读人工智能时代与人类未来笔记06_机器学习的力量
1. 挑战
1.1. 不同的目标和功能需要不同的训练技术
1.2. 我们必须关注人工智能的潜在风险
1.2.1. 应对日益盛行的人工智能将带来的风险，是一项必须与该领域的进步并行的任务
1.3. 我们不能将其开发或应用随便交予某个群体，无论这个群体是研究人员、公司、政府还是民间社会组织
2. 机器学习的三种形式
2.1. 监督学习
2.1.1. 监督学习是一种卓有成效的方法，可以用于创建一个模型来预测响应新输入的输出
2.1.2. 人工智能开发人员使用了一个包含示例输入的数据集，并且这些示例根据期望的输出或结果分别进行了标记
2.1.3. 发现Halicin的人工智能便是由监督学习产生的
2.2. 无监督学习
2.2.1. 在无监督学习中，训练数据只包含输入
2.2.2. 在只有大量数据的情况下，开发人员可以使用无监督学习来提取可能有用的见解
2.2.3. 无监督学习允许人工智能在没有任何结果信息的情况下识别模式或异常情况
2.2.4. 通过无监督学习训练的人工智能可以识别出人类可能因为模式间的微妙差别、数据规模过大或两者兼有而错过的那些模式
2.2.5. 此类人工智能也和人类自学者一样，可能给出古怪荒谬、毫无意义的结果
2.3. 强化学习
2.3.1. 在强化学习中，人工智能不是被动地识别数据之间的关系，它是受控环境中的“智能体”，会观察并记录环境对其行为的反应
2.3.1.1. 强化学习需要人类参与创建人工智能训练环境（即使人类在训练过程中不提供直接反馈）：人类定义了模拟器和奖励函数，人工智能则在此基础上进行自我训练
2.3.2. 即使是在模拟的、简化的环境中，比如一场国际象棋比赛，一步走棋也可能引发一连串的机会和风险
2.3.3. 在装配线上精准模拟机器人的操作显然比在拥挤混乱的城市街道上更容易
2.3.4. 其结果便是，指导人工智能在人工环境中自我训练通常并不足以产生最佳表现，还需要有反馈
2.3.5. 奖励函数的任务就是提供这种反馈，为的是向人工智能表明它的方法有多成功
2.3.5.1. 作为替代，程序员将这种奖励函数自动化，谨慎而又精确地指定该函数如何运行及如何模拟现实的性质
2.3.5.2. 在理想情况下，模拟器提供真实的体验，奖励函数则促进有效的决策
2.3.5.3. 为了获得有意义的结果，对模拟器和奖励函数的周密规范至关重要
3. 机器学习的力量
3.1. 在农业领域，人工智能使得农药的精确管理、疾病的检测和作物产量的预测更为便利
3.2. 在医学领域，人工智能促进了新药的发现、现有药物新应用的鉴定，以及对未来疾病的检测或预测
3.2.1. 人工智能已通过识别细微的放射指标，比人类医生更早地发现了乳腺癌
3.2.2. 通过分析视网膜照片发现了失明的原因之一是视网膜病变
3.2.3. 通过分析病史预测糖尿病患者的低血糖
3.2.4. 通过分析遗传密码发现了其他遗传性疾病
3.3. 在金融领域，人工智能被用来帮助推进贷款批准（或拒绝）、收购、合并、破产声明和其他交易流程
3.4. 千百年来，人类一直无法跨越文化和语言鸿沟进行清晰的沟通
3.4.1. 由于存在语言之间的理解误差，而且无法用一种语言向另一种语言的使用者传达信息，人类彼此之间产生了误解，阻碍了贸易，甚至引发了战争
3.4.2. 在巴别塔的故事中，这种语言的阻隔是人类不完美的象征，也是对人类傲慢的痛苦惩罚
3.5. 机器翻译水平突飞猛进
3.5.1. 与其说是因为应用了神经网络或机器学习技术，不如说是这些方法全新的、创造性的应用催生了这一进步
3.5.2. 从机器学习的基本构建模块开始，开发人员能够以巧妙方式继续创新，并在这个过程中解锁新的人工智能
3.5.3. 要将一种语言转换为另一种语言，译者需要捕捉特定的模式，即顺序依赖关系
3.5.4. 与传统的监督学习相比，语言翻译研究人员采用了“平行语料库”(parallel
corpora)技术，这种技术在训练中不需要输入和输出之间有具体对应关系
