓練集中的數據量不夠全面，那么它就無法構建相應算法模型。此外，機器學習算法也可以耍花招，比如故意給它錯誤的，或者誤導性的訓練數據。當然，其中一些不足可以通過更好的數據和算法來解決，但是有些可能是基于統計學建模的特有情況。

★機器學習的下一步是什么？★

從自動駕駛汽車到多人游戲，機器學習算法現在可以通過大量任務接近或超過人類智能。特別是深度學習的突破性成功，讓業界對人工智能的炒作達到了前所未有的高度。反而是人工智能領域的資深研究者，如加里?馬庫斯（Gary Marcus）、朱迪亞?珍珠（Judea Pearl），以及被譽為現代神經網絡的教父之一的杰弗里?辛頓（Geoffrey Hinton），認為單靠深度學習不可能使人工智能達到目前業界所炒作的高度，所以人類不用為此而恐慌。

人工智能能否達到或者超過人類智能的關鍵問題是：人類智能有多少可以用統計學來描述？

如果所有的人類智能都可以，那么機器學習可能就是我們期許的人工智能所需要的全部。“人工智能其實就是統計學”， 來源于諾貝爾經濟學獎獲得者Thomas J. Sargent（托馬斯·薩金特），2018年8月11日在“共享全球智慧 引領未來科技”世界科技創新論壇上的講話。

此番言論一出，引起了各方人工智能專家的反對。然而，薩金特所指可能只是今天的人工智能。畢竟，神經網絡算法成熟后，我們在機器視覺、語音識別、機器人和推理方面取得的進步，足以重塑我們的世界。

但是，這只能算是俠義的人工智能，其主要原理是人類通過各種形式在機器大腦中建立“數據庫”，為機器進行判斷和選擇做支撐。而距離人工智能真的領悟自我學習，自我提高，以及更兼具人性化思維，比如情緒、情感等不能用統計學描述的行為，還存在較大差距。當然，隨著人工智能的應用領域不斷拓寬，應用場景的不斷豐富，真正的人工智能或許就在不遠的未來。