我們正處在人工智能革命的過程中，越來越多的人開始認識到人工智能的強大力量。在這篇訪談中，微軟劍橋研究院院長Christopher Bishop博士將為大家介紹現代觀念下的機器學習，并展望了未來幾年我們將如何教會機器學習，提高創造新技術的能力。

人工智能和機器學習的發展比人們想象的要慢得多也快得多。人們主觀地認為，這兩個領域在很長一段時間沒有進展，突然又在一夜之間取得突破。但實際上，人工智能和機器學習正經歷著相對穩定且積極的發展。

在某些領域特別是多層神經網絡（即深度學習）領域，一些理論已經存在了很長時間，而最新的研究進展提升了這些理論的準確度和性能，在例如語音識別和圖像識別等方面彰顯出巨大的實用價值。機器學習有很大潛力，也得到了充分的重視——人們對機器學習的關注度和興奮度空前高漲，研究人員只能不斷推動技術的進步以滿足人們的期望。

現代觀念下的機器學習

機器學習研究領域有一個我很喜歡的理論，叫做“沒有免費的午餐定理”。它的大意是對于應用機器學習方法去解決問題，在沒有實際背景條件下，不同算法之間并沒有優劣之分，換句話說，并不存在一種能解決所有問題的機器學習通用算法。

或許確實存在某些算法，它們對于現實世界中可能遇到的各種類型的問題都能給出不錯的解決方案，例如，深層神經網絡等技術就有可能很通用，但是“沒有免費午餐定理”也告訴我們不能僅從數據中學習，而要在特定背景下學習數據，這些模型或假設情境中的數據才是機器學習的關鍵。

假設取決于你正在解決的特定問題，這也就意味著我們不是要探尋能夠解決所有問題的唯一通用算法，而是要針對特定問題，找到最合適的技術。

對不確定性進行量化是機器學習的基礎，我把它稱為“現代觀念下的機器學習”。傳統上，我們認為機器學習模型是一種函數，將它與某些數據進行擬合從而進行預測，就像借助數據擬合曲線一樣。

在此過程中，你要不斷調整參數設置，使神經網絡能在訓練集上得到正確結果，并在測試集上也有同樣的效果。從更廣泛意義上理解，機器學習真正的過程就是機器對這個世界進行建模，這個模型對不確定性進行量化，不確定性的積分就是概率。

因此，機器是建立在概率的基礎之上的，它對世界的理解本身就包含著不確定性。但是，隨著它“看”到的數據越來越多，這種不確定性通常會降低，換句話說，機器從數據中學到了一些東西。

這一思想在“貝葉斯定理”這一優雅的數學理論中得到了體現，因此，我認為貝葉斯定理，以及“通過概率量化不確定性”的思路，正是機器學習的基石。

這種“基于模型的機器學習”借鑒先驗知識、領域知識的想法，是機器學習領域非常重要的問題。不要把它看作一種特定技術，而要將其視為一種觀點，一種理解機器學習的方法。

不妨想象一下，你是機器學習領域的一名新手。你發現這個領域已經發表過成千上萬篇論文，包含成百上千種名稱各異的算法，你仿佛在大海上漂流卻沒帶指南針。

你需要閱讀所有這些文件，并且全部理解它們嗎？如果想解決實際問題卻不太熟悉其中所需的全部技術該怎么辦？你可以采用這種“基于模型”的思想：思考你的機器學習解決方案中的假設并用明晰的語句寫下來，然后將這些假設轉化為模型。

但這個模型只是你的假設的數學表達，接下來將模型與數據相結合，運行這個模型，機器就會自動學習。如果你做出了很好的假設，機器就能夠非常有效地從數據中學習，從數據中提取到更多信息。

但同時，如果你做出一個錯誤的假設，那么機器不僅會做出錯誤的預測，而且可能非常堅持這些錯誤預測，因此要十分小心。

微軟劍橋研究院院長Christopher Bishop

人工智能革命

我們正處于許多人所說的“人工智能革命”過程中，人們對此感到興奮并開始炒作這個概念。

而對我來說，人工智能是一個宏偉的愿望，是一個產生并不斷改進媲美人類智慧的超長期目標，我們還有很長的路要走。那么人們對人工智能的看法是不是不合時宜的或高興得太早？炒作出來的泡沫是否遲早會破滅？我的回答是否定的。

近些年確實發生了一些深刻的轉型事件，不過它不是與人工智能有關，而與我們創造新技術的方法革命有關。類比硬件的發展：人們需要硬件和軟件來構建新技術，在硬件方面，例如作為硬件的計算機，多年來變得更快、更好也更便宜，然而，這種進步并不是線性的。

在“光刻”技術發明以前，計算機一直處于平穩發展的狀態，光刻技術讓我們得以“印刷”晶體管，我們不再需要制造單個組件然后組裝，而是將整個電路一次性地“印刷”在硅片上。

這項發明的影響是深刻的，因為它讓硬件發展速度躍升到指數級，這就是著名的“摩爾定律”。這之后才有以下事情的發生：微軟公司的創立，把超級計算機裝進口袋等等。

因此，在所謂的人工智能革命（實質是機器學習革命）中，軟件的發展歷程也會出現一個類似的“奇點時刻”。

我們不妨回顧一下軟件的起源。世界上第一位軟件開發者Ada Lovelace在為巴貝奇（Babbage）分析機寫軟件時必須準確指出每一個步驟。

時至今日，軟件開發者的工作方式也沒什么兩樣，他們仍須告訴機器如何解決問題，只是工作效率更高，但制約其發展的瓶頸就在于人類智慧的缺失。

然而，如果借助機器學習，我們將獲得一種完全不同的軟件編寫方式：我們不再需要通過對機器編程來解決問題，而是讓它們能夠學習，然后用數據對它進行訓練。

目前，制約其進步的因素是數據，這也是機器學習的動力。我們編寫機器學習算法讓計算機可以從經驗中學習，現在，我們用數據對機器進行訓練。如今世界上數據量的增長速度已經達到了指數級別，事實上，它每隔幾年就會翻一番。

隨著對城市的監測，隨著物聯網的普及，隨著我們對自身了解的深入，隨著我們收集到越來越多的數據，這個趨勢還將持續很長一段時間，而這一切都將成為機器學習革命的動力源泉。這也就是為什么我會認為有關人工智能的炒作并非不正確，只是為時過早。

真正令人興奮的是，未來幾年我們創造新技術的能力將呈指數級增長，這種能力并非是通過對機器進行編程，而是通過讓機器學會學習。

機器學習帶來的挑戰

如今，我們坐擁前所未有的計算能力、龐大的數據集和復雜的算法。計算機科學的研究人員開始意識到，有些問題并非僅僅依靠計算機科學家就能解決的，而這只是過去30年來這一領域的眾多變革之一。

在我從事機器學習研究的最初25年間，我們的目標是降低錯誤率，提升算法性能。

如今，錯誤率已被降低，高精度算法正在解決現實世界中存在的問題，并擁有越來越多的應用前景，但是與此同時，我們也不得不考慮將這些算法付諸現實之后所催生的新問題。

首先，產品的終端用戶獲得某種體驗，卻不想直接與算法打交道，這就需要能夠營造某種用戶體驗的用戶界面，因此，聘請能夠設計用戶體驗的設計師就顯得很重要。

同時，還需要社會科學家，理解人們是如何使用技術的。我們還需要考慮針對AI的惡意攻擊，以及如何防御這些攻擊。我們需要考慮如何利用普通終端用戶可以理解的語言對問題加以解釋。

以及如何讓來自不同領域的人們共同工作——他們通常來自迥異的文化、熟悉不同的語言并使用各自的術語，但是如果真的想解決問題，他們必須和衷共濟。

很多人都在談論關于偏見、公平性和透明度等話題，但我認為我們無需擔心。關注這些問題固然非常重要，但好在人們一直在探討這些問題，許多非常聰明的研究人員也正努力破解這個問題。

對此我并不是很擔心，這并非因為這些問題不棘手或者不重要，但是至少我們已經認識到了它們的存在，正在探討和研究它們，并且已經取得了進展。

如果說有什么關于機器學習和人工智能的問題讓我夜不能寐，那就是技術探索和發展過程中遇到的障礙——也許是關于偏見，隱私，或者安全。

有一些事情會讓我們對機器學習技術冷眼相向，甚至不惜放棄技術可能帶來的機會——就醫療保健領域，在未來幾十年乃至幾個世紀里，人工智能將能夠切實改善人們的生活，拯救無數生命。

所以，在我們小心地討論技術所帶來的各種挑戰和風險時，也不能忽視其中蘊含的巨大潛在利益，這樣才能在二者之間找到平衡。